蛋白质工程新突破！科学家开发AI大模型EVOLVEpro框架

【蜂耘网  人工智能】人工智能（AI）蛋白质设计正在走向“更快、更好、更强”。

近期，美国麻省总医院布莱根分院和贝斯以色列女执事医疗中心团队开发了一款名为EVOLVEpro的AI工具，被认为是蛋白质工程领域的一项重大突破。

团队在最新一期《科学》杂志上展示了通过该工具设计的6种具有不同用途的蛋白质，证明了EVOLVEpro能够提高蛋白质的稳定性、精确度及效率。

研究团队在6个具有实际应用价值的蛋白质上验证了EVOLVEpro的效果：

1、抗体优化：C143抗体结合亲和力提高17倍，CD71抗体结合亲和力提高29倍。

2、CRISPR核酸酶优化：PsaCas12f的基因编辑效率提高4.9倍，成功实现体内基因编辑。   

3、引物编辑器优化：长片段(>40bp)插入效率显著提高，在多个基因位点验证有效性。

4、Bxb1整合酶优化：整合效率提高2.6倍，实现高效基因插入。

5、T7 RNA聚合酶优化：mRNA产量提高34倍，免疫原性降低98%。

研究结果表明，EVOLVEpro凭借极少的实验数据，实现了远超零样本预测的性能，展现了少样本主动学习的优势。还能进行多目标优化，能够同时优化多种蛋白质特性（如活性、稳定性、免疫原性等）。

EVOLVEpro的整体框架包括基础层、特征聚合、顶层模型。基础层使用ESM2-15B作为蛋白质语言模型，将氨基酸序列映射为连续的潜在空间表示。特征聚合是对每个位置的嵌入向量取平均，得到固定维度的蛋白质表示。顶层模型使用随机森林回归器预测蛋白质活性，预测值为所有决策树预测的平均。   

EVOLVEpro采用迭代优化策略，每轮随机选择16个变体进行实验测试，使用测试结果更新顶层模型，预测未测试变体的活性并选择预测活性最高的变体进入下一轮测试。

总体而言，EVOLVEpro的有几个突出优势：低样本需求，每轮仅需16个突变体即可实现有效优化；多目标优化，可同时优化多个性能指标；普适性强，无需专门的蛋白质结构知识；高效性，相比传统方法，可以更快地找到高活性突变体。

另外团队指出，这款工具的最大优势在于它不受自然进化限制。借助AI，他们可以根据特定需求优化蛋白质，创造出性能更佳、速度更快、强度更高的蛋白质，使其更有效地与目标结合，进而改善治疗方法或增强其功能性。

EVOLVEpro框架创新意义重大，代表了蛋白质工程领域的重要方法学突破。这种结合蛋白质语言模型(PLM)和回归模型的新方法，通过少量实验数据的主动学习就能有效指导蛋白质进化。   

该技术意味着人类不仅能设计出与自然产物相媲美的蛋白质，还将具有应对自然未曾遇到过的挑战的能力，包括开发更加精准的抗体来治疗自身免疫疾病或癌症，以及研发更为有效的病毒疫苗，或是培育营养价值更高或具备更强二氧化碳吸收能力的作物。    

（蜂耘人工智能网  责任编辑：梅子）