AI+自动化=10天“智造”新蛋白?浙大/腾讯联手打造蛋白质进化新范式!

新闻

作者：微信文章
🚀 当AI遇上生物学，会碰撞出怎样的火花？

传统的蛋白质改造就像大海捞针，耗时耗力。而现在，一个融合了顶尖AI模型和全自动实验室的“超级平台”横空出世，将蛋白质的进化速度提升到了一个全新的量级！

近日，浙江大学与腾讯AI Lab等机构的研究人员在国际知名期刊 Nature Communications 上发表重磅研究，推出一个名为 PLMeAE 的蛋白质语言模型赋能的自动化进化平台。该平台在短短 10天 内，就成功将一个关键酶的活性提升了 2.4倍！

---

Part 1：核心亮点：AI“设计师”与机器人“实验员”

简单来说，这篇文章的核心就是打造了一个用于蛋白质工程的“自动驾驶”系统。

🧠 AI设计师 (PLM): 负责动脑，预测哪些蛋白质突变能带来性能飞跃。
🤖 机器人实验员 (Biofoundry): 负责动手，快速、精准地完成实验验证。

AI设计 ➡️ 机器人验证 ➡️ 数据反馈给AI ➡️ 开启下一轮更优设计

这个高效的“设计-构建-测试-学习”闭环，让蛋白质进化实现了前所未有的自动化和高效率。

---

Part 2：研究背景：传统蛋白质工程的“痛点”

在介绍这个神奇的平台之前，我们先来看看为什么需要它。传统的蛋白质工程方法，真的太“南”了：

⏳ 耗时费力: 经典的定向进化方法依赖于大量的随机突变和筛选，周期长、人力成本高。
🤯 易陷局部最优: 进化路径通常是“小步快跑”，很容易陷入性能瓶颈，难以实现大的性能跨越。
🔬 依赖先验知识: 理性设计工具非常依赖研究人员的经验，对于未知领域则束手无策。
📉 数据瓶颈: 机器学习虽好，但获取大量、高质量的实验数据来训练模型本身就是个巨大的挑战。

正是为了解决这些痛点，PLMeAE 平台应运而生。它的目标就是：更快、更准、更自动化地找到性能更优的蛋白质！

---

Part 3：方法揭秘：PLMeAE平台如何运转？

PLMeAE平台的工作流程可以分为两大核心部分：
🧠 AI大脑：两大模块精准设计

整个平台的大脑是基于蛋白质语言模型（ESM-2）构建的两个智能设计模块。

模块一 (未知探索):
当面对一个我们不了解的蛋白质时，它能像一位经验丰富的专家，通过“零样本预测”在整个蛋白质序列上扫描，直接找出最有可能提升性能的“热点”突变位点。



应用场景： 对一个蛋白完全没有头绪？让它来帮你圈出重点！



模块二 (定点优化):
当已经知道哪几个位置是关键时，它会先智能地挑选一小批最多样、信息量最大的突变体进行首轮实验。然后，它会“学习”实验结果，训练出一个更懂这个蛋白的预测模型，从而在后续轮次中精准地设计出性能更强的组合突变。



应用场景： 已经有几个目标位点？让它来帮你找到“黄金组合”！

🤖 自动化工厂：高效执行与验证

AI设计出的蓝图，由生物铸造工厂（Biofoundry）来执行。这个自动化平台整合了液体处理工作站、PCR仪、自动化培养箱等设备。

从基因突变、细胞转化、培养到最终的活性数据分析，整个过程一气呵成，一个包含96个突变体的实验轮次仅需约 59小时，并且内置了多重质控和纠错机制，确保了结果的可靠性。

---

Part 4：成果展示：10天！见证一个酶的“超级进化”

为了验证平台的实力，研究团队选择了一个在生物医药领域应用广泛的tRNA合成酶（pCNF-RS）进行改造。
📊 模拟演习：小试牛刀

在实战开始前，团队先在一个公开的GB1蛋白数据集上进行了“模拟演习”。结果显示，该方法在4个虚拟轮次中就将蛋白活性提升了 5.2倍，证明了其巨大潜力！


🧬 实战开启：10天见证奇迹

在为期10天的实战中，平台表现惊人：

前三轮 (定点优化): 针对4个已知位点进行优化，酶的活性稳步提升，从第一轮的1.3倍提高到第三轮的 2.1倍。第四轮 (探索新位点): 当优化遇到瓶颈时，平台切换到模块一进行全局探索，成功地在蛋白的其他区域发现了一个全新的、意想不到的关键突变位点 E172D。

最终，这个新发现直接将酶的活性推高至野生型的 2.4倍！

🏆 成果斐然：不止是活性高！

进化出的最佳突变体 M-R4 不仅活性高，效果更是惊人：

产量飙升: 用它来生产含有非天然氨基酸的荧光蛋白，纯化后的蛋白产量是原始酶的 12.1倍！功能强大: 它不仅能高效地整合多种不同的非天然氨基酸底物，还能显著提升其他高价值蛋白（如转酮醇酶和纳米抗体）的表达量。

---

总结与展望

这项研究不仅为蛋白质工程领域提供了一个强大的自动化工具，更展示了 AI与生物实验深度融合 的未来方向。

从医药到化工，从农业到环保，一个能够快速“定制”高性能蛋白质的时代，正向我们走来。PLMeAE平台就像一个“蛋白质智造工厂”，让我们有理由相信，未来更多影响我们生活的超级蛋白，将以更快、更智能的方式被创造出来！

文献来源:
Zhang, Q., Chen, W., Qin, M. et al. Integrating protein language models and automatic biofoundry for enhanced protein evolution. Nat Commun 16, 1553 (2025). https://doi.org/10.1038/s41467-025-56751-8