1. 项目概述当蛋白质工程遇上机器学习如果你在实验室里泡过几年亲手做过几轮蛋白质定向进化那你一定对那个漫长、昂贵且充满不确定性的“黑箱”过程记忆犹新。从构建庞大的突变文库到高通量筛选再到测序验证一轮循环下来几个月就过去了而且结果往往不尽如人意大部分突变体都是无效甚至有害的。这感觉就像在茫茫大海里捞针全凭运气和体力。但现在情况正在发生根本性的改变。Arc Institute最近展示的工作将蛋白质语言模型和上位效应分析结合为我们提供了一张精准的“藏宝图”让定向进化从“盲筛”走向了“智能设计”。简单来说这个项目的核心是用机器学习模型预测蛋白质序列的功能并利用对蛋白质内部氨基酸相互作用的深刻理解上位效应来指导我们以最少的实验步骤找到性能最优的突变体。它不再依赖于构建覆盖所有可能组合的巨型文库而是通过计算精准地预测哪些单点突变是有益的更重要的是预测这些有益突变组合在一起时是会协同增效正上位效应还是相互抵消负上位效应。这直接击中了传统定向进化的两大痛点实验通量瓶颈和组合爆炸难题。这项技术适合所有从事蛋白质工程、酶工程、抗体开发的研究人员和工程师。无论你是想提高工业酶的催化效率、增强治疗性蛋白的稳定性还是设计全新的生物传感器这套方法论都能显著加速你的研发进程。它代表了一个明确的趋势计算指导的实验Computationally Guided Experimentation正在成为生命科学领域的标准范式。接下来我将为你深入拆解这套方法背后的逻辑、具体如何操作以及在实际应用中会遇到哪些坑。2. 核心思路拆解为什么是“语言模型”“上位效应”要理解这套方法的威力我们得先抛开复杂的算法回到蛋白质本身。你可以把蛋白质的一级结构氨基酸序列想象成一段由20个字母20种天然氨基酸写成的“生命语言”。这段“语言”决定了蛋白质如何折叠成复杂的三维结构并最终行使特定的功能比如催化化学反应、传递信号或结合目标分子。2.1 蛋白质语言模型从海量自然序列中学习“语法”传统的蛋白质设计严重依赖已知的晶体结构和物理力场模拟计算成本极高且对未知折叠模式的蛋白质束手无策。蛋白质语言模型的突破性在于它换了一种思路我不去直接模拟复杂的物理过程而是去学习自然界亿万年来进化出的“序列语法”。这些模型如ESM、ProtTrans等在数亿条已知的自然蛋白质序列上进行了预训练。训练过程类似于训练ChatGPT理解人类语言通过让模型学习预测一个序列中被掩盖mask的氨基酸是什么。在这个过程中模型逐渐内化了氨基酸之间的上下文依赖关系——哪些氨基酸经常一起出现一个疏水氨基酸后面跟着一个带电荷的氨基酸可能意味着什么这种模式往往对应着特定的结构域或功能位点。关键点在于模型学习到的是一种高度抽象的、关于“什么样的序列是合理的、稳定的、可能具有功能”的统计分布。对于一个目标蛋白质当我们输入其野生型序列时模型能给出每个位点被其他氨基酸替换的可能性概率。更重要的是通过一些巧妙的微调例如用具有特定功能的蛋白质家族序列进行微调模型可以进一步学会将序列与功能关联起来从而直接预测突变对功能的影响分数。这相当于我们有了一个超高速、低成本的“虚拟筛选器”可以在几秒钟内评估成千上万个虚拟突变体的潜在效果优先选择预测分数高的进行实验验证。注意语言模型预测的是“序列合理性”或“功能趋势”而非精确的酶活数值。它擅长排序哪个突变可能更好而不是绝对定量活性具体提高多少倍。这已经足够为我们指明方向。2.2 上位效应破解组合突变的“密码”解决了单点突变的初筛问题下一个拦路虎就是组合。假设我们通过语言模型找到了5个有潜力的单点突变A, B, C, D, E。传统的做法是把它们随机组合构建一个包含所有可能组合2^5 -1 31种的文库。但如果这5个位点之间存在强烈的上位效应情况就复杂了。上位效应是指一个位点的突变效果依赖于其他位点的氨基酸状态。通俗讲就是“11≠2”。正上位效应两个单独有益的突变A和B组合在一起AB时产生的效果大于两者效果之和。这是我们梦寐以求的协同效应。负上位效应两个单独有益的突变A和B组合后效果反而变差甚至不如单个突变。这是实验中最大的“坑”浪费大量资源。Arc Institute方法的核心创新就在于主动利用和测量上位效应。他们不是逃避组合的复杂性而是通过精心设计的实验系统地测量这些相互作用。基本思路是先快速获得一批包含单点和双点突变的实验数据活性测量然后用这些数据去校准或训练一个考虑上位效应的模型例如基于图神经网络或特定核函数的回归模型。这个校准后的模型就能更准确地预测包含三个、四个甚至更多突变的组合体的功能。