深度学习设计的蛋白酶可切割指定蛋白靶点

华盛顿大学蛋白质设计研究所的研究人员报告称，他们通过计算方法设计出了合成蛋白酶。蛋白酶是一类能够在特定位置切割其他蛋白质的酶。根据 UW Medicine 的说法，研究团队采用基于深度学习的设计方法，先指定一个目标序列，再构建能够切开该序列的酶，随后在多种实验环境中验证其活性。Ars Technica 在梳理相关研究后指出，这项工作的意义在于，它试图“绕过”蛋白酶在自然界中漫长的多样化演化过程：研究人员保留已知酶类别中的催化核心，而把其余部分重新设计。

这项工作之所以重要，是因为把氨基酸连接成蛋白质的肽键，在化学上本身非常稳定。Ars Technica 表示，如果没有酶的帮助，一个典型的肽键在水环境中原本可以持续存在数百年。蛋白酶之所以能够解决这个问题，是因为它能以极高的精确度排列少数几个催化组分，从而让这一键被切断。也正因为这种精度要求极高，蛋白酶设计一直非常困难：催化“刀刃”必须以接近原子级的准确度放置，而天然蛋白酶往往还依赖微妙的柔性来抓住自己的靶标，UW Medicine 如此解释。

两种蛋白酶机制的重新设计

研究人员此次处理的是两种不同的蛋白酶化学机制。一个项目聚焦于半胱氨酸蛋白酶，在这类酶中，被活化的半胱氨酸会对目标肽键发起攻击。另一个项目则聚焦于金属蛋白酶，Ars Technica 将其描述为锌蛋白酶，即由金属离子帮助定位并活化切割所需的化学过程。两条路线都不是从一张白纸开始。研究团队都以已知蛋白酶为起点，其中包括一种酵母半胱氨酸蛋白酶，以及一种来自小龙虾消化系统的锌蛋白酶；他们保留了关键的催化残基，同时重新设计周围的蛋白质结构。

在设计流程上，Ars Technica 称，研究人员首先使用 RFdiffusion2，在若干约束条件下生成酶的骨架结构。所设计的骨架不仅必须把催化所需的氨基酸聚到一起，还必须在活性位点附近容纳预先选定的目标序列。随后，他们再使用 ProteinMPNN 为该骨架上的各个位点分配氨基酸身份，在结构兼容性、催化位点形成和靶标结合之间寻求平衡。UW Medicine 对同一过程做了更概括的总结：利用基于深度学习的设计方法开发结构，筛选其切割特定序列的能力，并确认实验测得的结构与计算蓝图一致。

研究团队还检验了这些蛋白质是否只是重复了现有的天然结构。Ars Technica 报道称，许多设计方案经 AlphaFold3 预测后，并不像当前数据库中的已有条目，这说明这些模型并非仅仅在复现已知蛋白酶折叠。就半胱氨酸蛋白酶的工作而言，UW Medicine 说得更进一步：所得蛋白质采用的折叠方式，与任何天然存在的蛋白酶都不相同。

实验是如何进行的

最初的测试主要围绕直接切割实验展开。Ars Technica 报道称，研究人员构建了一种较长的融合蛋白，其中包含设计出的蛋白酶、它本应切开的目标序列，以及一个荧光蛋白。随后，他们测量切割是否会释放出带荧光的那一部分。UW Medicine 表示，团队不仅在纯化蛋白上测试了这些酶，还测试了取自与阿尔茨海默病和肌萎缩侧索硬化症相关蛋白的序列；此外，在其中一项研究中，他们还在实验室培养的活体人类细胞内进行了实验。

• 半胱氨酸蛋白酶的设计围绕一个被活化的半胱氨酸催化中心展开。
• 金属蛋白酶的设计围绕一个结合的金属离子展开，该离子被用作催化要素。
• 研究人员针对预先指定的目标序列筛选设计方案的活性。
• 部分候选方案在与疾病相关的序列上进行了测试，例如淀粉样蛋白 β。
• 至少有一项研究包含了在人类培养细胞内进行的实验。

根据两个来源的说法，半胱氨酸蛋白酶项目的成功率为 19%。Ars Technica 称其中有 13 个设计方案起效，但同时指出，它们的活性都低于作为模型使用的天然酵母酶。UW Medicine 则表示，这些酶切割目标序列的速度，最高可比无催化反应快 3,000 万倍。这两种表述并不矛盾：前者是把设计结果与天然模板相比，后者则是把它与完全没有酶的情况相比。

