Nature：利用人工智能构建出具有优异结合强度的蛋白

在一项新的研究中，来自美国华盛顿大学医学院等研究机构的研究人员报告了人工智能驱动的生物技术进步，对药物开发、疾病检测和环境监测具有重要意义。他们利用软件构建了能够以极高的亲和力和特异性与包括人类激素在内的多种具有挑战性的生物标志物结合的蛋白分子。相关研究结果近期发表在Nature期刊上，论文标题为“De novo design of high-affinity binders of bioactive helical peptides”。

值得注意的是，这些作者在计算机生成的生物分子与其靶标之间实现了有史以来最高的相互作用强度。论文通讯作者、华盛顿大学医学院生物化学教授David Baker强调了这项研究的潜在影响：“生成具有如此高的结合亲和力和特异性的新型蛋白的能力开辟了一个充满可能性的世界，从新的疾病治疗到先进的诊断。”

Baker实验室开始着手制造能与胰高血糖素、神经肽Y、甲状旁腺激素和其他螺旋肽靶标结合的蛋白。这些分子在生物系统中至关重要，但由于通常缺乏稳定的分子结构，药物和诊断工具很难识别它们。

抗体可用于检测其中一些具有医学意义的靶标，但其生产成本往往很高，而且保质期有限。论文共同第一作者、Baker实验室的Preetham Venkatesh解释说，“当今有许多疾病难以治疗，原因很简单，检测体内某些分子的难度很大。作为诊断工具，设计的蛋白可能成为更具成本效益的抗体替代品。”

这项新的研究介绍了一种使用先进深度学习方法的新型蛋白设计方法。这些作者给出了一种使用 RFdiffusion 的新方法，其中RFdiffusion 是一种用于构建新蛋白形状的生成模型，通常与序列设计工具 ProteinMPNN 结合使用。Baker实验室开发的这些程序使科学家们能以前所未有的效率构建出功能性蛋白。

通过以新的方式结合使用这些工具，这些作者利用有限的靶标信息，如肽的氨基酸序列，生成了结合蛋白。这种“按需构建”方法的广泛影响表明，人工智能生成的蛋白可用于检测与人类健康和环境相关的复杂分子，从而开创生物技术的新纪元。

图片来自Nature, 2024, doi:10.1038/s41586-023-06953-1。

论文共同第一作者、Baker实验室的Susana Vazquez-Torres指出，“我们正在见证一个令人兴奋的蛋白设计时代，在这个时代，先进的人工智能工具，如我们研究中的工具，正在加速改善蛋白的活性。这一突破将重新定义生物技术的格局。”

此外，这些作者还进行了实验室测试，以验证他们的生物设计方法。质谱法用于检测设计的蛋白与人体血清中的低浓度肽结合，从而展示了灵敏准确的疾病诊断潜力。再者，这些设计的蛋白在高温等恶劣条件下仍能保持与靶标结合的能力，这是实际应用中的一个关键属性。

为了进一步展示该方法的潜力，这些作者将高亲和性甲状旁腺激素结合剂整合到生物传感器系统中，使含有甲状旁腺激素的样本中的生物发光信号增加了 21 倍。这种与诊断设备的整合凸显了人工智能生成蛋白的直接实际应用。（生物谷 Bioon.com）

参考资料：

Susana Vázquez Torres et al. De novo design of high-affinity binders of bioactive helical peptides. Nature, 2024, doi:10.1038/s41586-023-06953-1.

AI generates proteins with exceptional binding strengths
https://phys.org/news/2023-12-ai-generates-proteins-exceptional-strengths.html