编辑丨

蛋白质是生活中的一种分子机器，可在能源，健康，甚至每日消费品（例如洗衣粉）中广泛使用。但是，即便如此，用于实际应用的工程蛋白仍然处于令人尴尬的情况，即非常缓慢，昂贵且技术较高的阈值。

伊利诺伊大学Urbana-Champaign大学提出了一个通用的自主酶工程平台，集成了大规模的语言模型和生物制造自动化，为许多行业带来了许多快速进步的范式，例如医学和生物技术。

这项研究的标题为“艺术智力驱动的自主能源ME工程的广义平台”，于2025年7月1日在《Nature Communications》发表。

纸张链接：https://www.nature.com/articles/s41467-025-61209-y

独立工程平台

传统的实验室效率取决于实验者的经验，手动实验任务是费力的，容易出现重复性问题，难以扩展，并且在处理大量数据集和高通量实验时变得越来越复杂。

与传统计算技术相比，AI驱动的系统可以更有效地探索巨大的多维空间，而机器人和自动化可以更快，更可靠地执行实验，具有更好的可扩展性和更高的吞吐量。

在生物学中，独立的实验尚未成熟，许多独立的实验平台还处于其起步阶段。通用平台的可伸缩性和适应性使其成为优先开发目标。这项研究的实验团队希望以蛋白质工程为例来促进合成生物学的创新。

在这项实验中，团队将酶作为主要研究方向。通过迭代设计，构造，测试和学习（DBTL）周期，酶可以变得更稳定，更具选择性或更有效。

该团队推出了一个由伊利诺伊州生物制造厂（IBIOFAB），机器学习（ML）和大语言模型（LLMS）支持的通用自主酶工程平台。由于该平台仅需要蛋白质序列和定量适应性数据，因此可以应用于广泛的蛋白质。

作为概念的证明，实验者分别设计了拟南芥甲基转移酶（ATHMT）和Yersinia Plague Phytase（Ymphytase）的变体，并在4周内重复了四轮工程。治疗后的活性分别比野生型酶高16倍和26倍。每种酶只需要构建和表征少于500个变体即可。

实验设计和新见解

在基于机器学习的蛋白质工程中，对位置突变（SDM）产生的突变体的测序和验证通常会导致过程延迟。因此，团队设计了一种基于HIFI组件的突变方法，以消除过程中间的序列验证的需求并实现不间断的工作流程。

模块内的实验步骤是完全自动化的，几乎不需要手动干预。每个模块在IBIOFAB平台上单独编程，并仔细优化。工作流程自动化所有蛋白质工程步骤，包括突变体PCR，DNA组件等。

作为示例，以两种不同的酶，——ATHMT和YMPHYTase，展示了该平台的多功能性。

59.6的ATHMT变体和55的ymphytase变体超过了野生型基线性能，其中50和23的变体的性能分别更明显。无监督模型预测的最佳突变体是ATHMT的V140T，性能提高了2.1倍，而V141M YMPHYTASE的V140T则增加了2.6倍。

在验证中，团队观察到了一个有趣的现象：ML驱动的实验通常会产生令人惊讶的结果和意外的方向。

尽管S99T/V140T是第二轮最好的双重突变体，但含有S99T/V140T的三重突变体没有进入前100名。因此，该团队对此进行了实验验证，试图找出ML模型是否可以识别突变之间的协同作用。

在ATHMT修饰中，人类直觉倾向于结合已知的高活动突变，但AI预测非直觉的组合活性更好。 ——82的AI预测三重突变体显示出更好的活性，占第二轮突变体的11。

实验已经观察到，在整个工程周期中，目标变体的活性增加了，并且比野生型具有更好的适应性。

对于ATHMT而言，每回合中表现最好的变体分别是粗裂解物测定法中的2.1次，3次，4.3次和5.1倍。对于ymphytase，每轮最佳性能的最佳性能分别比原油裂解物测定法中的wtphy好2.6次，7.5次，9次和11.1倍。

值得一提的是，在乙基转移酶活性方面，有两种ATHMT变体，前者比WTHMT高约16倍，而后者则是甲基碘化甲基的90倍。

所有这些夸张的数据都显示了此自主方法的工程应用值。

概括

研发团队开发了一个基于自然语言的用户界面，以帮助用户无需编程技能即可与蛋白质工程平台进行互动。使用OpenAI的助手API和自定义功能，Xiaobai还可以使用简单命令设计初始库。