金属蛋白酶的结果在两个来源中的呈现方式略有不同，因此需要谨慎阅读。UW Medicine 表示，36% 的设计表现出活性，并且能够精确切割预定靶标——淀粉样蛋白 β——其速度比无催化反应快 1 亿倍。Ars Technica 则给出了更细的拆分：在早期设计中，如果没有把催化所需的水分子明确作为设计约束纳入考虑，那么 89 个方案中有 14 个表现出较弱活性；而当研究人员转而在设计中约束水分子被正确定位时，38 个方案中有 35 个显示出一定活性。Ars Technica 还称，其中一个活性较强的设计在具体切割位置上缺乏足够特异性。这些数字看起来更像是在描述研究的不同子集或不同阶段，而不是直接冲突，不过两个来源并没有把它们完全对齐说明。

迭代优化提高了活性与特异性

这些研究中一个值得注意的部分，是在第一批设计仅表现出有限效果之后发生了什么。Ars Technica 说，研究团队找出了活性位点附近那些并不直接负责催化的残基，并把它们替换为不太可能破坏整体结构的其他氨基酸。这种局部优化显著提升了性能。对于半胱氨酸体系，Ars Technica 报道称，最佳版本使肽键切割加速达到 10^9 倍，同时仍然对其预定目标序列保持很高的特异性。对于基于锌的体系，据称其第二个版本的活性比原始设计高 30 倍，并使切割加速达到 10^10 倍。

UW Medicine 对发表于《Nature》的相关论文给出了较低的总体加速数字：对半胱氨酸蛋白酶来说，最高可比无催化反应快 3,000 万倍；对金属蛋白酶来说，则为 1 亿倍。由于这些数字与 Ars Technica 引述的某些后续优化结果并不相同，更稳妥的理解方式是：它们描述的是不同的报告终点，可能来自不同的设计方案，或来自不同层级的汇总，而不应简单地假定每个平台只有一个统一的“头条数字”。

疾病靶点与治疗前景

为了证明这些设计不仅对模型底物有意义，研究团队还把部分方案指向与神经系统疾病相关的蛋白质。UW Medicine 表示，他们测试了取自与阿尔茨海默病和肌萎缩侧索硬化症相关蛋白的序列。Ars Technica 则更具体地说，金属蛋白酶方向瞄准了与阿尔茨海默病和额颞叶痴呆相关的蛋白，而且研究人员最终获得了一种能够在细胞内切割预定靶标的设计。报道还指出了一个重要经验：仅仅把一个现有设计直接重新定向到新序列上，效果并不好，因此团队不得不针对新序列从头重新启动设计流程。

其治疗逻辑并不复杂。与传统药物或抗体一次只结合一个靶分子不同，酶可以在完成一次催化后继续作用于下一个靶标。UW Medicine 表示，一个设计得到的蛋白酶在其生命周期内，可能切割数千到数百万个被指定的目标，因此理论上有望比依赖结合的药物使用更低剂量。同一来源还认为，蛋白酶有机会处理那些常被称为“不可成药”的蛋白，因为切割并不要求存在传统意义上的结合口袋。文中提到的潜在用途包括：破坏一种病毒蛋白、清除一种细菌毒素、去除神经退行性疾病中的错误折叠蛋白，或者通过切掉保护性“帽子”，只在选定组织中激活一种药物。

仍未解决的问题

这些研究结果令人鼓舞，但无论是文中提到的局限性，还是实验本身的范围，都说明距离任何医学用途仍有很长的路。Ars Technica 强调，最初成功的设计总体上仍然不如启发它们的天然酶活跃，即便后续优化有所改善。它还指出了现实中的递送障碍：蛋白质可能很难进入相关组织，可能诱发免疫反应，而当预定靶标位于细胞内部而非细胞外部时，这类分子就更难部署。

这种细胞内挑战可能要求细胞通过递送进入体内的基因，自行产生相应蛋白酶，这又增加了一层复杂性。现有来源都没有宣称某种疗法已近在眼前。相反，它们支持一个更克制的结论：这项工作表明，在深度学习引导下的蛋白质设计，如今已经能够产出具有预定特异性、可测催化活性，并且至少在某些细胞环境中具备功能的合成蛋白酶。至于这些能力能否真正转化为安全、有效且可递送的药物，仍有待证明。

对于英语世界的企业而言，近期变化并不是一种新的获批疗法，而是一种值得关注的新设计能力。生物技术和制药团队可能会把这些结果视为一个早期信号：定制化催化蛋白或许能够把可选择的靶点范围，从单纯依赖结合剂的模式扩展出去，尤其是面向那些缺乏经典药物口袋的疾病蛋白。从实际层面看，这可能影响研发策略、合作对象筛选以及围绕蛋白质工程的平台评估；但与此同时，生产制造、递送、复杂组织中的特异性以及监管层面的证明等重大执行问题，仍然没有解决。