清華雙成果顛覆蛋白質設計：全自動進化工廠實現設計驗證閉環

從去年到今年，清華大學教授張數一和團隊連著兩個冬天做出兩個“AI+蛋白質”成果，它們分別是極速壓縮與智能重建蛋白質序列空間的 EvoAI，以及能夠 24 小時晝夜不停、全自動進化蛋白質的 iAutoEvoLab 工廠。相關論文分別發表于 Nature Methods 和 Nature Chemical Engineering。

EvoAI 和 iAutoEvoLab 的結合，形成了一個閉環：

iAutoEvoLab 可以產生大量的進化數據，反過來這些數據又能喂養和訓練 EvoAI，讓其預測能力和設計能力越來越強。

而更強大的 EvoAI 又可以指導 iAutoEvoLab 設計更聰明的進化路線和基因回路，實現蛋白質的可編程進化。

未來，這個自動化實驗-AI 的閉環，有望打通蛋白質序列到復雜功能的黑箱。其中，馬梓源和沈達分別是相關論文的第一作者。

圖 | 從左到右：張數一、沈達、馬梓源（來源：資料圖）

EvoAI：將海量蛋白質壓縮進一個錨點百寶箱

當把所有可能的蛋白質序列視為一片無邊無際的星空，那么找到那些功能優秀的蛋白質，就像是在銀河系中尋找適合生命存在的星球。傳統方法要么像使用望遠鏡一樣一個一個地費力觀察及實驗篩選，要么就是試圖使用并不完整的星圖去做推算即計算機預測，這兩種方法不僅緩慢而且存在誤差。

張數一團隊給出的解決方案是：拋開逐個掃描的做法，只需找到那些最明亮、最具代表性的錨點蛋白質就行了。這些錨點就是那些包含了關鍵功能信息的蛋白質變體。只要錨點足夠有代表性，就能描繪出整個高功能蛋白質的路線圖。

張數一告訴 DeepTech：“我們的解決思路類似于圖片壓縮，就是將關鍵信息提取并濃縮在更小的尺寸里，無需傳遞全部龐大數據，也能保留核心特征。通過這種極致的壓縮，可以高效捕獲那些定義蛋白質功能景觀的關鍵數據點也就是錨點。”

（來源：https://doi.org/10.1038/s41592-024-02504-2）

為了高效地找到這些錨點，他們發明了一套名為 EvoScan 的進化掃描方法。這套方法的核心在于利用了一種會感染細菌的病毒也就是噬菌體作為進化平臺，其上承載著那些需要接受改造的蛋白質基因。他們還給這套系統配備了一個基于 CRISPR 的定向突變系統，這樣一來就可以瞄準蛋白質基因的特定段落進行突變。

同時，他們還設計了不同蛋白所需要的基因回路（genetic circuit）來作為篩選方法，借此將蛋白質功能的好壞與噬菌體的生存能力直接掛鉤。那些功能好的蛋白質能讓噬菌體實現大量繁殖，那些功能差的蛋白質則會直接被淘汰。

這讓 EvoScan 能像使用探照燈進行分區掃描一樣，快速、系統地探索蛋白質的各個區域，從而能夠找出那些讓蛋白質功能變強的關鍵突變點也就是錨點。

（來源：https://doi.org/10.1038/s41592-024-02504-2）

為了驗證 EvoScan 方法的效果，張數一等人進行了蛋白-蛋白相互作用、蛋白-小分子相互作用、蛋白-核酸相互作用等不同場景下的三個實驗。

在第一個實驗中，他們成功進行了回復突變實驗，使得綠色熒光蛋白的納米抗體恢復功能，證明了 EvoScan 的精準定位能力。

在第二個實驗中，針對新冠病毒的主蛋白酶也就是病毒復制必需的關鍵蛋白質，他們使用兩種不同的藥物，以耐藥性作為篩選壓力，借此進行全基因掃描。結果不僅找到了已知的耐藥性突變，還發現了一批從未被報道過的新耐藥位點，并且這些位點遍布于整個蛋白質之中。這進一步證明了 EvoScan 的全局掃描能力。

在第三個實驗中，他們選擇了一個同源性較低的轉錄因子蛋白質 AmeR。通過設計多輪的多維掃描路線，從可能的序列空間之中，捕獲了 82 個關鍵的錨點變體。這些變體大多包含了多個突變，功能都比原始蛋白質更強大。其中，表現最好的一個單突變體 S57R，在細菌和人類細胞中都變成了更加高效的基因開關，能夠為合成生物學提供優質的零件。

找到 82 個錨點只是第一步。關鍵在于下一步：如何用這區區 82 個點，去代表和重建理論上高達 10^50 的可能性的整個高功能序列空間？

為此，他們結合了預訓練的蛋白質結構模型 GeoFitness 和蛋白質語言模型 ESM-2，使用這 82 個錨點的數據進行訓練，教會 AI 理解這些突變之間的復雜的相互作用，即理解一種名為上位性的現象。

