活性2.7倍、表位清零：普林斯顿团队给蛋白质做"去免疫"设计

一条氨基酸序列能折叠成预期结构、能完成指定功能，却可能在进入人体后引发免疫反应。对于需要反复给药的治疗来说，这个麻烦不小：人体产生的抗药抗体可能加速药物清除，或中和其活性，让原本有效的治疗难以持续。

在制药公司工作的一年里，姜凯议注意到了这一矛盾。他在接受 DeepTech 采访时说，有些科研工作是先开发出一项技术，再思考它能解决什么问题；但在药企，情况恰恰相反——免疫原性的问题早已存在，而且迫切需要解决。

10 月 16 日，美国普林斯顿大学生物工程系助理教授姜凯议及其合作者发表了题为《利用生成式扩散模型实现蛋白质去免疫原性设计》的研究论文，提出一种名为 MESSI 的生成式蛋白质设计模型，目标是在保留蛋白质结构与功能的同时，降低其潜在免疫原性。

研究团队随后在三种蛋白质中验证了设计结果的功能。一些候选序列的预测表位数量降至零，同时保留了活性，部分变体的功能还有所改善。

把免疫风险写进生成过程

通过改变氨基酸序列赋予蛋白质新功能，并不是 AI 时代才出现的想法。1993 年，Frances Arnold 就开展了酶的定向进化研究，通过反复突变和筛选获得性能改善的酶。2003 年，David Baker 团队设计出一种名为 Top7 的蛋白质：研究人员先在计算机中设计出目标结构，再寻找能够折叠成这一结构的氨基酸序列，并通过实验验证。这项研究表明，科学家不仅能够改造自然界已有的蛋白质，也能够从头设计具有全新结构的蛋白质。

2022 年，David Baker 团队等研究人员在 Science 发表 ProteinMPNN，利用深度学习，根据给定的蛋白质三维骨架生成氨基酸序列。这类任务被称为"逆向折叠"：通常的结构预测是从序列出发，判断蛋白质会形成什么结构；逆向折叠则从目标结构出发，寻找能够形成这一结构的序列。姜凯议在采访中将 ProteinMPNN 称为现代蛋白质设计中不可或缺的工具。

MESSI 同样建立在逆向折叠的基础上，只是进一步加入免疫风险这一设计目标。"它不光要折叠回去。"姜凯议解释，在原本的逆向折叠任务之上，模型还要加入另一个维度。这意味着研究人员不再只是等序列设计完成后筛选低风险候选，而是尝试在生成过程中引导模型避开高风险选择。

MESSI 关注的是治疗性蛋白质引发免疫反应的一条重要途径：蛋白质进入人体后，可能被分解成短肽，其中一部分会通过 MHC-II 分子呈递给免疫细胞，进而引发免疫反应，甚至促使人体产生抗药抗体。因此，减少蛋白质中可能被 MHC-II 呈递的片段，有望降低其免疫原性风险。

两个技术设计如何配合

为了实现这一目标，MESSI 采用了两个相互配合的技术设计：生成蛋白质序列的离散扩散模型，以及引导生成过程的 Lookahead–Feedback 机制。

先看序列生成。与一次性生成完整序列不同，扩散模型通过多个步骤逐渐完成设计。蛋白质由不同种类的氨基酸组成，每个位置对应一个离散的氨基酸类别。模型从尚未确定的序列状态出发，结合目标三维结构，逐步预测、补全氨基酸，最终得到完整的蛋白质序列。这种逐步生成的方式，为研究人员在设计过程中加入额外要求提供了机会。

但仅仅能够生成序列，还不足以解决免疫原性问题。蛋白质的潜在免疫表位取决于其序列中的氨基酸组合，而在扩散生成的中间阶段，许多位置尚未确定。如果等到整条序列生成完毕，再判断其免疫风险，就很难利用这一结果及时调整此前的设计。

这就需要第二个关键设计：Lookahead–Feedback，即"前瞻—反馈"机制。在预设的生成节点，MESSI 会根据当前的氨基酸概率分布，采样得到若干条完整的候选序列。虽然这些序列还不是最终结果，但它们可以帮助模型提前判断，如果沿着当前方向继续生成，哪些位置可能形成容易被免疫系统识别的片段。随后，免疫风险预测器对这些候选序列进行评估，利用前一步获得的风险信息，引导后续的序列生成：一方面保留风险较低的候选序列中有利的氨基酸选择，另一方面将与较高局部风险有关的位置重新遮蔽，让模型在后续步骤中重新预测这些位置的氨基酸。

