PLD無細(xì)胞蛋白篩選能夠助力AI濕實(shí)驗(yàn)的閉環(huán)

更新時(shí)間：2026-03-11 點(diǎn)擊次數(shù)：21

隨著合成生物學(xué)的快速發(fā)展，一場(chǎng)由“干實(shí)驗(yàn)"（數(shù)據(jù)）與“濕實(shí)驗(yàn)"（實(shí)驗(yàn)）深度融合的革命正在悄然改變蛋白質(zhì)研發(fā)的游戲規(guī)則。如何快速、高效、按需地生產(chǎn)目的蛋白質(zhì)已成為全球科研界與產(chǎn)業(yè)界共同關(guān)注的焦點(diǎn)。

如今，兩項(xiàng)革命性技術(shù)——無細(xì)胞蛋白合成（CFPS）與人工智能（AI）正以未有的方式融合，為蛋白質(zhì)工程和酶設(shè)計(jì)帶來變革。這種強(qiáng)強(qiáng)聯(lián)合不僅極大加速了生物催化劑開發(fā)進(jìn)程，更重新定義了生物制造的可能性邊界。

一、CFPS：為AI量身打造的實(shí)驗(yàn)場(chǎng)

傳統(tǒng)的細(xì)胞內(nèi)表達(dá)系統(tǒng)雖已成熟，卻常受限于細(xì)胞膜屏障、毒性產(chǎn)物抑制、以及復(fù)雜的調(diào)控網(wǎng)絡(luò)。在此背景下，無細(xì)胞蛋白表達(dá)（CFPS）以其開放、靈活、快速的獨(dú)特優(yōu)勢(shì)，正從實(shí)驗(yàn)室的“小眾利器"躍升為下一代生物制造的核心平臺(tái)。CFPS允許研究人員直接操縱反應(yīng)環(huán)境，實(shí)時(shí)監(jiān)測(cè)蛋白質(zhì)合成過程，為蛋白質(zhì)工程研究提供未有的便利，使其天然具備了與AI協(xié)同的優(yōu)勢(shì)：

高度可控與模塊化： CFPS的反應(yīng)組分明確，可以像“搭積木"一樣進(jìn)行精確配比和調(diào)整。這種模塊化設(shè)計(jì)，為AI算法提供了理想的、低噪聲的變量。
快速迭代： 一次CFPS反應(yīng)通常在數(shù)小時(shí)內(nèi)即可完成，從基因到蛋白表達(dá)的周期被極大壓縮。這意味著AI驅(qū)動(dòng)的“設(shè)計(jì)-構(gòu)建-測(cè)試-學(xué)習(xí)"（DBTL）循環(huán)可以以未有的速度運(yùn)轉(zhuǎn)，迅速積累高質(zhì)量數(shù)據(jù)。
功能讀出： 開放的體系允許直接向反應(yīng)液中添加底物、熒光探針或報(bào)告分子，實(shí)現(xiàn)對(duì)蛋白產(chǎn)量、活性甚至折疊狀態(tài)的實(shí)時(shí)、原位檢測(cè)，為AI模型提供了豐富且直接的“學(xué)習(xí)標(biāo)簽"。

圖1：CFPS 自動(dòng)化工作流程

二、AI賦能CFPS：智能化設(shè)計(jì)-構(gòu)建-測(cè)試-學(xué)習(xí)閉環(huán)

以機(jī)器學(xué)習(xí)（ML）和大型語(yǔ)言模型（LLM）為代表的人工智能（AI）與CFPS技術(shù)的深度結(jié)合，創(chuàng)造了一個(gè)高效的設(shè)計(jì)-構(gòu)建-測(cè)試-學(xué)習(xí)（Design-Build-Test-Learn, DBTL）工作流程。這一閉環(huán)系統(tǒng)極大地加速了蛋白質(zhì)工程的發(fā)展進(jìn)程。

2.1 機(jī)器學(xué)習(xí)引導(dǎo)的酶工程創(chuàng)新

Grant M Landwehr等人開發(fā)了一種機(jī)器學(xué)習(xí)引導(dǎo)的無細(xì)胞酶工程平臺(tái)，成功實(shí)現(xiàn)了對(duì)酰胺鍵合成酶McbA的定向進(jìn)化。研究人員通過無細(xì)胞系統(tǒng)快速合成了1216種酶變體，并在10953個(gè)獨(dú)特反應(yīng)中評(píng)估了它們的底物偏好性。利用這些數(shù)據(jù)，團(tuán)隊(duì)構(gòu)建了增強(qiáng)嶺回歸模型，預(yù)測(cè)能夠高效合成9種小分子藥物的酶變體。

結(jié)果顯示，機(jī)器學(xué)習(xí)預(yù)測(cè)的酶變體相對(duì)于母體活性提高了1.6至42倍。這一突破性研究展示了機(jī)器學(xué)習(xí)與CFPS系統(tǒng)結(jié)合的強(qiáng)大潛力：機(jī)器學(xué)習(xí)提供預(yù)測(cè)能力，CFPS系統(tǒng)提供實(shí)驗(yàn)驗(yàn)證，二者形成良性循環(huán)，不斷優(yōu)化蛋白質(zhì)設(shè)計(jì)。