这样做的巨大优势是我们无需构建所有高阶组合如ABCDE的巨型文库只需要用相对少量的双突变体实验数据就能让模型“学会”蛋白质内部的相互作用网络从而可靠地推断出最优的高阶组合。这极大地压缩了实验空间将“组合爆炸”变成了“组合导航”。3. 实操流程四步走实现智能定向进化理论很美好落地是关键。下面我将一个完整的计算引导的定向进化项目拆解为四个可操作的阶段。这个过程形成了一个高效的“设计-构建-测试-学习”DBTL循环。3.1 第一阶段数据准备与模型选择万事开头难好的开始是成功的一半。这个阶段的目标是为你手中的目标蛋白选择合适的“计算引擎”。1. 目标蛋白与功能定义明确目标你需要一个清晰、可定量测量的功能表型。是酶活性比活力、kcat/Km是结合亲和力KD还是热稳定性Tm值这个表型必须能在96孔板或384孔板规模下进行可靠的高通量检测。获取序列获得目标蛋白的野生型DNA及氨基酸序列。如果存在多个同源物或天然变体它们的序列将是宝贵的额外数据。2. 预训练模型选择与微调基础模型目前主流的选择包括Meta的ESM系列如ESM-2和Google的AlphaFold团队推出的相关模型。对于大多数应用ESM-2特别是150亿参数版本是一个强大的开箱即用选择它能生成高质量的序列嵌入embedding捕捉深层序列特征。功能预测微调这是将通用模型转化为“专属顾问”的关键一步。你需要一个小的、带有标签的数据集来微调模型。这个数据集可以来自文献挖掘收集目标蛋白或同源蛋白已报道的突变体及其功能数据。初步实验自己构建一个包含几十到几百个随机或理性设计的突变体的小型文库并测量其功能。这个初始投资对于后续的加速至关重要。微调策略通常我们在预训练的语言模型顶部添加一个回归头全连接层用你的序列功能值配对数据对整个模型或仅对顶部层进行微调。目标是让模型学会将序列特征映射到你关心的具体功能分数。实操心得初始数据集不需要完美但需要有一定的多样性包含积极、中性和消极的突变。即使只有100-200个高质量的数据点也能显著提升模型在你特定任务上的预测性能减少因蛋白质家族差异带来的预测偏差。3.2 第二阶段计算驱动的突变体设计有了训练好的预测模型我们就可以开始“纸上谈兵”大规模虚拟筛选了。1. 单点突变扫描使用微调后的模型对目标蛋白的每一个氨基酸位点或聚焦于活性中心、底物通道等关键区域分别用其他19种氨基酸进行替换生成虚拟突变体序列并获取模型预测的功能分数。输出结果是一个排名列表列出了所有预测有益分数高于野生型的单点突变。通常我们会选择排名前20-50的突变进入下一轮。2. 上位效应感知的组合设计这是区别于传统方法的核心。我们不能简单地将前N个单点突变随机组合。Arc Institute的方法建议如下构建双突变体矩阵从前一步筛选出的单点突变中选择10-15个最有希望的“种子突变”。理论上它们之间需要构建所有可能的双突变组合C(10,2)45到C(15,2)105个。这些双突变体将是实验测量上位效应的基础。计算指导的采样为了进一步减少初期实验负担可以使用模型先对这几十个双突变体进行预测。虽然此时模型尚未经上位效应校准预测可能不准但可以排除掉一些预测极差的组合。最终选择20-40个预测结果多样有的预测协同有的预测拮抗的双突变体进行实际构建和测试。设计原则这一阶段的目标不是找到最终答案而是生成一个信息量最大化的实验集合用于揭示蛋白质内部的相互作用模式。因此选择的突变体和组合应覆盖不同的空间位置和化学性质变化。3.3 第三阶段湿实验验证与数据生成计算设计需要实验数据来验证和反馈。这个阶段要求精准和通量化。1. 突变文库构建根据第二阶段的设计列表通过定点突变PCR或基因合成的方法构建包含野生型、所有选择的单点突变体、所有选择的双点突变体的质粒库。推荐使用Golden Gate或Gibson组装等高效克隆方法并尽量做到“一管一突变”避免文库复杂度带来的偏差。转化表达宿主如大肠杆菌、酵母以单克隆形式在96孔深孔板中培养。每个突变体应有至少2-3个生物学重复。2. 高通量功能检测建立或优化一个适用于96/384孔板的功能检测方法。这可能是吸光度/荧光法用于检测酶促反应产物。细胞生长筛选如果功能与细胞生存相关。基于结合的报告系统如ELISA、AlphaScreen等。关键操作实验必须包含严格的对照野生型、空载体、无细胞对照等并且所有孔板的处理条件诱导时间、温度、裂解条件、检测时间必须高度均一。数据需要经过归一化处理通常以野生型的活性为100%基准计算各突变体的相对活性。3. 数据质量评估计算生物学重复之间的相关性皮尔逊R 0.8通常可接受和变异系数CV。检查野生型对照在各个板间的稳定性。数据质量直接决定模型校准的成败。