用AI重新设计赋予蛋白酶进化更高的起点，改造天然序列解锁超过79倍特异性提升

编辑丨&

蛋白质进化一直是生命科学中创造新功能的重要方式。

通过定向进化，科学家可以让天然蛋白获得新的催化能力、底物偏好或更高活性。但这一过程始终面临一个限制：蛋白序列并不是越容易改变越好。许多突变虽然能够带来新的功能，却也会破坏蛋白稳定性，使后续进化陷入瓶颈。

那么，如果在进化开始之前，先利用 AI 重新设计一个更加适合作为「起点」的蛋白，是否能够让后续进化探索更广阔的空间？

来自哈佛大学、Broad研究所和霍华德·休斯医学研究所等的研究人员，于 2026 年 7 月 22 日在《Nature》发表了一项研究「AI-redesigned starting points and outcomes enhance protein evolution」，为这一困境提供了一个出人意料的解决方案。

论文链接：https://www.nature.com/articles/s41586-026-10820-0

为进化垫高起点

自然界经过数亿年的演化，已经产生了大量具有稳定结构和功能的蛋白。然而，当科学家希望让这些蛋白获得自然界中不存在的新能力时，天然序列往往并不是最理想的起点。原因在于，蛋白功能和稳定性之间存在复杂平衡。

一个蛋白如果过于稳定，可能难以产生新的结构变化；但如果突变过多，又可能导致蛋白无法正确折叠，失去原本功能。因此，实验进化过程中存在一个核心矛盾：如何在保持蛋白基本结构和活性的同时，让它拥有更多可以探索的新序列空间。

这正是论文中 AI 设计方法发挥作用的位置。不过，这并非意味着让 AI 直接设计新功能——那仍超出当前能力边界——而是让 AI 重设计已有酶的序列，在不触动催化核心的前提下系统提升稳定性。他们将这个概念称为「AI-redesigned starting points」（AI 重设计进化起点）。

图 1：整合计算蛋白序列设计与连续进化的概述，以及稳定化 BoNT/E 蛋白酶的重新设计。

为什么选择肉毒杆菌神经毒素（BoNT）蛋白酶？这类酶已被证明可通过 PACE 重编程底物特异性，且其天然底物 SNAP25 与许多治疗靶点差异巨大。更重要的是，历史经验表明，从野生型 BoNT 出发重编程后，变体往往稳定性下降、表达量降低——恰好是检验「起点质量」的试金石。

为了重新设计这些蛋白，研究团队使用了两种AI辅助蛋白优化方法：

一种是基于结构信息的序列优化方法ProteinMPNN；另一种是用于提高蛋白稳定性的设计工具PROSS。两种方法虽然目标相似，但设计逻辑不同。

ProteinMPNN 根据蛋白三维结构信息，预测哪些氨基酸组合更可能形成稳定结构。它并不是简单寻找与天然序列相似的替代方案，而是在保持整体结构约束的情况下，探索更加适合该结构的新序列。

PROSS 则主要关注蛋白稳定性，通过分析结构中的关键区域，对可能影响折叠和稳定性的位点进行优化。

研究人员随后将这些 AI 重新设计后的序列进行实验验证，筛选出能够正确表达、保持催化能力，并且具有更高稳定性的蛋白变体。

这些经过 AI 优化的蛋白，成为后续实验进化的新起点。

图 2：结合 PACE 进化的 BoNT/E 突变与 ProteinMPNN 重设计，提升了重编程 PTEN 切割 BoNT/E 蛋白酶变异的表达水平和活性。

特异性差距的背后

团队选择了三种不同的 BoNT 蛋白酶作为模型体系，并分别构建了天然序列起点、AI 优化序列起点以及经过稳定性改造的序列起点。随后，研究人员利用 PACE 系统对这些蛋白进行连续进化，通过不断施加选择压力，观察不同起始蛋白是否能够产生更优的新功能。

实验结果显示，AI 重新设计的蛋白确实改变了进化轨迹。

与天然蛋白相比，经过 AI 优化后的起点更容易产生具有目标功能的变体。这说明 AI 设计并不是简单提高某一个蛋白当前状态下的性能，而是在改变蛋白能够探索的序列空间，使后续实验进化更容易找到有效方向。

图 3：PACE 底物面板上序列设计蛋白酶的进化性。

为了进一步测试 AI 辅助进化是否能够产生新的功能，研究团队不仅关注蛋白活性的提高，还检测了这些进化后蛋白是否能够识别新的目标底物。

其中一个重要实验，是针对 Ataxin-2 蛋白序列的切割能力测试。

Ataxin-2 是一种与神经退行性疾病相关的重要蛋白。研究人员希望观察，通过 AI 优化起点并结合 PACE 进化，是否能够让 BoNT 蛋白酶获得针对新底物的识别能力。

实验显示，经过 AI 重新设计和后续进化后的蛋白，能够产生更强的 Ataxin-2 切割活性，同时保持较好的底物选择性。其中部分变体相比原始蛋白，在目标识别能力上实现了显著提升，特异性最高提高约 79 倍。

图 4：序列重设计与 WT 蛋白酶的重编程，特异性地切割治疗性非天然靶点。

自然选择到计算预选择

AI 重新设计提供了一种新的入口：先利用结构信息和机器学习方法优化蛋白基础属性，再让实验进化在更有潜力的空间中继续搜索。

这种方法将计算设计与实验选择结合起来，使蛋白工程从单纯依赖随机探索，逐渐转向更加有方向性的探索。

当然，这一方法仍然存在限制。例如，AI 设计是否能够推广到更多类型蛋白，如何进一步预测哪些设计起点最适合特定进化目标，以及如何降低实验筛选成本，仍然需要进一步研究。

当稳定性不再是瓶颈，蛋白质进化的搜索空间从悬崖边的狭窄小径，扩展为高原上的广阔平原。未来的定向进化，或许不再始于自然，而始于 AI 铺好的台阶。