在现代生物手艺中，设计具有理想特征的工程卵白质一直是一个追求的目的。例如，食物工业能从能在较高温度下增进生化反应的工程酶中受益，与自然酶相比，这可以节约劳动力、资金和时间等名贵资源。然而，开发具有期望特征的功效性卵白质的历程面临显著挑战。
现在的卵白质工程要领，如定向进化，主要依赖无意性来筛选出理想的卵白质变体。定向进化通过重复引入称为突变的卵白序列转变（迭代突变），然后快速筛选大宗变体卵白（高通量筛�。�。不出所料，这种要领既艰辛又效率低下。
为战胜这些限制，由中国科学院天津工业生物手艺研究所及合成生物学国家手艺立异中心的江会锋博士向导的研究团队开发了一种基于人工智能的卵白工程战略，名为“DeepEvo”。江博士进一步诠释说：“DeepEvo接纳深度进化战略，连系深度学习——一种模拟生物大脑功效的历程——和进化生物学的原理。”该研究于2024年3月20日在线揭晓在《BioDesign Research》杂志上。
研究职员将DeepEvo用于工程化一种名为甘油醛-3-磷酸脱氢酶（G3PDH）的酶，该酶在活细胞中通过糖酵解历程剖析葡萄糖爆发能量。团队在实验中验证了DeepEvo的效果，实现了凌驾26%的乐成率。
图1：体现deep - evo的框架和数据流的示意图。
在这项研究中，DeepEvo使用的数据包括了来自具有差别最佳生长温度（OGT）的生物体的序列以及具有所需功效的自然爆发序列� ？⒌腄eepEvo战略包括一个筛选器（Thermo-selector）和一个变异天生器（Variant-generator），用以爆发融合所需特征的功效性卵白序列。筛选器作为选择压力，富厚了所需的卵白序列，而变异天生器则爆发了这些序列——在本例中，是具有高温耐受性的G3PDH变体。带有OGT标签的序列训练了Thermo-selector，而带有所需功效的序列训练了Variant-generator。Thermo-selector过滤序列，指导Variant-generator。
值得一提的是，这项研究中使用的Thermo-selector基于一种卵白质语言模子——一种深度学习模子。这类模子在大宗真实天下卵白序列数据上举行训练，学习这些序列中固有的模式和特征。所开发的筛选器使用学习到的卵白序列体现，指导所需特征序列的天生和选择。
图2：评估 Variant-generator 天生的序列。
别的，研究职员通过涉及天生器和筛选器的迭代历程，在卵白序列中积累了高温耐受性特征。展望为高温耐受的序列的迭代刷新形成了序列天生的周期。江博士增补说：“DeepEvo所涉及的迭代历程模拟了自然选择的历程，其中功效性序列在一连几代中被青睐并积累，最终导致具有所需属性的卵白变体的生长。”
因此，研究职员通过湿实验室实验验证了展望的具有高温耐受性的卵白序列，并坚持功效性基序。从天生的30个序列中，他们获得了八种变体，从而突显了DeepEvo在工程高温耐受性卵白方面的高效性。
图3：通过DeepEvo天生的G3PDH高温耐受性评价。
展望未来，DeepEvo不但可以资助选择高温耐受性等多种感兴趣的特征。江博士指出：“我们可以将DeepEvo要领应用于工程化其他卵白质属性，如酸碱耐受性、催化活性和抗原亲和性，从而增进具有多种所需属性的新卵白的天生。”
因此，DeepEvo为高效的卵白工程铺平了蹊径，这要归功于江博士及其研究小组的起劲。定制所需特征的卵白的简朴高效生产可能很快就会成为现实。
杂志：BioDesign Research
DOI：10.34133/bdr.0031
