像 AlphaFold 這樣的蛋白質(zhì)結(jié)構(gòu)預測工具，已經(jīng)幫助我們深入了解了蛋白質(zhì)如何相互作用從而發(fā)揮其功能，但這些工具無法創(chuàng)建新的蛋白質(zhì)來直接控制這些相互作用。

現(xiàn)在，Google DeepMind 團隊推出了一種用于設計「與目標分子結(jié)合更緊密」的新型蛋白質(zhì)的 AI 系統(tǒng) AlphaProteo。

在測試的 7 種靶蛋白上，AlphaProteo 的實驗成功率更高，在濕實驗室中測試中，9% 到 88% 候選分子成功結(jié)合，這比其他方法高出 5 到 100 倍。而且，比現(xiàn)有最佳方法的結(jié)合親和力高出 3 到 300 倍。

僅需一輪中等通量篩選且無需進一步優(yōu)化，AlphaProteo 便可生成適用于多種應用的「即用型」結(jié)合劑。它可以幫助科學家更好地了解生物系統(tǒng)如何運作，節(jié)省研究時間，推進藥物設計等等。

該團隊于 2024 年 9 月 5 日上線了最新論文《De novo design of high-affinity protein binders with AlphaProteo》。

論文鏈接：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/Protein_Design_White_Paper_2024.pdf

從細胞生長到免疫反應，身體中的每個生物過程都依賴于稱為蛋白質(zhì)的分子之間的相互作用。好比鑰匙開鎖一樣，一種蛋白質(zhì)可以與另一種蛋白質(zhì)結(jié)合，幫助調(diào)節(jié)關鍵的細胞過程。

蛋白質(zhì)-蛋白質(zhì)相互作用是蛋白質(zhì)功能的一個基本方面，蛋白質(zhì)結(jié)合蛋白是治療、診斷和生物醫(yī)學研究的基本組成部分。

傳統(tǒng)上，抗體、納米抗體和其他支架（如 DARPins）通過免疫或定向進化開發(fā)成針對各種靶標的結(jié)合物。不過，實驗選擇無法控制目標表位，而且對于常規(guī)研究應用來說往往過于費力。

不使用天然蛋白質(zhì)作為起點，從頭計算設計結(jié)合物可以靶向預先指定的表位，并生成比抗體更小、更熱穩(wěn)定且更易于表達的結(jié)合物。

AlphaProteo 蛋白質(zhì)設計系統(tǒng)

近期，基于深度學習的模型在生物分子結(jié)構(gòu)預測和蛋白質(zhì)設計方面取得了重大進展。這推動了關鍵科學和社會挑戰(zhàn)的進展，包括蛋白質(zhì)-蛋白質(zhì)相互作用的預測和設計。

現(xiàn)在無需高通量篩選即可獲得針對某些靶標的計算設計結(jié)合物。在某些情況下，無需進行實驗優(yōu)化即可實現(xiàn)高結(jié)合親和力，例如對于小肽或無序靶標。

然而，針對凸表位或極性表位的成功率仍然很低，初始設計的親和力通常很差，許多靶標仍然難以處理。

在最新的論文中，DeepMind 團隊介紹了 AlphaProteo 蛋白質(zhì)設計系統(tǒng)，并表明它可以設計從頭蛋白質(zhì)結(jié)合蛋白，該系統(tǒng)具有以下優(yōu)勢：

1、高成功率：通過篩選數(shù)十種設計候選物可以獲得穩(wěn)定、高表達和特異性的結(jié)合物，從而無需使用高通量方法。

2、高親和力：對于除一個目標之外的每個測試目標，最佳結(jié)合劑具有亞納摩爾或低納摩爾結(jié)合親和力（K_D），從而最大限度地減少了下游親和力優(yōu)化所需的勞動力。

3、整體優(yōu)勢：使用單一設計方法，無需復雜的人工干預，即可成功獲得針對一系列具有不同結(jié)構(gòu)和生化特性的靶標的結(jié)合劑。

圖示：AlphaProteo 概述。（來源：論文）

了解蛋白質(zhì)相互結(jié)合的復雜方式

能夠與靶蛋白緊密結(jié)合的蛋白質(zhì)結(jié)合劑很難設計。傳統(tǒng)方法耗時巨大，需要多輪大量的實驗室工作。在創(chuàng)建結(jié)合劑后，它們還需要進行大量額外的實驗從而優(yōu)化結(jié)合親和性。

AlphaProteo 經(jīng)過蛋白質(zhì)數(shù)據(jù)庫 (PDB) 中的大量蛋白質(zhì)數(shù)據(jù)和 AlphaFold 中的 1 億多條預測結(jié)構(gòu)的訓練，已經(jīng)了解了分子相互結(jié)合的無數(shù)方式。給定目標分子的結(jié)構(gòu)和該分子上的一組首選結(jié)合位置，AlphaProteo 會生成一個候選蛋白質(zhì)，該蛋白質(zhì)在這些位置與目標結(jié)合。

