NBT |?Han Xiao/Xiongyi Huang開(kāi)發(fā)Sequence Display：用大規(guī)模數(shù)據(jù)集推動(dòng)蛋白質(zhì)快速進(jìn)化

蛋白質(zhì)工程正越來(lái)越多地走向“數(shù)據(jù)驅(qū)動(dòng)”。然而，一個(gè)長(zhǎng)期存在的瓶頸是：我們往往知道哪些變體在篩選后勝出，卻難以系統(tǒng)地獲得覆蓋高活性、低活性乃至無(wú)活性變體在內(nèi)的完整“序列-活性”數(shù)據(jù)。缺少這類高質(zhì)量、大規(guī)模數(shù)據(jù)集，蛋白質(zhì)語(yǔ)言模型等人工智能工具就很難真正學(xué)會(huì)蛋白序列與功能之間的精細(xì)對(duì)應(yīng)關(guān)系。

近日，萊斯大學(xué)Han Xiao課題組與約翰霍普金斯大學(xué)Xiongyi Huang課題組合作，在Nature Biotechnology發(fā)表研究論文Sequence Display enables large-scale sequence–activity datasets for rapid protein evolution，報(bào)道了一種名為 Sequence Display 的新技術(shù)。該平臺(tái)能夠在單輪實(shí)驗(yàn)中高效構(gòu)建大規(guī)模蛋白質(zhì)序列-活性數(shù)據(jù)集，并進(jìn)一步結(jié)合預(yù)訓(xùn)練蛋白質(zhì)語(yǔ)言模型，實(shí)現(xiàn)對(duì)蛋白功能景觀的精細(xì)刻畫(huà)和高效進(jìn)化。

傳統(tǒng)定向進(jìn)化 (directed Evolution) 的核心邏輯，是在“構(gòu)建突變體-篩選-再優(yōu)化”的循環(huán)中不斷尋找性能更好的蛋白。但這類方法往往依賴多輪篩選，實(shí)驗(yàn)成本高、周期長(zhǎng)，而且更容易富集“贏家”，卻難以保留大量低活性或中等活性變體的信息。深度突變掃描等高通量方法雖然顯著提高了效率，本質(zhì)上仍然更偏向于富集高活性變體，難以還原完整的蛋白活性景觀。對(duì)于今天越來(lái)越依賴機(jī)器學(xué)習(xí)的蛋白工程來(lái)說(shuō)，這恰恰是最關(guān)鍵的數(shù)據(jù)缺口之一。

Sequence Display 的巧妙之處，在于把蛋白活性轉(zhuǎn)化成了一個(gè)可以被測(cè)序直接讀取的分子記錄過(guò)程。研究團(tuán)隊(duì)在目標(biāo)蛋白編碼序列附近引入 recording barcode，并將蛋白變體的活性與堿基編輯事件偶聯(lián)起來(lái)。換句話說(shuō)，某個(gè)蛋白變體活性越高，與其相連的 barcode 就會(huì)積累出越強(qiáng)的可測(cè)序突變信號(hào)；活性較低的變體則留下更弱的記錄。經(jīng)過(guò)高通量測(cè)序后，研究人員就能夠同時(shí)讀出每個(gè)變體的序列信息以及與之對(duì)應(yīng)的活性讀數(shù)，從而在單輪實(shí)驗(yàn)中建立起大規(guī)模、可定量的序列-活性數(shù)據(jù)集。更重要的是，通過(guò)設(shè)置多個(gè) barcode，Sequence Display 還可以在同一輪實(shí)驗(yàn)中并行分析蛋白變體在不同底物或不同特異性條件下的表現(xiàn)。

為了驗(yàn)證這一平臺(tái)的普適性，研究團(tuán)隊(duì)在多個(gè)蛋白體系中完成了測(cè)試，包括 UGI、胞嘧啶脫氨酶 rAPOBEC1、氨酰-tRNA 合成酶 Mb PylRS(IPYE) 以及緊湊型基因編輯工具 SlugCas9。研究中最突出的一個(gè)應(yīng)用，是圍繞 SlugCas9 構(gòu)建跨不同 PAM 條件的大規(guī)模序列-活性數(shù)據(jù)集。SlugCas9 由于蛋白尺寸較小，具有更好的遞送潛力，但其應(yīng)用長(zhǎng)期受限于較窄的 PAM 識(shí)別范圍。借助 Sequence Display，研究團(tuán)隊(duì)不僅能夠在單次實(shí)驗(yàn)中同時(shí)評(píng)估大量 SlugCas9 變體對(duì)多種 PAM 的活性，還進(jìn)一步把這些數(shù)據(jù)與 ESM-2、SaProt 等預(yù)訓(xùn)練蛋白質(zhì)語(yǔ)言模型結(jié)合起來(lái)，對(duì)更大范圍的變體空間進(jìn)行推斷和排序。

Sequence Display 的價(jià)值并不只是“更快篩選到幾個(gè)好變體”，而在于它為 AI 模型提供了分辨率足夠高、規(guī)模足夠大、且與具體功能讀數(shù)一一對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)。基于這些數(shù)據(jù)，研究團(tuán)隊(duì)得以重建 SlugCas9 的精細(xì)活性景觀 (Activity Landscape)，并從數(shù)百萬(wàn)潛在變體中鎖定多種高性能候選。實(shí)驗(yàn)驗(yàn)證表明，多種預(yù)測(cè)得到的 SlugCas9 變體在多個(gè) PAM 條件下都表現(xiàn)出優(yōu)于野生型的活性，其中部分變體還超過(guò)了此前通過(guò)噬菌體輔助進(jìn)化獲得的廣譜 PAM 變體，展示出數(shù)據(jù)驅(qū)動(dòng)蛋白進(jìn)化的顯著優(yōu)勢(shì)。