3.4 第四阶段模型校准与迭代优化这是将实验数据转化为智能的关键一步完成从“学习”到“设计”的闭环。1. 上位效应模型校准将获得的实验数据单点和双点突变体的活性作为新的训练集。采用一个明确包含上位效应项的模型来拟合这些数据。一个常用且有效的模型是高斯过程回归其协方差函数核函数可以设计为同时考虑单点效应和双点交互效应。也可以使用简单的线性模型加上交互项但对于复杂的非线性相互作用高斯过程更具灵活性。模型校准后它就从一个“单点效应预测器”升级为一个“考虑相互作用的组合效应预测器”。2. 预测与新一轮设计使用校准后的模型对所有可能的三点、四点甚至更高阶的组合进行虚拟预测。模型会考虑所有已测突变之间的相互作用推断出新组合的效果。从预测结果中选出排名最高的、尚未测试的多个高阶突变体例如3-4个突变组合。这些是模型认为最有可能出现协同效应的“精英候选”。3. 迭代循环构建并测试这批新的高阶组合突变体。将得到的新实验数据加入训练集重新校准模型。这个过程可以重复2-3轮。每一轮模型都因为吸收了新的实验数据而变得更“聪明”其预测也越发精准引导实验快速逼近性能顶峰。通过这个四步循环我们通常能在2-3轮实验内找到需要传统方法5-10轮大规模筛选才能获得的优质突变体将开发周期从数月缩短到数周。4. 工具链与实战技巧工欲善其事必先利其器。下面推荐一套从计算到实验的完整工具链并分享一些实战中积累的技巧。4.1 计算与建模工具栈环节推荐工具/平台用途与说明序列分析与模型ESM (PyTorch)Meta官方实现支持ESM-2等模型。用于提取序列嵌入和零样本预测。Hugging Facetransformers方便地加载和使用ESM等预训练模型。ProteinMPNN用于基于结构的序列设计可与语言模型互补。数据管理与微调PyTorch Lightning简化模型训练代码结构非常适合科研原型开发。Weights Biases (WB)实验跟踪、超参数调优和结果可视化的神器强烈推荐用于管理多轮微调实验。上位效应建模GPyTorch构建高斯过程回归模型的PyTorch库灵活且高效。scikit-learn包含多种回归模型可用于实现带交互项的线性模型等基线方法。突变体设计自定义Python脚本核心。需要编写脚本自动化完成序列变异生成、模型批量评分、组合设计、上位效应分析等。实验设计Benchling电子实验笔记本完美管理克隆方案、序列信息、样品追踪。Snakemake/Nextflow如果需要处理大规模的计算流程如对数千个突变体进行预测使用工作流管理工具可以使流程可重复、可扩展。关键脚本示例概念性 假设我们有一个微调好的模型model和一个目标序列wild_type_seq。import itertools import torch def generate_single_mutants(sequence): 生成所有可能的单点突变体序列 mutants [] positions [] for i, wt_aa in enumerate(sequence): for mut_aa in ACDEFGHIKLMNPQRSTVWY: # 20种标准氨基酸 if mut_aa ! wt_aa: mut_seq sequence[:i] mut_aa sequence[i1:] mutants.append(mut_seq) positions.append((i, wt_aa, mut_aa)) return mutants, positions def predict_with_model(model, sequence_list): 使用模型批量预测序列功能分数 # 此处简化实际需根据模型输入要求进行tokenize和编码 # 例如使用ESM的嵌入作为特征 embeddings get_esm_embeddings(sequence_list) with torch.no_grad(): predictions model(embeddings) return predictions.numpy() # 主流程 wild_type_seq MKTV... single_mut_seqs, mut_info generate_single_mutants(wild_type_seq) scores predict_with_model(model, [wild_type_seq] single_mut_seqs) wild_type_score scores[0] mutant_scores scores[1:] # 计算相对分数并排序 relative_scores mutant_scores - wild_type_score ranked_indices np.argsort(-relative_scores) # 降序排列4.2 实验操作避坑指南湿实验环节是数据质量的基石这里有几个容易踩坑的地方1. 