視頻1：預測的蛋白質(zhì)結(jié)合物結(jié)構(gòu)與靶蛋白相互作用的圖示。藍色部分是 AlphaProteo 生成的預測蛋白質(zhì)結(jié)合物結(jié)構(gòu)，旨在與靶蛋白結(jié)合。黃色部分是靶蛋白，具體來說是 SARS-CoV-2 刺突受體結(jié)合域。（來源：DeepMind 官網(wǎng)）

在重要的蛋白質(zhì)結(jié)合靶點上取得成功

為了測試 AlphaProteo，研究人員設計了針對各種靶蛋白的結(jié)合劑，包括兩種與感染有關的病毒蛋白 BHRF1 和 SARS-CoV-2 刺突蛋白受體結(jié)合域 SC2RBD，以及五種與癌癥、炎癥和自身免疫性疾病有關的蛋白 IL-7Rɑ、PD-L1、TrkA、IL-17A 和 VEGF-A。

AlphaProteo 系統(tǒng)具有極具競爭力的結(jié)合成功率和一流的結(jié)合強度。對于七個靶點，AlphaProteo 在計算機模擬中生成候選蛋白，這些蛋白在實驗測試時與目標蛋白緊密結(jié)合。

圖示：AlphaProteo 為其生成成功結(jié)合劑的七種靶蛋白的預測結(jié)構(gòu)圖。藍色表示在濕實驗室中測試的結(jié)合劑示例，黃色是蛋白質(zhì)靶點，深黃色突出顯示的是預期的結(jié)合區(qū)域。（來源：論文）

對于一個特定靶標，即病毒蛋白 BHRF1，在 Google DeepMind Wet Lab 中進行測試時，88% 候選分子成功結(jié)合。根據(jù)測試的靶標，AlphaProteo 結(jié)合劑的結(jié)合力平均比現(xiàn)有最佳設計方法強 10 倍。

對于另一個靶標 TrkA，新結(jié)合劑甚至比經(jīng)過多輪實驗優(yōu)化的針對該靶標的最佳先前設計結(jié)合劑更強。

圖示：與其他設計方法相比，AlphaProteo 針對七種目標蛋白的實驗體外成功率。成功率越高，意味著需要測試的設計越少，才能找到成功的結(jié)合體。（來源：論文）

圖示：與其他設計方法相比，AlphaProteo 的設計在未進行實驗優(yōu)化的情況下對七種目標蛋白的最佳親和力。親和力越低，意味著結(jié)合蛋白與目標蛋白的結(jié)合越緊密。（來源：論文）

對多種蛋白質(zhì)的驗證結(jié)果

研究人員除了在其濕實驗室中進行計算機驗證和測試 AlphaProteo 之外，還聘請了 Francis Crick 研究所的 Peter Cherepanov、Katie Bentley 和 David LV Bauer 研究小組來驗證其蛋白質(zhì)結(jié)合劑。

在不同的實驗中，他們深入研究了一些更強的 SC2RBD 和 VEGF-A 結(jié)合劑。

研究小組證實，這些結(jié)合劑的結(jié)合相互作用確實與 AlphaProteo 所預測的相似。此外，研究小組還證實了這些結(jié)合劑具有有用的生物學功能。例如，一些 SC2RBD 結(jié)合劑被證明可以防止 SARS-CoV-2 及其某些變體感染細胞。

AlphaProteo 的性能表明，它可以大大減少涉及廣泛應用的蛋白質(zhì)結(jié)合劑的初始實驗所需的時間。

然而，該人工智能系統(tǒng)有局限性，因為它無法針對第 8 個靶點 TNFɑ（一種與類風濕性關節(jié)炎等自身免疫性疾病相關的蛋白質(zhì)）設計成功的結(jié)合物。研究人員選擇 TNFɑ 來挑戰(zhàn) AlphaProteo，因為計算分析表明設計結(jié)合物非常困難。

接下來，該團隊將繼續(xù)改進和擴展 AlphaProteo 的功能，最終目標是解決這些具有挑戰(zhàn)性的靶點。實現(xiàn)強結(jié)合通常只是設計可能對實際應用有用的蛋白質(zhì)的第一步，在研發(fā)過程中還有更多的生物工程障礙需要克服。

開發(fā)更全面的蛋白質(zhì)設計產(chǎn)品

蛋白質(zhì)設計是一項快速發(fā)展的技術，在各個領域都具有巨大的科學進步潛力，從了解導致疾病的因素，到加速病毒爆發(fā)的診斷測試開發(fā)，支持更可持續(xù)的制造過程，甚至清除環(huán)境中的污染物。

未來，DeepMind 將與科學界合作，利用 AlphaProteo 解決有影響力的生物學問題并了解其局限性。他們還一直在 Isomorphic Labs 探索其藥物設計應用，并對未來的發(fā)展感到興奮。

該團隊將不斷提高 AlphaProteo 算法的成功率和親和力，擴大它可以解決的設計問題范圍，并與機器學習、結(jié)構(gòu)生物學、生物化學和其他學科的研究人員合作，為社區(qū)開發(fā)負責任、更全面的蛋白質(zhì)設計產(chǎn)品。

相信 AlphaProteo 將為許多生物應用開辟新的解決方案，例如控制細胞信號傳導，成像蛋白質(zhì)、細胞和組織，賦予各種效應系統(tǒng)目標特異性等等。