除基因編輯工具外，Sequence Display 在遺傳密碼子擴(kuò)展 (Genetic Code Expansion) 方向同樣展現(xiàn)出強(qiáng)大潛力。研究團(tuán)隊(duì)利用該平臺(tái)構(gòu)建了 Mb PylRS(IPYE) 在不同非天然氨基酸條件下的序列-活性數(shù)據(jù)集，并結(jié)合蛋白語(yǔ)言模型篩選出能夠識(shí)別多種非天然氨基酸的 aaRS 變體。這說(shuō)明，Sequence Display 不僅適用于某一種蛋白或某一類功能輸出，更有望成為連接實(shí)驗(yàn)平臺(tái)與人工智能模型的通用基礎(chǔ)設(shè)施，幫助研究人員更系統(tǒng)地描繪蛋白質(zhì)功能圖譜，并以更少輪次、更高成功率實(shí)現(xiàn)蛋白質(zhì)優(yōu)化。

從更廣泛的意義上看，這項(xiàng)工作的真正推進(jìn)之處，在于它回答了一個(gè)越來(lái)越重要的問(wèn)題：AI 驅(qū)動(dòng)的蛋白質(zhì)工程，最缺的究竟是什么？答案并不只是更大的模型，而是更好的數(shù)據(jù)。Sequence Display 讓蛋白活性的實(shí)驗(yàn)測(cè)量第一次能夠以較高通量、較高分辨率的方式與序列本身直接配對(duì)，為后續(xù)模型訓(xùn)練、功能預(yù)測(cè)和理性設(shè)計(jì)打下了堅(jiān)實(shí)基礎(chǔ)。對(duì)于基因編輯、合成生物學(xué)、蛋白藥物和分子診斷等領(lǐng)域而言，這樣的平臺(tái)型技術(shù)有望顯著縮短從“構(gòu)建文庫(kù)”到“發(fā)現(xiàn)優(yōu)選變體”的周期。

圖1｜Sequence Display 平臺(tái)流程總覽。A. Sequence Display 在單輪實(shí)驗(yàn)中把蛋白活性轉(zhuǎn)化為可測(cè)序信號(hào)，快速生成大規(guī)模序列-活性數(shù)據(jù)。B. 蛋白語(yǔ)言模型結(jié)合這些數(shù)據(jù)學(xué)習(xí)序列與功能的關(guān)系，并預(yù)測(cè)變體活性。C. 基于少量實(shí)測(cè)數(shù)據(jù)，模型可外推更大變體空間，篩選高活性候選并構(gòu)建活性景觀。

該研究由萊斯大學(xué)（Rice University）Han Xiao 課題組與約翰霍普金斯大學(xué)（Johns Hopkins University）Xiongyi Huang 課題組合作完成，。萊斯大學(xué)程麟棋（Linqi Cheng）、 研究助理 鄭昕哲（Xinzhe Zheng）和 研究生 江世宇（Shiyu Jason Jiang）為論文共同第一作者；Microsoft Research 的 Kevin K. Yang 為本研究中的機(jī)器學(xué)習(xí)建模與計(jì)算分析提供了重要支持 和指導(dǎo) 。

https://www.nature.com/articles/s41587-026-03087-3

Han Xiao ( https://xiao.rice.edu/ ) 現(xiàn)任萊斯大學(xué) SynthX 中心主任，并擔(dān)任化學(xué)系、生物科學(xué)系和生物工程系教授， 同時(shí)是 CPRIT Scholar in Cancer Research 。課題組擁有嶄新的實(shí)驗(yàn)室，一流的公共科研平臺(tái)和良好的工作環(huán)境。課題組研究方向包括：

? 基于ML蛋白質(zhì)進(jìn)化與工程：改造生命分子的積木。

? 基因密碼子擴(kuò)展：突破自然界的限制。

? 新型藥物遞送系統(tǒng)：開(kāi)發(fā)下一代骨、腦、淋巴靶向治療和基因療法。

? 新型疾病診斷：開(kāi)發(fā)下一代疾病診斷分子。

研究成果發(fā)表在 Nature Chemical Biology, PNAS, JACS, Nature Biotechnology , Chem, Angew 等期刊上。實(shí)驗(yàn)室現(xiàn)有多個(gè)位置開(kāi)放，歡迎具有化學(xué)，生物化學(xué)，分子生物工程，化學(xué)工程，生物機(jī)器學(xué)習(xí)，藥學(xué)等相關(guān)專業(yè)背景的本科，碩士，及博士加盟。同時(shí)，對(duì)化學(xué)生物學(xué)、生物機(jī)器學(xué)習(xí)，有機(jī)合成、或生物醫(yī)學(xué)工程有熱情的本科生，歡迎申請(qǐng)暑期科研。

制版人： 十一

學(xué)術(shù)合作組織

（*排名不分先后）

戰(zhàn)略合作伙伴

（*排名不分先后）

轉(zhuǎn)載須知

【非原創(chuàng)文章】本文著作權(quán)歸文章作者所有，歡迎個(gè)人轉(zhuǎn)發(fā)分享，未經(jīng)作者的允許禁止轉(zhuǎn)載，作者擁有所有法定權(quán)利，違者必究。

BioArt

Med

Plants

人才招聘

點(diǎn)擊主頁(yè)推薦活動(dòng)

關(guān)注更多最新活動(dòng)！