結果顯示：這個名為 EvoAI 的混合智能模型，僅僅憑借 82 個錨點，就對于 AmeR 的序列空間進行了更加準確的描繪。基于預測模型規劃的序列空間，當張數一團隊使用 AI 設計包含 6 個突變的全新蛋白質時，所有 10 個由 AI 設計的蛋白質變體功能都得到了大幅提升，活性提高了 10-38 倍。相比之下，使用傳統低維突變數據訓練出來的模型，設計出來的全部是相較于初始蛋白功能更差的蛋白質。

經過計算，AmeR 這個無比龐大的高功能蛋白質設計空間被壓縮了 10^48 倍，并且只用 82 個錨點就大大提升了設計空間的可讀性/可預測性。因此，EvoAI 證明了蛋白質功能景觀具有極端的可壓縮性，為蛋白質工程設計打開了新紀元的大門。

（來源：https://doi.org/10.1038/s41592-024-02504-2）

iAutoEvoLab：24 小時不停歇的全自動蛋白質進化工廠

找到了設計蛋白質的智能方法 EvoAI 之后，另一個巨大的挑戰擺在面前：如何將想法快速、大規模地變為現實？許多富有潛力的蛋白質，尤其是涉及到功能復雜或多結構域融合的蛋白質，在待改造的目標功能方面，它們的起始活性可能極低甚至為零，使用傳統方法改造它們堪比大海撈針。

于是，張數一團隊攜手合作者打造出一個工業級全自動實驗室 iAutoEvoLab，它的目標是將蛋白質定向進化這個過程，變得像現代化工廠流水線一樣的高通量、高效率和高可靠性，并且幾乎無需人工干預。

（來源：https://doi.org/10.1038/s44286-025-00303-w）

iAutoEvoLab 融合了硬件、軟件與無菌環境：

在它的硬件部分里，涉及到一個液體處理工作站，該工作站就像靈巧的機械手一樣，能夠精確地進行樣品傳代和溶液配置。機械臂在導軌上來回穿梭，將培養板在不同設備之間進行運轉。恒溫培養箱、生長檢測儀和冰箱等各司其職。其還打造一個定制化的傾斜模塊，能夠讓液體轉移變得更加精準。

在它的軟件部分里，涉及到一個名為 MegaFluent 的軟件控制系統，它不僅能夠編排復雜的操作流程，還能分析生長檢測儀傳來的細菌生長數據，根據設定好的閾值能做出如下決策：哪個孔該進行繼續培養？哪個孔達到了傳代標準？該使用多大的稀釋比例和藥物濃度？通過這些決策其能針對每個實驗孔實現獨立反饋控制。

在它所附帶的無菌環境里，頭頂的層流罩能夠提供潔凈的空氣，確保在長達數周甚至數月的連續進化過程中，樣品不會被污染。

（來源：https://doi.org/10.1038/s44286-025-00303-w）

光有自動化平臺還不夠，還需要有一個進化引擎。為此，張數一團隊選擇了基于 OrthoRep 的酵母體內生長偶聯連續定向進化系統。他們評估了多種與酵母生長相關的選擇標記基因，并設計了一系列基因回路，將目標蛋白質的功能好壞，直接轉換為這些選擇標記基因的表達強弱，從而能與酵母細胞的生長狀態進行牢牢綁定。

這就像給每一個等待進化的蛋白質設定了一個游戲規則：功能得到改進的，酵母就能活得好和活得長；功能變差或者功能不變的，酵母就會被淘汰。在這種持續不斷的生存壓力之下，進化以自動的方式開展著。

為了探明它的真實本領，他們挑戰了一項高難度任務：改造一個融合蛋白 CapT7。如能成功進化則可一次性完成基因轉錄和 mRNA 加帽，那么將在 mRNA 疫苗生產和藥物開發中產生巨大應用潛力。但問題在于，最初的融合蛋白在酵母里幾乎檢測不到活性，因此這是一個近乎于從零開始的進化難題。

然而，iAutoEvoLab 在超過 25 天的時間里，24 小時不間斷地運行著，并管理著上百個獨立的進化線路。根據實時生長數據，軟件會以動態方式調整每個孔中的抗生素濃度和菌液稀釋比例，逐步地加大進化壓力。

（來源：https://doi.org/10.1038/s44286-025-00303-w）

經過多輪的自動化篩選，他們獲得了功能得到顯著提高的變體。通過后續接入自動化連續流培養裝置，進一步地施加極限選擇壓力，他們得到了 CapT7-V14，其在酵母中驅動基因表達的能力比最初版本提高了 30 倍以上。

iAutoEvoLab 的成功證明了，即使是從功能幾乎為零的起點出發，通過全自動、高通量、可編程的進化，也可以鍛造出具有實用價值的蛋白質工具，并能將蛋白質工程這樣一門高度依賴人工經驗的手藝，升級為標準化和規模化的先進制造。期刊編輯評價稱：“不難想象，這樣的平臺將在擴大蛋白質工程產業規模方面找到一系列實際應用。”

張數一也表示：“論文發表后，我們收到了來自多方的關注與聯系。我們搭建這一平臺的初衷，正是希望未來它能成為一個通用型工具，使產出的數據建立在統一、標準化的基礎之上。”

參考資料：

https://www.nature.com/articles/s41592-024-02504-2?sessionid=

https://www.nature.com/articles/s44286-025-00303-w

運營/排版：何晨龍