盛世君联

前沿速递|解锁蛋白稳定性的奥秘：前沿研究与变革性

9/19/2025 盛世君联

# 蛋白稳定性：生物技术的下一个风口

蛋白质驱动生命活动，但天然蛋白质在高温、有机溶剂或长期储存下易失活，限制了其在工业酶、抗体和诊断试剂中的应用。优化稳定性可提升效率、降低成本，助力高温催化或长效药物开发。本文聚焦2024年ProteinMPNN突破，结合2025年“亿年规则”和2023年RaSP模型，展示蛋白工程的最新进展。

# 蛋白工程的革命：最新突破与技术进展

图片

Recent advances on protein engineering for improved stability. ScienceDirect, 2025. DOI:10.1016/j.bidere.2025.100005 (opens new window)

2025年《ScienceDirect》综述总结了蛋白质稳定性优化的关键技术：

  • 祖先序列重构：推断更稳定的古代蛋白序列，作为工程骨架。
  • 定向进化：模拟自然选择，筛选高温或溶剂稳定的变体。
  • 深度学习：如ProteinMPNN和RaSP，预测突变影响，指导设计。

这些方法助力设计耐苛刻条件的蛋白质，应用于绿色化学酶、疗法和疫苗抗原（Nature Reviews Molecular Cell Biology, 2024）。

# AI驱动蛋白设计：ProteinMPNN的突破性进展

图片

# 2024年《JACS》研究 DOI:10.1021/jacs.3c10941 (opens new window)展示了ProteinMPNN的里程碑式进展。

图片

# 方法

  • 序列设计：结合UniRef进化数据和PDB结构（3RGK、1LVM），生成目标3D结构序列。
  • 功能保护：固定肌红蛋白血红素周围17个残基和TEV蛋白酶活性位点。
  • 骨架优化：用RoseTTAFold重构肌红蛋白环区域，筛选pLDDT > 85.0/87.5的设计。
  • 验证：在大肠杆菌中表达，纯化后测试稳定性（CD）和活性。

# 结果

  • 肌红蛋白：
    • 13/20设计表达量达原生4.1倍；
    • 6个在95°C保持折叠；
    • 5个维持血红素结合；
    • dnMb19晶体结构（PDB: 8U5A）与模型一致（RMSD 0.66 Å）。
  • TEV蛋白酶：
    • 129/144设计产量超父本（20.1 mg/L vs. 1 mg/L）；
    • 3个设计催化效率提升6.2–26倍；
    • hyperTEV60熔点84°C（+40°C）。

# 应用

ProteinMPNN高效优化肌红蛋白（生物标志物）和TEV蛋白酶（蛋白纯化），减少筛选成本，助力药物和催化剂开发。

# 快速预测蛋白稳定性：RaSP模型的创新

图片

# 2023年发表在 eLife 的研究 DOI:10.7554/eLife.86590 (opens new window)一种基于深度学习的快速蛋白质稳定性预测方法。

图片

# 方法

  • 模型架构：使用3D卷积神经网络（CNN）表示蛋白质结构，全连接神经网络（FCNN）预测突变引起的Gibbs自由能变化（ΔΔG）。
  • 训练数据：在2333个高分辨率蛋白质结构上进行自监督训练（63%分类准确率），并在35个蛋白质的饱和突变数据上进行监督训练。
  • 输入特征：100维结构表示、野生型和变体氨基酸的独热编码，以及氨基酸频率。

# 结果

  • 性能：在测试集上，Pearson相关系数为0.82，平均绝对误差（MAE）为0.73 kcal/mol，优于Rosetta等传统方法。
  • 速度：RaSP完成饱和突变预测仅需约0.4秒/位点，比Rosetta快480–1036倍。
  • 大规模预测：计算了人类蛋白质组约3亿个单氨基酸突变的ΔΔG值。
  • 疾病变体分析：致病性突变的ΔΔG中位数为1.4 kcal/mol，良性突变为0.54 kcal/mol，显示RaSP可区分致病与非致病变体。

# 应用与资源

RaSP可用于蛋白质组水平的稳定性预测和遗传疾病的分子机制分析。其开源工具 GitHub (opens new window) 和数据 DOI (opens new window) 为研究人员提供了便捷资源。

# 亿年规则：蛋白稳定性的古老奥秘

图片

# Albert Escobedo et al., Genetics, energetics, and allostery in proteins with randomized cores and surfaces. Science 389, eadq3948 (2025). DOI:10.1126/science.adq3948 (opens new window)

2025年7月发表在 Science 上的一项研究揭示了蛋白质稳定性的“亿年规则”，挑战了传统对蛋白质脆弱性的认识。

蛋白质更像“乐高”而非“珍嘉”，核心区域的改变是可预测的，且很少导致整体崩溃。

研究通过对FYN-SH3人类蛋白质域的数百万变体进行测试，发现进化在“宽容的景观”中运作，允许更大胆的设计。

算法测试了51,159个自然SH3序列，正确识别几乎所有序列为稳定，即使与人类版本的序列相似度低于25%。

这意味着蛋白质工程可以提出同时进行数十个改变的设计方案，减少试错，节省时间和资源。

# 从实验室到现实：蛋白稳定性优化的实际应用与未来展望

蛋白稳定性是蛋白工程领域的核心挑战，直接影响蛋白质药物、工业酶等产品的疗效与生产成本。近年来，人工智能、深度学习与高通量技术融合推动该领域取得重要突破，显著提升了蛋白质在苛刻条件下的稳定性，并大幅降低研发成本。

# 技术层面

在技术层面，蛋白稳定性的优化主要依赖于三大方向：

  1. 祖先序列重构：获得更稳定的蛋白骨架
  2. 深度学习模型（如ProteinMPNN、RaSP）：预测突变效应，指导理性设计
  3. 定向进化实验：筛选高性能变体

这些方法显著提升了蛋白在高温、有机溶剂等苛刻条件下的稳定性，并降低了研发成本。

# 盛世君联实践

盛世君联依托自有的三千亿级多样性真实生物药物库和大分子AI药物研发平台BioAI，致力于抗体早期药物的发现与优化。通过干湿实验结合的策略，盛世君联实现了对蛋白序列的快速设计与功能验证，将传统需2-3个月的实验周期缩短至24小时内，并保证了与传统实验相当的准确率。此外，公司正在构建万亿级抗体库，以进一步扩展AI模型的预测能力与设计边界。

# 应用层面

在应用层面，蛋白稳定性技术已广泛应用于抗体药物、工业酶和诊断试剂等领域。盛世君联通过BioAI平台，为多家企业提供了抗体优化及开发服务。

# 未来展望

未来，随着蛋白解析技术和AI多模态模型的深入整合，蛋白稳定性设计将更加精准，继续通过计算生物学与高通量实验平台相结合，推动该技术在生物医药领域的落地。

分享到：