David Baker最新Nature论文：AI从头设计出超强亲和力的结合蛋白

蛋白质设计领域先驱、华盛顿大学 David Baker 教授在 Nature 期刊发表了题为：De novo design of high-affinity binders of bioactive helical peptides 的研究论文。

这项研究报告了人工智能（AI）驱动的蛋白质从头设计的最新进展，从头设计和生成具有皮摩尔亲和力的螺旋肽靶标的结合蛋白，实现了直接通过计算生成、无需任何实验优化的最高亲和力。

该研究从头设计的高亲和力和特异性的蛋白质，使得甲状旁腺激素和胰高血糖素的富集和后续检测可以通过质谱进行，并构建了基于生物发光的蛋白质生物传感器。这些从头设计的结合蛋白，可以与各种具有挑战性的生物标志物结合，还能够用于开发更便宜的抗体替代品，对于对药物开发、疾病检测和环境监测等领域具有重要意义。

论文通讯作者 David Baker 教授表示，生成具有如此高亲和力和特异性的新型蛋白质的能力，从新的疾病治疗到先进的诊断，打开了一个新世界。

在这项研究中，David Baker 教授领导的研究团队，希望设计出能够结合胰高血糖素、神经肽Y、甲状旁腺激素以及其他螺旋肽靶点的蛋白质。这些蛋白类分子在生物系统中至关重要，但由于它们通常缺乏稳定的分子结构，因此药物和诊断工具很难识别。抗体可以用于检测其中某些靶点，但抗体的生产成本高且保质期有限。

研究团队指出， 现如今，有很多疾病很难治疗，仅仅是因为检测体内的某些分子非常具有挑战性。使用人工设计的蛋白质作为诊断工具，可能提供一种更具成本效益的替代抗体的选择。

2023年7月11日，David Baker 团队在 Nature 期刊发表了题为：De novo design of protein structure and function with RFdiffusion 的研究论文【2】。开发并描述了一种能从头设计全新蛋白质的深度学习方法——RFdiffusion，该方法能生成各种功能性蛋白质，包括在天然蛋白质中从未见过的拓扑结构。 

在这项最新研究中，研究团队提出了一种使用RFdiffusion的新方法，将其与团队之前开发的蛋白质序列设计工具ProteinMPNN相结合，从而实现比以往任何时候都更高效地创建功能性蛋白质。通过以新的方式组合这些工具，研究团队利用有限的靶标信息（例如肽的氨基酸序列）生成了其结合蛋白。这种“按需构建”（build to fit）的方法的广泛影响表明，生物技术进入了一个新时代，人工智能生成的蛋白质可以检测与人类健康和环境相关的复杂分子。

螺旋肽结合蛋白的设计策略

论文第一作者 Susana Vasquez-Torres 表示，我们正在见证蛋白质设计的一个激动人心的时代，先进的人工智能工具，例如我们的研究中所使用的那些，正在加速蛋白质活性的改善。这一突破将重新定义生物技术的前景。

论文第一作者：Susana Vasquez-Torres

通过与其他实验室合作，David Baker 团队进行了实验室测试以验证这种设计方法。质谱检测显示，这些从头设计的蛋白质可与人血清中的低浓度肽结合，从而展示了灵敏和准确的疾病诊断潜力。此外，这些蛋白质在包括高温在内的严酷条件下仍保持其目标结合能力，这对于在现实世界的应用至关重要。

为了进一步展示该方法的潜力，研究团队将设计生成的高亲和力的甲状旁腺激素结合蛋白集成到生物传感器系统中，并在含有目标激素的样本中实现了21倍的生物发光信号增加。这种在诊断设备中的集成突出了人工智能生成蛋白质的直接实际应用。

从头设计的结合蛋白在传感和检测中的应用

总的来说，这些从头设计的结合蛋白，可以与各种具有挑战性的生物标志物结合，还能够用于开发更便宜的抗体替代品，对于对药物开发、疾病检测和环境监测等领域具有重要意义。