自AlphaFold橫空出世以來(lái)，人工智能（AI）已經(jīng)徹底革新了結構生物學(xué)的研究現狀。除了預測蛋白質(zhì)結構，使用AI進(jìn)行從頭設計功能性蛋白質(zhì)分子亦已成為現實(shí)。今日，人工設計蛋白領(lǐng)域先驅David Baker教授在《自然》發(fā)布最新論文，其團隊所開(kāi)發(fā)出的AI軟件RFdiffusion能夠突破既往諸多蛋白質(zhì)設計限制，可根據需要“定制化”設計出包含高階對稱(chēng)結構等以往無(wú)法通過(guò)AI設計的蛋白質(zhì)。《自然》新聞稿指出，此AI模型可按需設計生物分子，將可能帶來(lái)變革性疫苗和藥物開(kāi)發(fā)的下一個(gè)時(shí)代。

(資料圖片)

過(guò)往蛋白質(zhì)設計的限制

在A(yíng)I時(shí)代來(lái)臨前，蛋白質(zhì)的設計主要是通過(guò)組合許多已知蛋白質(zhì)的功能性結構，例如酶蛋白的口袋所進(jìn)行。這種方式需要對蛋白如何折疊及其工作方式有清楚的了解，并需經(jīng)過(guò)多次反復的試驗確認，科學(xué)家有時(shí)甚至需在篩選數千種設計后才能識別可能符合條件的蛋白分子。

然而類(lèi)似于A(yíng)lphaFold這類(lèi)基于A(yíng)I蛋白結構預測模型的開(kāi)發(fā)打破了此一限制，科學(xué)家可以?xún)H通過(guò)氨基酸序列來(lái)預測蛋白結構，并據此從頭設計新的蛋白分子。其中一種方法是基于“幻想”（hallucination），即通過(guò)隨機建立氨基酸序列，然后經(jīng)由AlphaFold或RoseTTAFold等AI模型優(yōu)化，直至模型中的神經(jīng)網(wǎng)絡(luò )顯示其可能折疊成一特定的結構。

而另一個(gè)方法為“修復”（inpainting），即通過(guò)獲取一個(gè)蛋白質(zhì)序列或結構的指定片段，并使用AI模型構建分子周?chē)钠溆嗖糠?。然而無(wú)論是基于“幻想”或“修復”模型設計出的蛋白質(zhì)，能夠在實(shí)驗室中被制造、純化出具功能性蛋白質(zhì)的概率皆不高。此外，基于“幻想”的模型多僅可用于設計小型蛋白質(zhì)，而在使用“修復”模型時(shí)則需要輸入一長(cháng)串指定片段才能形成可能的蛋白質(zhì)。

基于能產(chǎn)生真實(shí)圖片的生成式神經(jīng)網(wǎng)絡(luò )模型來(lái)設計蛋白

為突破這些限制，科學(xué)家將像是Stable Diffusion、DALL-E和Midjourney等能產(chǎn)生真實(shí)圖片的神經(jīng)網(wǎng)絡(luò )AI模型融入蛋白設計當中。這類(lèi)模型被稱(chēng)之為去噪擴散概率模型（DDPMs）。Baker教授團隊將之與RoseTTAFold結合而產(chǎn)生新的RFdiffusion模型，并以?xún)Υ嬗诘鞍讛祿欤≒DB）中大量的真實(shí)蛋白質(zhì)圖像加以訓練。在生成全新蛋白質(zhì)時(shí)，RFdiffusion一開(kāi)始會(huì )產(chǎn)生許多“噪音”，即許多隨機氨基酸分類(lèi)，所生成的蛋白與原起始的蛋白結構相異，然后再通過(guò)漸進(jìn)式的“去噪”過(guò)程，便產(chǎn)生類(lèi)似于真實(shí)但全新的蛋白質(zhì)。

當Baker團隊在除了蛋白質(zhì)長(cháng)度之外沒(méi)有提供任何指示的情況下測試RFdiffusion時(shí)，該網(wǎng)絡(luò )產(chǎn)生了多樣化的、外觀(guān)逼真的蛋白質(zhì)，與PDB中訓練的蛋白質(zhì)都不相同。但研究人員亦可在“去噪”過(guò)程給予模型蛋白的生成條件以使之產(chǎn)生包括特定折疊，或能與另一分子表面結合的蛋白質(zhì)。通過(guò)RFdiffusion所設計出蛋白質(zhì)結構的準確性也經(jīng)過(guò)實(shí)驗驗證。在論文當中，一個(gè)通過(guò)RFdiffusion設計可與流感血凝素復合物結合的粘合劑，其冷凍電鏡結構（cryo-EM）與設計模型幾乎完全相同。