姜凯议解释，模型进入下一个生成节点时，已经参考了上一个节点识别出的潜在高免疫原性区域，因此能够有针对性地调整后续设计。

三类蛋白质的验证结果

团队选择了三类功能不同的蛋白质来进行检验：负责发光反应的荧光素酶、识别靶标的 PD-1 结合蛋白，以及催化尿酸分解的尿酸氧化酶。姜凯议表示，团队希望避免只挑选模型表现出色的个别案例，以免夸大其适用范围，因此选择了功能各异的蛋白质进行验证，以考察 MESSI 能否在不同类型的蛋白质上发挥作用，而非仅适用于某一特定体系。

实验结果显示，MESSI 设计的小型荧光素酶变体在大幅改变氨基酸序列后，仍保留了发光活性；PD-1 结合蛋白变体不仅保留了靶标结合能力，部分设计的结合亲和力还有所提升。

在尿酸氧化酶实验中，团队还发现，部分设计变体在降低预测免疫风险的同时，仍能保持甚至提高酶活性，其中表现最好的变体活性达到原始蛋白质的约 2.7 倍。

三类蛋白质的实验验证说明了一点：MESSI 有望在降低蛋白质预测免疫风险的同时，保留其原有功能。但另一个问题尚未回答——它们进入真实免疫环境后，是否确实会引发更弱的免疫反应？"最终还是要证明，这些蛋白质在人体内是否真的具有更低的免疫原性。"姜凯议谈及下一步研究时表示。现阶段的计算预测与功能实验虽然取得了积极结果，但距离真正验证其在人体内的免疫原性，还有关键的一步要走。

从通用设计到按 HLA 定制

尽管距离临床应用还有很长的路要走，MESSI 仍让姜凯议看到了另一种药物设计的可能：根据不同人的 HLA 类型，设计更具针对性的治疗性蛋白质。HLA（人类白细胞抗原）是人体免疫系统识别和呈递抗原的重要分子，具有高度多样性。不同个体的 HLA 类型存在差异，能够呈递的抗原片段也不尽相同。这意味着，同一种蛋白质药物，在不同人身上可能面临不同的免疫识别风险。

姜凯议设想，未来或许可以通过基因测序获取患者的 HLA 信息，再据此设计更适合他们的蛋白质药物；也可以针对不同 HLA 类型的人群，开发相应的药物版本。"我很期望能看到，我们真的能定向地生成不同的药物。"他说，希望未来不同 HLA 类型的患者都能从这类技术中受益。

这一探索也延续了姜凯议此前的研究思路。2022 年，他参与开发的 RNA 传感系统 RADARS 发表于 Nature Biotechnology，能够利用 RNA 编辑机制感知细胞内的特定信号，并调控蛋白质表达。随后，他参与开发的 EVOLVEpro 将蛋白质语言模型与实验数据相结合，通过模型预测和实验反馈不断优化蛋白质性能。

这些研究的技术路线各不相同，背后有着相似的思考：如何获取更多生物学数据，更深入地理解复杂的生命系统？又如何利用这些数据建立模型，将对生命系统的认识转化为预测和设计能力？"我们之所以开发新的生物技术，是因为这些技术能够帮助我们收集更多数据，更深入地观察生物系统如何运作。"姜凯议说，"而这些数据，又能为后续的建模研究提供支持。"此前在药企的工作经历，则为这条研究路径增加了另一个维度：技术不仅要帮助人们理解生物系统，还应该回应现实中尚未解决的需求。对 MESSI 而言，这个需求就是降低蛋白质药物的潜在免疫风险。

不过，能够设计出蛋白质，并不意味着它就能成为药物。从计算机生成的氨基酸序列，到实验室中具有活性的蛋白质，再到真正安全、有效的治疗手段，每一步都需要经过验证。AI 正在拓展蛋白质设计的可能性，而这些设计能否最终造福患者，仍有待生物学实验与临床研究给出答案。