圖2：設(shè)計(jì)-構(gòu)建-測(cè)試-學(xué)習(xí)工作流程

2.2 AI模型的創(chuàng)新應(yīng)用

機(jī)器學(xué)習(xí)（ML）工具改變了蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)、工程和設(shè)計(jì)，但該方法的成功取決于算法訓(xùn)練數(shù)據(jù)的質(zhì)量。為了獲得高質(zhì)量的結(jié)構(gòu)或功能數(shù)據(jù)，通常需要蛋白質(zhì)純化，傳統(tǒng)的方法耗時(shí)耗力。

一項(xiàng)發(fā)表在ACS Synth Biol上的文章聚焦于蛋白酶的定向進(jìn)化，研究人員通過CFPS系統(tǒng)在6小時(shí)內(nèi)快速篩選了48個(gè)隨機(jī)變體來初步采樣適應(yīng)度景觀（一種模型），隨后用AI模型預(yù)測(cè)并測(cè)試了32個(gè)目標(biāo)變體。并結(jié)合蛋白酶活性檢測(cè)，快速評(píng)估數(shù)百種蛋白酶變異的功能，識(shí)別出多個(gè)活躍變體，并將蛋白酶的整體適應(yīng)度提升了4倍。

這意味著，研究人員可以突破“算得出卻做不到"的困境，創(chuàng)造出更多具有特殊功能的蛋白質(zhì)。這種基于AI模型的蛋白質(zhì)設(shè)計(jì)方法，為生物制藥等領(lǐng)域開拓了廣闊的創(chuàng)新空間。

圖3：工作流程

三、協(xié)同效應(yīng)：釋放CFPS未有的應(yīng)用潛能

AI與CFPS的強(qiáng)強(qiáng)聯(lián)合，正在催生一系列應(yīng)用場(chǎng)景，充分彰顯其“大有可為"的廣闊前景：

抗體發(fā)現(xiàn)與優(yōu)化：在抗體研發(fā)領(lǐng)域，傳統(tǒng)方法需要數(shù)周甚至數(shù)月時(shí)間。而通過CFPS技術(shù)在短時(shí)間內(nèi)就能表達(dá)和分析數(shù)百種抗體的抗原特異性結(jié)合情況。這一技術(shù)大大加速了抗體的發(fā)現(xiàn)和表征過程，讓抗體篩選從“蝸牛式"的緩慢進(jìn)程變成了“火箭式"的快速?zèng)_刺。我司的PLD無細(xì)胞蛋白合成篩選加速了AI與濕實(shí)驗(yàn)的閉環(huán)銜接，實(shí)現(xiàn)AI預(yù)測(cè)與實(shí)驗(yàn)驗(yàn)證的無縫融合，有效降低抗體開發(fā)的試錯(cuò)成本，提升研發(fā)效率。

四、未來展望

隨著CFPS和AI的不斷發(fā)展，這一融合領(lǐng)域呈現(xiàn)出幾個(gè)明顯趨勢(shì)：

一是模型精度不斷提升，從簡(jiǎn)單回歸模型向復(fù)雜神經(jīng)網(wǎng)絡(luò)演進(jìn)；

二是自動(dòng)化程度提高，全流程機(jī)器人工作站將進(jìn)一步減少人工干預(yù)；

三是應(yīng)用范圍擴(kuò)展，從單一酶優(yōu)化向復(fù)雜生物系統(tǒng)設(shè)計(jì)發(fā)展。

CFPS與AI的融合，正引生物技術(shù)領(lǐng)域邁向智能化、自動(dòng)化的新紀(jì)元。這一技術(shù)協(xié)同不僅解決了傳統(tǒng)蛋白質(zhì)工程中的瓶頸問題，更開創(chuàng)了生物制造的新范式。隨著技術(shù)的不斷成熟和普及，我們有理由相信，這種“AI預(yù)測(cè)設(shè)計(jì)+無細(xì)胞CFPS實(shí)驗(yàn)驗(yàn)證"的研發(fā)模式將在未來成為生物技術(shù)創(chuàng)新的主流路徑之一，為醫(yī)藥健康、綠色制造和可持續(xù)發(fā)展等領(lǐng)域貢獻(xiàn)重要力量。

參考文獻(xiàn)：

Landwehr, Grant M et al. “Accelerated enzyme engineering by machine-learning guided cell-free expression." Nature communications vol. 16,1 865. 20 Jan. 2025, doi:10.1038/s41467-024-55399-0.
Khalil, Mostafa M et al. “An AI-driven workflow for the accelerated optimization of cell-free protein synthesis." iScience vol. 28,10 113599. 19 Sep. 2025, doi:10.1016/j.isci.2025.113599.
Thornton, Ella Lucille et al. “Cell-Free Protein Synthesis as a Method to Rapidly Screen Machine Learning-Generated Protease Variants." ACS synthetic biology vol. 14,5 (2025): 1710-1718. doi:10.1021/acssynbio.5c00062.