根據華盛頓大學(xué)官網(wǎng)，RFdiffusion模型勝過(guò)現有許多蛋白質(zhì)設計方法，包含蛋白質(zhì)結合劑設計、對稱(chēng)寡聚物設計、酶活性位點(diǎn)支架，以及用于治療和金屬結合蛋白質(zhì)設計的對稱(chēng)基序支架設計等。

目前為止，Baker團隊已利用RFdiffusion制造出了與癌癥、自身免疫疾病和其他病癥有關(guān)的蛋白質(zhì)強烈結合的蛋白質(zhì)。其中所設計出一強有力的結合劑能夠與難以靶向的免疫信號分子——腫瘤壞死因子受體相結合（數據尚未發(fā)表）。此外，該團隊也通過(guò)RFdiffusion設計出包含p53蛋白關(guān)鍵序列的蛋白，當將95種所設計的蛋白在實(shí)驗室純化出來(lái)時(shí)，有超過(guò)半數所設計的蛋白能與MDM2蛋白（p53蛋白的天然靶標）相結合，其中一個(gè)所設計出的蛋白質(zhì)與MDM2的結合強度甚至超過(guò)天然p53蛋白質(zhì)約1000倍。當研究人員試著(zhù)用基于“幻想”的AI模型進(jìn)行類(lèi)似實(shí)驗時(shí)發(fā)現，其所設計出的蛋白質(zhì)與MDM2結合的能力無(wú)法在實(shí)驗中被驗證。Baker教授稱(chēng)有10-20%由RFdiffusion設計的蛋白與他們預期靶標結合的強度足以有用，而此數值在早期、AI前的方法只有不到1%。

華盛頓大學(xué)的計算機生化學(xué)家，也是RFdiffusion的共同開(kāi)發(fā)者Joe Watson博士說(shuō)：“RFdiffusion正在拓寬我們可以制造結合劑蛋白質(zhì)的能力，并可開(kāi)發(fā)出有意義的療法?！?/p>

未來(lái)的挑戰

雖然RFdiffusion模型的開(kāi)發(fā)將從頭設計蛋白質(zhì)領(lǐng)域又往前推進(jìn)了一步，但在距離開(kāi)發(fā)有效療法的道路上仍有許多關(guān)卡需要克服。其中一項便是利用該模型設計更復雜的結合蛋白，如抗體或T細胞使用的蛋白受體，這些蛋白質(zhì)具有與其靶標互鎖的柔性環(huán)結構。目前RFdiffusion所設計出的蛋白結合劑皆為扁平界面。然而B(niǎo)aker教授表示他們已取得抗體蛋白設計的部分進(jìn)展。此外，除了與靶標蛋白結合，治療用的蛋白質(zhì)還需具備不與其他蛋白結合的專(zhuān)一性，以及具可大量生產(chǎn)的特性，這些不同的標準是未來(lái)開(kāi)發(fā)蛋白設計工具時(shí)所需納入考量的。

而這類(lèi)基于擴散模型的AI蛋白設計的另一個(gè)局限是它們無(wú)法制造出與天然蛋白質(zhì)有巨大差異的蛋白質(zhì)。這是由于A(yíng)I系統只接受現有蛋白質(zhì)圖像的訓練，因此傾向于制造類(lèi)似結構的蛋白質(zhì)。此外，研究人員亦正在探索是否可使用通俗易懂的語(yǔ)言文本描述來(lái)設計蛋白質(zhì)，類(lèi)似于喂給Midjourney等圖像生成工具的提示。Watson博士說(shuō)：“你可以想象，我們將能夠寫(xiě)出一種蛋白質(zhì)的描述，讓它們合成并進(jìn)行測試?！?/p>

華盛頓大學(xué)蛋白設計研究所首席戰略及運營(yíng)官Lance Stewart博士在今年的藥明康德全球論壇中指出，自從10年前與蛋白設計領(lǐng)域先驅David Baker教授相識后，人工智能在預測蛋白結構、設計蛋白藥物等方面取得了很大進(jìn)步。雖然仍有許多挑戰需克服，今日的論文無(wú)疑進(jìn)一步擴展了人工智能設計蛋白質(zhì)的策略，讓靶向更多靶點(diǎn)成為可能。讓我們期待這些蛋白設計上的進(jìn)步能早日轉化成為治療疾病的新藥好藥，為更多患者造福。

本文來(lái)源：藥明康德，原文標題：《《自然》重磅！顛覆蛋白設計，開(kāi)發(fā)藥物的新時(shí)代要來(lái)了？》

風(fēng)險提示及免責條款 市場(chǎng)有風(fēng)險，投資需謹慎。本文不構成個(gè)人投資建議，也未考慮到個(gè)別用戶(hù)特殊的投資目標、財務(wù)狀況或需要。用戶(hù)應考慮本文中的任何意見(jiàn)、觀(guān)點(diǎn)或結論是否符合其特定狀況。據此投資，責任自負。

關(guān)鍵詞：