先让AI改“底子”，再让进化试错：Nature测试蛋白工程的新接力

做蛋白工程，最难的往往不是“找到一个可能有用的突变”，而是让蛋白在获得新功能时不要先失去折叠、表达和稳定性。自然蛋白通常已经在漫长进化中找到了一套平衡，但实验室想让它去做一件新工作，常常要在活性、稳定性和特异性之间反复取舍。

本周Nature的两项研究给出了一个共同方向：不要让人工智能和定向进化各自单打独斗。先用模型把蛋白的“底子”整理好，再把它交给实验进化去探索真正的功能空间。

一句话看懂

在一项研究中，ProteinMPNN先重设计蛋白序列，再用连续定向进化寻找新功能；在另一项研究中，Raygun允许在同一个天然蛋白模板上同时进行大规模替换、插入和缺失。两项工作的共同点不是“模型直接设计出成品”，而是把实验筛选从一个更有希望的起点开始。

为什么传统定向进化会“越改越不稳”？

定向进化可以理解为在实验室里加速自然选择：制造许多变体，再筛选表现更好的那一批。但蛋白序列空间极其庞大，许多能提高新功能的突变，同时会让蛋白更难折叠或更难表达。蛋白一旦失稳，后续就算出现了有价值的功能突变，也可能因为“整体坏掉”而无法被筛出来。

这是一种常见的进化瓶颈：不是目标功能不存在，而是通往它的路上缺少足够稳定的中间状态。研究者因此提出，能不能先把起点变得更“耐折腾”，再让实验进化去寻找新功能？

Nature研究一：先用ProteinMPNN修整起点，再让进化寻找新特异性

Krasnow等人在Nature发表的研究，选择了三种肉毒神经毒素蛋白酶作为模型。这里的重点不是毒素本身，而是它们提供了一个很严格的蛋白工程测试：既要保持催化功能，又要改善稳定性和表达，还要进一步改变底物特异性。

研究者用ProteinMPNN重设计远离催化和底物结合关键位点的序列，再通过结构预测和实验筛选挑出候选。以BoNT/E蛋白酶为例，他们测试了74个设计变体，其中58个仍然具有可检测的蛋白酶活性，33个活性至少达到野生型水平，22个同时保持活性并具有更高的可溶性表达。三个代表性设计的催化效率达到野生型的1.7—2.8倍。

这一步并不是为了得到最终产品，而是为了建立更稳的“出发底盘”。接下来，研究者把AI重设计的蛋白和野生型蛋白分别放入平行的噬菌体辅助连续进化（PACE）体系中，让实验进化在相同选择条件下竞争。

结果显示，重设计起点在多轮进化中更容易进入高功能序列空间。针对一个新的、与天然底物不同的靶标，来自重设计起点的蛋白表现出更高的活性和稳定性；在选择性指标上，最佳设计起点路线比从野生型出发的最佳结果高出超过79倍。更关键的是，一些在重设计背景中有用的进化突变，移植回野生型背景后并不能工作，说明AI改变的不只是几个“好突变”，而是改变了蛋白能够承受和利用哪些突变。

图：两项Nature研究的共同逻辑。计算设计扩大并改善可试的起点，实验进化负责从真实功能中筛选结果。根据公开论文信息重新绘制。

Nature研究二：Raygun把“加减模块”也纳入设计

另一项Nature研究提出Raygun。它不从零开始创造一个完全陌生的蛋白，而是以天然蛋白为模板，在模型空间中同时处理氨基酸替换以及插入、缺失（indel）。这很接近自然进化的真实方式：蛋白并不只靠单点替换改变，也会通过增减片段获得新的长度和结构组合。

Raygun用蛋白语言模型的表示把不同长度的蛋白映射到可比较的固定维度空间，再用两个参数控制序列变化程度和目标长度。作者报告，在计算评估中，蛋白可以缩短10%—25%，部分案例超过50%，同时尽量保留结构特征和功能位点。

真正重要的是实验验证。研究者为eGFP和mCherry各生成约7万个候选，再经过筛选挑出8个短化设计，其中6个表现出明显荧光；短化后的TurboID在细胞中仍保留连接酶活性，扩展后的EGF变体则表现出高于野生型的EGFR结合能力。也就是说，Raygun目前展示的是“模板内大幅改造”能力，而不是凭空设计出一个从未存在过的功能蛋白。

AI究竟替代了哪一步？

两项研究都没有把实验室变成“按一下按钮就得到蛋白”。AI主要替代或加速了两件事：第一，在巨大序列空间中提出更有希望的起点；第二，在替换、插入和缺失同时存在时，减少完全依靠人工经验逐个位点试错的负担。

实验仍然承担最关键的判断：蛋白能不能正确折叠，能否在细胞中表达，是否真的具有目标活性，是否出现了不希望的底物反应。ProteinMPNN研究测试了几十个设计并继续进行连续进化；Raygun也需要从大批候选中筛选，并用细胞实验确认功能。论文没有给出一个适用于所有蛋白的统一成本或轮次节省数字，因此不能简单概括为“AI让定向进化变快了多少倍”。

对植物科学有什么启发？

植物研究中有大量适合这条路线的问题：提高代谢酶的稳定性、优化抗病蛋白与受体、设计更小的荧光报告蛋白、改造植物病毒载体的蛋白模块，以及让合成生物学通路在植物细胞中更稳定地运行。

但迁移不会自动发生。植物蛋白常涉及叶绿体或内质网定位、分泌和糖基化；植物组织的温度、细胞环境和再生体系也不同于细菌或哺乳动物细胞。一个在体外或异源细胞中表现良好的设计，仍需经过植物表达、组织定位、代谢通量和整株表型验证。对作物而言，真正的瓶颈可能从“能不能设计出序列”转移到“能不能稳定表达、准确定位并在田间环境中工作”。

这两项研究没有证明什么？

它们没有证明模型可以替代定向进化，也没有证明所有蛋白都能通过同样的流程得到更好结果。ProteinMPNN研究的核心验证集中在蛋白酶体系，Raygun的功能验证集中在荧光蛋白、TurboID和EGF等案例；不同折叠、不同反应机制和不同细胞环境下，成功率仍需独立测试。

此外，“结构预测保持不变”不等于“功能一定保持不变”，“细胞中有信号”也不等于已经具备体内或田间应用价值。未来最值得关注的，不是模型一次生成多少条序列，而是设计—实验—失败分析能否形成可复用的闭环。

编辑判断

这两项Nature工作的共同价值，是把“AI设计”和“定向进化”从竞争关系改成了分工关系：模型负责把起点放到更有利的位置，实验负责检验真实世界的功能。对植物蛋白工程来说，这种思路比追求一次性“从零生成”更现实，也更容易和现有筛选平台、转化体系及育种流程衔接。

论文：
Krasnow N. A. et al. AI-redesigned starting points and outcomes enhance protein evolution. Nature (2026). DOI: 10.1038/s41586-026-10820-0
Devkota K. et al. Miniaturizing and modifying natural proteins with Raygun. Nature (2026). DOI: 10.1038/s41586-026-10842-8

如果把这条路线迁移到植物，你最希望优先改造的是代谢酶、抗病蛋白，还是报告与递送工具？