隨著合成生物學的快速發(fā)展，一場由“干實驗"（數(shù)據(jù)）與“濕實驗"（實驗）深度融合的革命正在悄然改變蛋白質(zhì)研發(fā)的游戲規(guī)則。如何快速、高效、按需地生產(chǎn)目的蛋白質(zhì)已成為全球科研界與產(chǎn)業(yè)界共同關(guān)注的焦點。

如今，兩項革命性技術(shù)——無細胞蛋白合成（CFPS）與人工智能（AI）正以未有的方式融合，為蛋白質(zhì)工程和酶設(shè)計帶來變革。這種強強聯(lián)合不僅極大加速了生物催化劑開發(fā)進程，更重新定義了生物制造的可能性邊界。

圖1：CFPS 自動化工作流程

2.1 機器學習引導的酶工程創(chuàng)新

Grant M Landwehr等人開發(fā)了一種機器學習引導的無細胞酶工程平臺，成功實現(xiàn)了對酰胺鍵合成酶McbA的定向進化。研究人員通過無細胞系統(tǒng)快速合成了1216種酶變體，并在10953個獨特反應中評估了它們的底物偏好性。利用這些數(shù)據(jù)，團隊構(gòu)建了增強嶺回歸模型，預測能夠高效合成9種小分子藥物的酶變體。

結(jié)果顯示，機器學習預測的酶變體相對于母體活性提高了1.6至42倍。這一突破性研究展示了機器學習與CFPS系統(tǒng)結(jié)合的強大潛力：機器學習提供預測能力，CFPS系統(tǒng)提供實驗驗證，二者形成良性循環(huán)，不斷優(yōu)化蛋白質(zhì)設(shè)計。

圖2：設(shè)計-構(gòu)建-測試-學習工作流程

2.2 AI模型的創(chuàng)新應用

機器學習（ML）工具改變了蛋白質(zhì)結(jié)構(gòu)預測、工程和設(shè)計，但該方法的成功取決于算法訓練數(shù)據(jù)的質(zhì)量。為了獲得高質(zhì)量的結(jié)構(gòu)或功能數(shù)據(jù)，通常需要蛋白質(zhì)純化，傳統(tǒng)的方法耗時耗力。

一項發(fā)表在ACS Synth Biol上的文章聚焦于蛋白酶的定向進化，研究人員通過CFPS系統(tǒng)在6小時內(nèi)快速篩選了48個隨機變體來初步采樣適應度景觀（一種模型），隨后用AI模型預測并測試了32個目標變體。并結(jié)合蛋白酶活性檢測，快速評估數(shù)百種蛋白酶變異的功能，識別出多個活躍變體，并將蛋白酶的整體適應度提升了4倍。

這意味著，研究人員可以突破“算得出卻做不到"的困境，創(chuàng)造出更多具有特殊功能的蛋白質(zhì)。這種基于AI模型的蛋白質(zhì)設(shè)計方法，為生物制藥等領(lǐng)域開拓了廣闊的創(chuàng)新空間。

圖3：工作流程

AI與CFPS的強強聯(lián)合，正在催生一系列應用場景，充分彰顯其“大有可為"的廣闊前景：

• 抗體發(fā)現(xiàn)與優(yōu)化：在抗體研發(fā)領(lǐng)域，傳統(tǒng)方法需要數(shù)周甚至數(shù)月時間。而通過CFPS技術(shù)在短時間內(nèi)就能表達和分析數(shù)百種抗體的抗原特異性結(jié)合情況。這一技術(shù)大大加速了抗體的發(fā)現(xiàn)和表征過程，讓抗體篩選從“蝸牛式"的緩慢進程變成了“火箭式"的快速沖刺。我司的PLD無細胞蛋白合成篩選加速了AI與濕實驗的閉環(huán)銜接，實現(xiàn)AI預測與實驗驗證的無縫融合，有效降低抗體開發(fā)的試錯成本，提升研發(fā)效率。

  
  

隨著CFPS和AI的不斷發(fā)展，這一融合領(lǐng)域呈現(xiàn)出幾個明顯趨勢：

一是模型精度不斷提升，從簡單回歸模型向復雜神經(jīng)網(wǎng)絡(luò)演進；

二是自動化程度提高，全流程機器人工作站將進一步減少人工干預；

三是應用范圍擴展，從單一酶優(yōu)化向復雜生物系統(tǒng)設(shè)計發(fā)展。

CFPS與AI的融合，正引生物技術(shù)領(lǐng)域邁向智能化、自動化的新紀元。這一技術(shù)協(xié)同不僅解決了傳統(tǒng)蛋白質(zhì)工程中的瓶頸問題，更開創(chuàng)了生物制造的新范式。隨著技術(shù)的不斷成熟和普及，我們有理由相信，這種“AI預測設(shè)計+無細胞CFPS實驗驗證"的研發(fā)模式將在未來成為生物技術(shù)創(chuàng)新的主流路徑之一，為醫(yī)藥健康、綠色制造和可持續(xù)發(fā)展等領(lǐng)域貢獻重要力量。

1. Landwehr, Grant M et al. “Accelerated enzyme engineering by machine-learning guided cell-free expression." Nature communications vol. 16,1 865. 20 Jan. 2025, doi:10.1038/s41467-024-55399-0.

2. Khalil, Mostafa M et al. “An AI-driven workflow for the accelerated optimization of cell-free protein synthesis." iScience vol. 28,10 113599. 19 Sep. 2025, doi:10.1016/j.isci.2025.113599.

3. Thornton, Ella Lucille et al. “Cell-Free Protein Synthesis as a Method to Rapidly Screen Machine Learning-Generated Protease Variants." ACS synthetic biology vol. 14,5 (2025): 1710-1718. doi:10.1021/acssynbio.5c00062.