Adv Sci丨機器學習賦能蛋白相分離精準調控-開發PScalpel工具解鎖免疫細胞精準改造新路徑

近日，中山大學崔雋教授團隊與深圳大學李堅強教授團隊于AdvancedScience在線發表題為MachineLearning-GuidedEngineeringofProteinPhaseSeparationPropertiesinImmuneRegulation的研究論文。該研究開發出基于機器學習的蛋白相分離改造工具PScalpel，突破定向調控蛋白相分離能力的領域難題，實現了固有免疫DNA感受器cGAS的相分離能力精準調控，并基于此技術對巨噬細胞免疫功能進行定向改造，為精準生物分子工程與免疫細胞工程研究提供了全新技術方案。

蛋白相分離是細胞內無膜細胞器形成的核心分子機制，參與免疫、代謝、發育等關鍵生理過程，其功能紊亂與神經退行性疾病、癌癥、病原誘導的過度炎癥等多種疾病密切相關。通過改造蛋白相分離能力調控蛋白功能，已成為生物醫學與合成生物學的研究熱點，但現有預測工具多適用于天然蛋白，無法捕捉單氨基酸突變引發的相分離細微變化，且人工設計突變位點依賴大量實驗試錯，成為領域發展的核心瓶頸。針對這一問題，研究團隊融合蛋白質結構信息與機器學習技術，開發出可指導蛋白相分離定向改造工具PScalpel，填補了突變體蛋白相分離精準預測與工程改造的技術空白。

PScalpel由三大核心模塊構成，通過高效提取蛋白三維結構信息、精準預測突變體相分離能力、智能推薦最優突變策略，形成了從“結構分析-突變預測-工程策略”的完整技術鏈條（圖1）。該工具整合了遷移學習方法，可針對特定蛋白實現模型精準優化，顯著提升預測準確率。研究團隊選取8種參與固有免疫的相分離相關蛋白開展實驗驗證，結果顯示，PScalpel推薦的單位點突變可有效實現蛋白相分離能力的定向改變，優于現有工具在突變體蛋白相分離預測中的表現，證實了該工具的高效性與普適性。

圖1 PScalpel工作模型

值得關注的是，研究團隊創新性地引入遷移學習方法，為該工具在特定場景的預測準確率的提升提供了有效方案。遷移學習利用模型在大規模通用蛋白數據集預訓練獲得的深層特征表示，結合少量特定蛋白的已知突變位點數據進行微調，既減少了模型對大量標注數據的依賴，又保留了通用特征提取能力，顯著提升了小樣本場景下的模型泛化性與預測精準度。通過向模型提供特定蛋白數據的策略突破了傳統機器學習模型研究中“數據依賴”的瓶頸，為稀有蛋白、疾病相關蛋白的相分離改造提供了更可靠的技術支撐，經實驗驗證，改造后的模型對TDP43的相分離突變預測準確率得到顯著提升。

作為該工具的核心應用，研究團隊將固有免疫關鍵分子cGAS作為研究模型，通過PScalpel篩選獲得多個高分突變體，實現了對cGAS相分離能力的雙向精準調控。體外與細胞水平的綜合驗證顯示，cGAS相分離能力突變體在凝聚體形成、動態特性等方面呈現出顯著的差異，進而調控了cGAS的酶活性及DNA結合能力，實現了cGAS-STING信號通路激活程度的定向調節；基于改造后的cGAS突變體構建工程化巨噬細胞后，能夠有效調節巨噬細胞免疫功能，基于轉錄組測序分析證實，cGAS相分離能力的穩定對于細胞免疫功能正常發揮具有重要作用。

綜上所述，該研究開發出一款全新的蛋白相分離工程化工具PScalpel，建立了“蛋白改造策略-相分離能力-分子功能-細胞表型”的精準調控鏈條。PScalpel作為一款針對蛋白的相分離能力的預測與改造工具，其開源特性將為廣大科研工作者提供高效的研究手段，該工具可擴展應用于非免疫相關蛋白，為神經退行性疾病、癌癥等多種與相分離紊亂相關疾病的機制研究與靶點發現提供新支撐。同時，以cGAS為模型的研究證實，通過單氨基酸突變調控蛋白相分離能力可實現免疫細胞功能的精細調控，這為工程化免疫細胞的開發提供了全新思路，相比傳統的蛋白功能改造策略，相分離介導的調控方式更精細、更溫和，為后續細胞治療的研發提供了新的技術路徑，具有重要的轉化研究價值。

中山大學生命科學學院張晨秋博士、深圳大學計算機學院王佳助理教授為論文共同第一作者，中山大學生命科學學院、進化與合成生物學基礎科學中心崔雋教授，深圳大學人工智能學院李堅強教授，中山大學附屬第一醫院伍耀星副研究員為論文共同通訊作者。

原文鏈接：https://doi.org/10.1002/advs.202520890

制版人：十一

BioArt

Med

Plants

人才招聘

學術合作組織

（*排名不分先后）

轉載須知

【非原創文章】本文著作權歸文章作者所有，歡迎個人轉發分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。