像 AlphaFold 這樣的蛋白質結構預測工具，已經幫助我們深入了解了蛋白質如何相互作用從而發揮其功能，但這些工具無法創建新的蛋白質來直接控制這些相互作用。

現在，Google DeepMind 團隊推出了一種用于設計「與目標分子結合更緊密」的新型蛋白質的 AI 系統 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% 候選分子成功結合，這比其他方法高出 5 到 100 倍。而且，比現有最佳方法的結合親和力高出 3 到 300 倍。

僅需一輪中等通量篩選且無需進一步優化，AlphaProteo 便可生成適用于多種應用的「即用型」結合劑。它可以幫助科學家更好地了解生物系統如何運作，節省研究時間，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的分子之間的相互作用。好比鑰匙開鎖一樣，一種蛋白質可以與另一種蛋白質結合，幫助調節關鍵的細胞過程。

蛋白質-蛋白質相互作用是蛋白質功能的一個基本方面，蛋白質結合蛋白是治療、診斷和生物醫學研究的基本組成部分。

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

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

AlphaProteo 蛋白質設計系統

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

現在無需高通量篩選即可獲得針對某些靶標的計算設計結合物。在某些情況下，無需進行實驗優化即可實現高結合親和力，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 蛋白質設計系統，并表明它可以設計從頭蛋白質結合蛋白，該系統具有以下優勢：

1、高成功率：通過篩選數十種設計候選物可以獲得穩定、高表達和特異性的結合物，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，最佳結合劑具有亞納摩爾或低納摩爾結合親和力（K_D），從而最大限度地減少了下游親和力優化所需的勞動力。

3、整體優勢：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構和生化特性的靶標的結合劑。

圖示：AlphaProteo 概述。（來源：論文）

了解蛋白質相互結合的復雜方式

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

AlphaProteo 經過蛋白質數據庫 (PDB) 中的大量蛋白質數據和 AlphaFold 中的 1 億多條預測結構的訓練，已經了解了分子相互結合的無數方式。給定目標分子的結構和該分子上的一組首選結合位置，AlphaProteo 會生成一個候選蛋白質，該蛋白質在這些位置與目標結合。

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

在重要的蛋白質結合靶點上取得成功

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 系統具有極具競爭力的結合成功率和一流的結合強度。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合。

圖示：AlphaProteo 為其生成成功結合劑的七種靶蛋白的預測結構圖。藍色表示在濕實驗室中測試的結合劑示例，黃色是蛋白質靶點，深黃色突出顯示的是預期的結合區域。（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% 候選分子成功結合。根據測試的靶標，AlphaProteo 結合劑的結合力平均比現有最佳設計方法強 10 倍。

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

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，意味著結合蛋白與目標蛋白的結合越緊密。（來源：論文）

對多種蛋白質的驗證結果

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結合劑。

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

研究小組證實，這些結合劑的結合相互作用確實與 AlphaProteo 所預測的相似。此外，研究小組還證實了這些結合劑具有有用的生物學功能。例如，一些 SC2RBD 結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結合劑的初始實驗所需的時間。

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

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

開發更全面的蛋白質設計產品

蛋白質設計是一項快速發展的技術，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，到加速病毒爆發的診斷測試開發，支持更可持續的制造過程，甚至清除環境中的污染物。

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、結構生物學、生物化學和其他學科的研究人員合作，為社區開發負責任、更全面的蛋白質設計產品。

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、細胞和組織，賦予各種效應系統目標特異性等等。