克隆与表达均一性坑不同突变体的表达量差异巨大导致测到的活性差异主要源于蛋白量而非蛋白本身功能。避坑使用强而一致的启动子和核糖体结合位点RBS。对于大肠杆菌系统考虑使用带有严格转录控制如T7/lac的载体并优化诱导条件IPTG浓度、温度、时间。务必设置表达量检测对照。可以在SDS-PAGE上跑一部分样品或者使用带有His/Strep等标签的蛋白进行微量定量如利用荧光染料或ELISA。将测得的活性除以相对表达量进行校正。2. 高通量检测的稳定性坑96孔板边缘效应、加样误差、酶标仪读数波动导致数据噪音大。避坑使用非边缘的孔放置样品边缘孔加满缓冲液或空白对照。采用自动化液体处理工作站进行加样减少人为误差。同一批实验的所有板使用同一台酶标仪、同一组参数在短时间内完成读数。在每块板上都包含从高到低不同浓度的野生型蛋白作为标准曲线用于板间校正。3. 数据归一化与处理坑直接使用原始吸光度或荧光值进行比较忽略了背景和本底差异。避坑所有读数均减去无细胞裂解液或仅含底物的背景孔数值。将突变体的信号值除以同一板上野生型对照的平均值或中位数得到相对活性百分比。这能有效抵消板间差异。对生物学重复的数据建议取中位数而非平均数以减少异常值的影响。5. 常见问题与解决方案实录在实际操作中你肯定会遇到各种问题。下面是我和同行们踩过的一些坑以及解决办法。问题现象可能原因排查步骤与解决方案模型预测结果与实验数据严重不符1. 微调数据集太小或质量差如全是无效突变。2. 模型架构或训练超参数不适合。3. 实验检测方法本身波动大数据不可靠。1.检查数据可视化微调数据集中序列-活性的分布确保包含正负样本。考虑补充更多文献数据或进行一轮小规模随机突变实验获取数据。2.简化模型先从线性模型或浅层神经网络开始看是否能拟合数据。确保没有过拟合。3.验证实验重复测试野生型和几个关键突变体计算实验方法本身的重复性CV值。优化实验protocol。双突变体实验后模型校准效果不佳无法预测高阶组合1. 上位效应过于复杂非线性简单的交互项模型如线性交互无法捕捉。2. 双突变体数据量不足或覆盖的相互作用组合不够有代表性。3. 测量误差掩盖了真实的相互作用信号。1.升级模型从线性模型切换到高斯过程回归GPGP的非参数特性更能捕捉复杂模式。尝试不同的核函数组合如RBF 多项式。2.优化设计回顾双突变体的选择。是否覆盖了蛋白质的不同区域下次迭代时可以基于第一轮结果在预测相互作用强的区域加密采样。3.提高数据质量增加双突变体的生物学重复次数如4-6次使用更精确的检测方法如改用荧光底物或LC-MS定量。找到的“最优”突变体表达量极低或不溶语言模型主要优化“功能”但可能忽略了折叠稳定性和可溶性。1.联合优化在微调模型时除了功能分数尝试加入稳定性预测分数作为多任务学习的目标。可以使用预测稳定性变化的工具如FoldX, Rosetta ddG生成稳定性标签。2.后过滤在计算筛选出的Top突变体中用快速稳定性预测工具如ESM-IF1的逆折叠评分过滤掉可能不稳定的设计。3.实验补救尝试更换表达宿主如从大肠杆菌换到酵母或降低培养温度、添加分子伴侣共表达。迭代多轮后性能提升进入平台期1. 序列空间探索可能陷入了局部最优。2. 现有突变组合已接近该蛋白质框架下的理论极限。1.引入多样性在每一轮的设计中不要只选择预测分数最高的前几个可以随机加入少量预测分数中等但序列差异大的突变体增加探索广度。2.考虑骨架变化如果单点/多点突变已无法提升可能需要考虑更激进的改造如结构域嫁接、loop区重建。此时可结合AlphaFold2进行结构预测指导设计。3.重新审视目标是否功能检测方法本身到了极限是否需要换用更灵敏的检测手段最后我想分享一点最深的体会这套方法最强大的地方不在于它总能一击即中地找到那个“超级突变体”而在于它极大地提高了实验的“信噪比”。传统定向进化中超过99%的实验资源可能都浪费在了无效或有害的突变体上。而现在通过计算前置筛选我们能确保进入实验流程的大部分都是有希望的候选者。这使得每一次实验都信息量十足无论是成功还是失败的数据都能用于反馈和优化模型。它把蛋白质工程从一个试错密集型的手艺转变为一个数据驱动、理性与随机性巧妙结合的现代工程学科。开始实践时不要追求一步到位从一个小的、定义清晰的目标蛋白开始积累第一批高质量的数据你会惊讶于这个循环能多快转起来。