原文來源：學術頭條

圖片來源：由無界 AI生成

人工智能（AI）再次超越了人類，這一次，是在改造蛋白質方面——

人類科學家可能耗費 6-12 個月才能完成的任務，AI 只需要幾周時間，且無需人類干預、反饋或主觀判斷。

這是一個能對蛋白質進行工程改造的、由 AI 驅動的全自動機器人——SAMPLE，由來自威斯康星大學麥迪遜分校（University of Wisconsin–Madison）的研究團隊提出，是對無需人類干預的蛋白質設計和構建的一次概念驗證。

相關研究論文以“Self-driving laboratories to autonomously navigate the protein fitness landscape”為題，已發表在 Nature 子刊 Nature Chemical Engineering 的創刊號上。

研究團隊表示，SAMPLE 自動化並加速了科學發現過程，對蛋白質工程和合成生物學領域具有重要意義。

AI智能體，改造出了耐熱性更好的酶

蛋白質是地球上一切生命的物質基礎，參与細胞活動的每一個進程。

蛋白質設計，能夠創造出具有特定功能和特性的新蛋白質，已廣泛應用於生物技術、化學和醫學等領域，比如：

• 開發新型藥物和療法，特別是在癌症、心血管疾病、遺傳病治療等領域，也有助於疫苗的研發和個性化醫療；
• 創建用於生物製造的酶和其他生物催化劑，將原料高效地轉換為有用的產品，如生物燃料、藥物或食品成分；
• 提高農作物的抗病性、抗旱性和營養價值，進而提高農業生產力和食品安全；
• 降解環境中的污染物，如重金屬和有機污染物；
• 構建新型生物材料，如用於醫學工程的生物兼容材料，或具有獨特物理特性的高性能材料；
• 幫助科學家深入理解蛋白質的結構和功能關係，推動生物化學、分子生物學等領域的發展。

儘管蛋白質工程（Protein engineering）的應用潛力巨大，但創造一種具有改進或新功能的新型蛋白質，仍然是一個重複且費力的過程，人類科學家有時甚至需要耗費多年時間。

在生物系統的研究過程中，科學家通過假設生成、設計實驗驗證假設、在實驗室進行實驗並解讀數據來加深對系統的理解，然後再反覆迭代這一過程，從而逐步揭示生物機制並設計出性能和行為更優的新系統。

如今，AI 被用於自動化完成各行各業的工作，但由於生物性狀和實驗的複雜性，開發一個不休息、自動對蛋白質進行工程改造並能從產生的數據中學習的全自動系統，依然是一個難題。

據介紹，SAMPLE 由一個 AI 智能體驅動，可以學習蛋白質序列與功能之間的關係，設計新的蛋白質，並將這些蛋白質發送到一個完全自動化的機器人系統中，該系統實驗性地測試所設計的蛋白質，並提供反饋，從而提高 AI 智能體對系統的理解。

圖｜SAMPLE，一個完全自主的蛋白質工程系統。

為了測試該系統，研究人員使用 4 個 SAMPLE 智能體分別改造出了耐熱性更好的糖苷水解酶。儘管搜索行為不同，每個 SAMPLE 智能體最終都能發現熱穩定性更好的酶，比最初的起始序列至少穩定 12°C。

圖｜4 個 SAMPLE 智能體自主發現熱穩定性更好的酶。

一個通用的蛋白質工程平台

研究團隊表示，SAMPLE 是一個通用的蛋白質工程平台，可廣泛應用於生物工程和合成生物學領域。

儘管他們只展示了該系統在熱穩定性工程中的表現，但同樣的方法也可用於改造酶的活性、特異性，甚至創造自然界中未曾有過的化學反應。

與定向進化一樣，該系統不需要事先了解蛋白質結構或機理，而是採用一種無偏見的方法，研究序列變化如何影響功能。

然而，研究團隊也指出，為新的蛋白質功能建立 SAMPLE 的最大障礙是所需的生化檢測。這項工作中使用的機器人系統只能使用微孔板閱讀器，因此需要基於比色或熒光的檢測方法。

原則上，更先進的分析儀器，如液相色譜-質譜聯用儀或核磁共振光譜儀，可以集成到自動化系統中，從而擴大可設計的蛋白質功能類型。

另外，獲取資源延遲、機器人故障和系統宕機，也可能會影響該系統研發蛋白質的總耗時。

目前，研究團隊在 Strateos 雲實驗室上實施了完整的實驗流程，創造了一個經濟高效、易於使用的系統，可供其他合成生物學研究人員採納。

未來，諸如 SAMPLE 這樣的自主實驗室將徹底改變生物分子工程和合成生物學領域，使效率低下、耗時費力的蛋白質工程活動自動化，使得科研人員更加專註於重要的下游應用。

隨着深度學習、機器人自動化和高通量儀器的不斷髮展，用於科學發現的智能自動化系統將變得越來越強大。

論文鏈接：

https://www.nature.com/articles/s44286-023-00002-4