改造蛋白质以使其具有所需特性一直是现代生物技术的圣杯。例如，食品行业可以从改造酶中受益，这种酶与天然酶相比，能够在较高温度下增强生化反应。这可以节省宝贵的资源，例如劳动力、金钱和时间。然而，获得具有所需特性的功能性蛋白质的过程面临着重大挑战。
当前的蛋白质工程方法(例如定向进化)在很大程度上依赖于机会来缩小目标蛋白质的理想变体范围。定向进化使用重复引入蛋白质序列改变(称为突变)(迭代诱变)，然后快速筛选大量变体蛋白质(高通量筛选)。毫不奇怪，这种方法劳动密集且效率低下。
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惠峰博士领导的中国研究人员小组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采用深度进化策略，结合了深度学习(一种模拟活体大脑运作方式的过程)和进化生物学的原理。 ”该研究于 2024 年 3 月 20 日在BioDesign Research上在线发表。
研究人员利用 DeepEvo 改造了一种名为甘油醛-3-磷酸脱氢酶 (G3PDH) 的酶，使其具有耐高温性。G3PDH 在活细胞糖酵解过程中分解葡萄糖以产生能量。当团队通过实验验证 DeepEvo 结果时，他们取得了超过 26% 的成功率，这令人欣喜。
在本研究中，DeepEvo 使用的数据涉及具有不同最佳生长温度 (OGT) 的生物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 (Thermo-selector) 和一个变体生成器 (Variant-generator)，以产生包含所需特性的功能性蛋白质序列。虽然选择器充当选择压力来丰富所需的蛋白质序列，但变体生成器会产生这些序列 - 在本例中是具有高温耐受性的 G3PDH 变体。标有 OGT 的序列训练了 Thermo-selector，而具有所需功能的序列训练了 Variant-generator。Thermo-selector 过滤序列，指导 Variant-generator。
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 Thermo-selector 的基础。此类模型在大量现实世界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学习到的蛋白质序列表示来指导具有所需特征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在蛋白质序列中积累了耐高温特性。对预测为耐高温的序列进行迭代细化，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，其中功能性序列在连续的几代中受到青睐和积累，最终导致具有所需特性的蛋白质变体的开发。 ”
随后，研究人员通过湿实验室实验验证了预测的耐高温蛋白质序列是否保留了功能基序。从生成的 30 个序列中，他们获得了 8 个变体，从而凸显了 DeepEvo 在耐高温蛋白质工程方面的高效性。
展望未来，DeepEvo 可以帮助选择各种感兴趣的特性，而不仅仅是耐高温性。在这方面，江博士评论道：“我们可以应用 DeepEvo 方法来设计其他蛋白质特性，例如耐酸碱性、催化活性和抗原亲和力，从而促进生成具有多种所需特性的新蛋白质。”
因此，DeepEvo 为高效的蛋白质工程铺平了道路，这一切都归功于江博士及其研究小组的努力。轻松高效地生产针对所需特性的定制蛋白质可能很快就会成为现实。
免责声明：本文由用户上传，如有侵权请联系删除！
