机器学习简化蛋白质工程，提升性能

美国 - 艾赫巴里通讯社

机器学习通过MULTI-evolve框架革新蛋白质工程

在一项重大的科学进展中，研究人员推出了一种名为MULTI-evolve的创新机器学习框架，有望彻底改变蛋白质工程领域。该创新系统旨在极大地加速和简化高性能蛋白质的开发过程，这些蛋白质是各种应用的关键组成部分，从救命药物到洗涤剂和生物燃料等日常消费品。

历史上，优化蛋白质功能的过程一直是一项复杂而艰巨的任务。它通常涉及对氨基酸序列进行多次调整，对每次修改进行实验室测试，并仔细分析结果以确定所需的改进。然而，多个突变之间的复杂相互作用使得预测最终结果成为一项艰巨的挑战，通常需要大量的试错实验。加州大学伯克利分校的生物工程师帕特里克·徐博士（Dr. Patrick Hsu）将这一详尽的过程恰当地描述为“一个非常高维度的搜索问题，我们实际上是在猜测和检查”。

MULTI-evolve为这一长期存在的挑战提供了一个强有力的解决方案。该框架不依赖于传统的实验方法，而是巧妙地将实验室实验与先进的机器学习算法相结合，以预测具有多个同时突变的蛋白质的性能。MULTI-evolve的核心优势在于其解读各种突变之间复杂相互作用的能力，这是实现蛋白质功能显著增强的关键因素。

MULTI-evolve工作流程通过三个步骤进行。首先，研究人员利用现有数据或采用机器学习技术来预测单个氨基酸取代对蛋白质功能的影响。其次，为了理解这些突变如何相互影响，在实验室中合成了系列蛋白质，每个蛋白质都包含一对潜在的突变。然后通过实验评估它们的性能。最后，这些经验数据被用来训练一个机器学习模型，该模型能够预测具有五个或更多突变的靶向蛋白质的功效，从而消除了对每种可能组合进行详尽测试的需要。

MULTI-evolve的有效性已通过对三种不同蛋白质进行的严格测试得到证明。其中包括与自身免疫性疾病相关的抗体以及在尖端CRISPR基因编辑技术中使用的蛋白质。在每种情况下，该模型都成功地识别出在实验室分析中性能明显优于原始蛋白质的突变组合，突显了其识别协同修饰集的能力。

这一突破为众多应用打开了大门。徐博士强调了两个特别有前景的方向：利用工程蛋白质跟踪细胞内其他分子的运动，以及为患有酶缺乏症的个体开发更优越的基因疗法。徐博士表示：“我们对这项工作感到兴奋。我认为，这项技术如何真正改变科学实践，引起了极大的兴趣。”

MULTI-evolve框架代表了蛋白质工程领域的重大飞跃，为科学家提供了一个强大的工具，使他们能够以前所未有的效率和速度设计出功能得到增强的蛋白质。这一进步不仅加速了科学发现的步伐，而且还为满足日益增长的社会需求铺平了新的治疗干预和先进工业产品之路。

艾赫巴里通讯社