DeepEvo：工程定制蛋白质的“智能”策略

从科学研究到生活方式干预，具有理想特性的蛋白质具有广泛的应用。然而，现有的蛋白质工程方法效率低下。为了克服传统蛋白质工程过程的劳动密集型特性，中国的研究人员开发了一种名为“DeepEvo”的深度进化策略，该策略使用人工智能，结合了深度学习和进化生物学的原理。在将DeepEvo应用于模型酶上时，研究人员可以成功地设计出耐高温的变体，证明了该策略的有效性。

　　

设计蛋白质以获得理想的特性一直是现代生物技术的圣杯。例如，与天然酶相比，工程酶具有在较高温度下增强生化反应的能力，因此食品工业可以受益。这可以节省宝贵的资源，如劳动力、金钱和时间。然而，获得具有期望性状的功能性蛋白的过程提出了重大挑战。

目前的蛋白质工程方法，如定向进化，在很大程度上依赖于机会来缩小目标蛋白质的理想变体。定向进化使用重复引入称为突变的蛋白质序列改变(迭代诱变)，然后快速筛选大量变异蛋白质(高通量筛选)。毫不奇怪，这种方法是劳动密集型和低效的。

为了克服这些限制，由中国科学院天津工业生物技术研究所和国家合成生物学技术创新中心的蒋慧峰博士领导的一组来自中国的研究人员开发了一种基于人工智能的蛋白质工程策略，称为“DeepEvo”。蒋博士进一步解释说:“DeepEvo使用了一种深度进化策略，结合了深度学习原理——一种模拟活体大脑功能的过程——和进化生物学。”这项研究于2024年3月20日在线发表在《生物设计研究》杂志上。

研究人员将DeepEvo应用于一种名为甘油醛-3-磷酸脱氢酶(G3PDH)的酶的高温耐受性工程。G3PDH在活细胞的糖酵解过程中分解葡萄糖产生能量。当研究小组通过实验验证DeepEvo的结果时，他们取得了超过26%的成功率。

在这项研究中，用于DeepEvo的数据包括来自不同最佳生长温度(OGT)的生物体的序列和具有所需功能的自然序列。开发的DeepEvo策略包括一个选择器(thermal -selector)和一个变体生成器(variant -generator)，以产生包含所需性状的功能蛋白序列。当选择器作为一种选择压力来丰富所需的蛋白质序列时，变体发生器产生这些序列——在这种情况下，具有高温耐受性的G3PDH变体。带有OGT标记的序列训练了thermal -selector，而带有期望函数的序列训练了Variant-generator。热选择器过滤序列，引导变量生成器。

值得注意的是，蛋白质语言模型——一种深度学习模型——构成了本研究中使用的热选择器的基础。这些模型在大量真实世界的蛋白质序列数据上进行训练，以学习这些序列中固有的模式和特征。这种开发的选择器使用蛋白质序列的学习表示来指导具有所需性状的序列的生成和选择。

此外，研究人员通过涉及生成器和选择器的迭代过程积累了蛋白质序列的耐高温特性。预测耐高温序列的迭代细化形成了一个序列生成循环。蒋博士进一步解释说:“DeepEvo所涉及的迭代过程模仿了自然选择的过程，其中功能序列受到青睐，并在连续几代中积累，最终导致具有所需特性的蛋白质变体的发展。”

因此，研究人员通过湿实验室实验验证了预测的保存功能基序的耐高温蛋白序列。从生成的30个序列中，他们获得了8个变体，从而突出了DeepEvo在高温耐受性工程蛋白中的高效率。

下一步，DeepEvo可以帮助选择各种感兴趣的特征，而不仅仅是耐高温。在这方面，江博士评论说:“我们可以将DeepEvo方法应用于工程其他蛋白质特性，如酸碱耐受性，催化活性和抗原亲和力，促进具有多种所需特性的新蛋白质的产生。”

因此，DeepEvo为高效的蛋白质工程铺平了道路，这一切都要归功于江博士和他的研究小组的努力。简单而高效地根据所需特性定制蛋白质的生产可能很快就会成为现实。