Nat. Commun.｜蛋白质语言模型+自动化生物铸造厂：高效蛋白质进化新策略

蛋白质工程通过改造蛋白质的结构和功能，为医学、化学、能源等多个领域带来创新和突破。然而，传统的蛋白质工程方法，如定向进化，虽然有效，但往往耗时且劳动强度大。

最近，浙江大学的Haoran Yu与Huajun Chen研究团队在《Nature Communications》上发表了一篇题为“Integrating protein language models and automatic biofoundry for enhanced protein evolution”的研究论文，提出了一种结合蛋白质语言模型和自动化生物铸造的新方法。

蛋白质工程的现状与挑战

蛋白质在生物体内扮演着多种关键角色，但由于其复杂的结构和功能，对蛋白质进行工程改造并非易事。传统的蛋白质工程方法，如定向进化，依赖于随机突变和高通量筛选来寻找具有期望特性的蛋白质变体。这种方法虽然能够取得一定的效果，但存在明显的局限性。首先，它需要大量的时间和人力来完成多轮的突变和筛选过程。其次，由于每次只引入一个突变，这种方法容易陷入局部最优解，限制了进一步的改进。此外，对于一些复杂的蛋白质，尤其是那些具有多种功能的酶，传统的定向进化方法可能无法有效地探索其序列空间，从而难以找到具有显著改进的变体。

蛋白质语言模型的崛起

近年来，随着机器学习技术的快速发展，蛋白质语言模型（Protein Language Models, PLMs）逐渐成为蛋白质工程领域的一个新兴工具。这些模型通过在大量蛋白质序列数据上进行训练，学习到了蛋白质结构和功能的基本原理。PLMs能够对蛋白质的序列-功能关系进行建模，并在没有先验知识的情况下，对特定蛋白质的变体进行“零样本”（zero-shot）优化。例如，PLMs已经在抗体亲和力成熟和酶功能优化等方面取得了显著的成果。然而，一个关键的问题是，这些从序列变异中学习到的通用进化信息是否足以在特定选择压力下高效地进化特定蛋白质。

自动化生物铸造的助力

与此同时，自动化生物铸造技术（Biofoundry）的发展为蛋白质工程提供了强大的实验支持。生物铸造通过整合高通量实验设备和机器人技术，实现了蛋白质变体的快速构建和测试。例如，PlasmidMaker就是一个用于自动化高通量质粒设计和构建的平台。此外，BioAutomata系统通过结合生物铸造和机器学习模型，实现了对番茄红素生物合成途径的自动化工程改造。然而，尽管生物铸造技术在合成生物学中得到了广泛应用，但在蛋白质工程中的应用仍然有限。

结合PLMs与自动化生物铸造的新策略

针对上述挑战，浙江大学的研究团队提出了一种新的蛋白质工程策略，将PLMs的预测能力和自动化生物铸造的高效操作相结合。他们开发了一个名为PLMeAE（Protein Language Model-enabled Automatic Evolution）的平台，该平台基于设计-构建-测试-学习（Design-Build-Test-Learn, DBTL）循环，实现了蛋白质工程的自动化。

在设计阶段，PLMs通过“零样本”学习方法生成蛋白质变体库。具体来说，研究团队开发了两个模块：模块I用于没有已知突变位点的蛋白质，通过预测单突变体的适应性来识别潜在的突变位点；模块II则针对已知突变位点的蛋白质，通过PLMs预测这些位点上的多突变体。在构建和测试阶段，自动化生物铸造设施负责合成这些蛋白质变体，并测试它们的功能。

最后，在学习阶段，通过将实验数据反馈给PLMs，训练一个适应性预测器，该预测器利用优化算法探索变体空间，为下一轮测试选择有前景的变体。这一过程不断迭代，直到开发出最优的蛋白质变体。

实验验证与成果

为了验证PLMeAE平台的有效性，研究团队以甲烷热球菌的p-氰基苯丙氨酸tRNA合成酶（pCNF-RS）为模型酶进行了实验。在四轮进化过程中，每轮设计96个变体，由自动化生物铸造设施构建和测试。结果显示，经过四轮进化，酶活性提高了2.4倍，整个过程仅用了10天。与随机选择和传统定向进化策略相比，PLMeAE系统表现出了显著的优越性，证明了其在工业应用中加速蛋白质工程的潜力。

研究意义与展望

这项研究不仅展示了PLMs在蛋白质工程中的巨大潜力，还证明了自动化生物铸造技术在高通量实验中的高效性。通过将两者相结合，PLMeAE平台为蛋白质工程提供了一种全新的、高效的方法。这种方法不仅能够加速蛋白质的进化过程，还能够提高进化结果的质量，为工业应用中的蛋白质优化提供了有力的支持。未来，随着PLMs的进一步发展和生物铸造技术的不断完善，这种方法有望在更广泛的蛋白质工程领域得到应用，为生物技术的进步带来更多的可能性。

参考

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