返回列表

基于结构的蛋白质序列设计:让序列「学会」折叠

发布于 2026年11月4日

基于结构的蛋白质序列设计:让序列「学会」折叠

图1:基于结构的蛋白质序列设计:以真实蛋白结构(PDB 1UBQ)为约束,逆向设计氨基酸序列



蛋白质的功能由它的三维结构决定,而三维结构又由氨基酸序列决定。这套「序列→结构→功能」的链条,正是蛋白质工程的根基。但如果反过来——手里只「有」一个结构,要怎样「倒推」出能折叠成这个形状、并且有活性的序列?这就是基于结构的蛋白质序列设计(structure-based protein sequence design)要回答的问题。


一、为什么需要「基于结构」的序列设计

天然蛋白质的序列空间大得惊人:一个100个氨基酸的蛋白,就有20^100种可能,远超宇宙中原子数目。靠随机突变去碰运气,能命中「折叠且有用」序列的概率极低;传统定向进化往往需要成千上万次实验、昂贵的筛选,周期长、成本高。

相比「无脑」突变,结构提供了关键先验:什么位置要埋疏水、什么位置要朝外放极性、哪里要形成氢键、哪里要避开位阻。把这些约束变成求解目标,就能把海量序列空间压缩到可搜索的范围,这就是「结构导向」的价值。


二、从结构到序列:核心逻辑(原理/结构)

这本质是一个「反向折叠」(inverse folding)问题:正向是「序列→结构」,我们做的是「结构→序列」。由于同一个骨架通常可以容纳大量不同序列(序列简并性),设计的目标是在满足结构约束的前提下,挑出既能稳定折叠、又能带来目标功能的那些序列。

设计要满足的约束至少包括:疏水核心(hydrophobic core)的致密填充、表面极性残基与溶剂相互作用、主链和侧链的氢键网络、带电残基的静电与盐桥、氨基酸的位阻与二级结构偏好、以及潜在的配体/底物结合位点。传统方法用力场+旋转异构体库做「固定骨架再设计」,今天越来越多的模型用几何深度学习/图神经网络在残基图上建模这些关系。


Structural constraints decide which residue 'fits' each position hydrophobic core, polar surface, and charged sites.

 图2:结构约束决定每个位置「能放」什么残基:疏水核心、极性表面与带电位点


三、如何验证设计出来的序列(测定/选型)

生成序列只是第一步。一个「看起来合理」的序列,必须通过实验证明它能折叠、稳定,并且具有目标功能。验证通常分三层:

1)表达与折叠:能否在宿主(大肠杆菌、酵母、哺乳细胞等)中可溶表达;用圆二色(CD)、尺寸排阻(SEC)、热稳定性(Tm)等判断是否形成预期结构。2)结构与功能:用X射线/冷冻电镜/SAXS验证三维结构,用酶活、结合力(亲和力)、报告基因等读出功能。3)可生产性:可溶性、聚集风险、表达滴度、货架稳定性等,关系到能否规模化。

需要提醒:计算机预测的「打分高」不等于「实验可行」,必须把计算与实测结合,避免「预测即事实」的陷阱。因此在证据呈现上会严格区分【预测】与【实测】。


四、干湿闭环:设计—合成—表达—测定—再学习(条件/工艺)

真正高效的做法是「干湿闭环」:先用AI大批量生成候选序列(干),合成并表达测定(湿),再把实测数据回喂给模型,用主动学习(active learning)挑选下一批更有信息量的候选,如此循环,每轮都朝「高折叠、高活性、高可生产」逼近。

 

Dry-wet closed loop design—synthesize—express—measure—retrain.

图3:干湿闭环:设计—合成—表达—测定—再学习


五、MatwingsVenus®(晓鹜®)赋能

天鹜科技MatwingsVenus®(晓鹜®)把「结构」「AI」与「湿实验」串成一条完整闭环:VenusX平台承担基于结构的序列设计与评估,专家中心(Expert Center)提供机理判断与方案建议,湿实验服务完成合成、表达与测定,最终通过干湿闭环平台让数据回流、持续迭代。

对用户而言,这意味着不必在不同工具、服务商之间来回切换:给出目标结构或功能诉求,就能在一个闭环里完成「设计—验证—优化」,并拿到清楚区分的【预测】与【实测】证据,帮助判断下一步。


相关产品/ 服务

•湿实验服务  /zh/products/wet-lab

•专家中心(Expert Center)  /zh/products/expert-center

•干湿闭环平台  /zh/dry-wet-closed-loop-platform


六、常见问题

Q: 基于结构的蛋白质序列设计与定向进化有什么区别?

A:定向进化依赖「随机突变+高通量筛选」,在已有序列附近找改进,往往样本量大、周期长;基于结构的序列设计以结构为约束直接求解序列,再用干净的实验验证,二者可结合使用。

Q: 什么是反向折叠(inverse folding)?

A:反向折叠是「给定三维骨架、反推氨基酸序列」的问题;我们通常把「序列→结构」称作折叠(folding),反向的问题就是inverse folding。

Q: 没有实验结构,也能做基于结构的设计吗?

A:可以。结构本身可以是实验结构(PDB、冷冻电镜等)或预测结构(例如AlphaFold类模型)。但关键位点仍需用实验确认预测结构是否可信,预测结构应标注为【预测】。

Q: 设计出来的序列一定能折叠成目标结构吗?

A:不能保证。序列设计给出的是「高概率候选」,必须通过表达、折叠与功能实验确认;计算机打分是【预测】,需要用实测给出结论。

Q: 基于结构的蛋白质序列设计适合哪些场景?

A:适合酶改造、抗体/结合蛋白人源化与亲和力优化、新结合蛋白设计、材料与生物传感蛋白,以及在实验成本高时做「先算后做」的候选筛选。

Q: 为什么干湿闭环很重要?

A:因为单一计算无法覆盖真实生物体内的折叠与功能复杂性。把实测数据回喂模型、再用主动学习挑下一批,能显著提升每轮实验的信息量,减少无效试错。

Q: VenusX 会输出哪些证据?

A:一般会区分【预测】与【实测】:计算阶段给出结构合理性、稳定性、功能位点等预测;湿实验阶段给出表达、折叠、活性、稳定性等实测,便于判断后续投入。


七、总结

基于结构的蛋白质序列设计,把「结构」从「验证结果」变成「设计输入」,用AI在几何与化学约束下逆向求解序列,再靠干湿闭环反复验证与迭代。它让蛋白质工程从「大量试错」走向「先设计、再验证、再优化」的理性路径。

如果你正在为某个酶、抗体或结合蛋白的设计与验证发愁,欢迎把目标结构和功能诉求交给MatwingsVenus®(晓鹜®),用一个闭环完成设计与验证,并拿到清晰区分的【预测】与【实测】证据。

扫码加入交流群

扫码加入交流群