以深度學習設計的蛋白酶可切割指定蛋白質目標

華盛頓大學蛋白質設計研究所的研究人員表示，他們已透過計算式設計，打造出合成蛋白酶，也就是能在選定位置切割其他蛋白質的酵素。根據 UW Medicine 的說法，研究團隊使用以深度學習為基礎的設計方法，先指定目標序列，再建立可切開該序列的酵素，之後又在多種實驗條件下驗證其活性。Ars Technica 在整理相關研究後，將這項工作形容為一種替蛋白酶漫長自然演化「抄捷徑」的方法：保留已知酵素類別中的催化核心，其餘部分則重新設計。

這項工作的意義，在於胜肽鍵本身在化學上相當穩定；正是胜肽鍵把胺基酸串接成蛋白質。Ars Technica 指出，若在水中沒有酵素幫助，一個典型的胜肽鍵原本可能會持續存在數百年。蛋白酶之所以能解決這個問題，是因為它能以極高精度安排少數幾個催化元件，讓該鍵得以被切斷。而這種精度也正是蛋白酶設計困難的原因：催化用的「刀刃」必須以近乎原子等級的準確度放置；此外，依照 UW Medicine 的說法，天然蛋白酶往往還仰賴細微的構形彈性來抓住目標。

兩種蛋白酶機制的重新設計

研究人員處理的是兩種不同的蛋白酶化學機制。其中一個專案聚焦於半胱胺酸蛋白酶，這類酵素中的活化半胱胺酸會攻擊目標胜肽鍵。另一個專案則聚焦於金屬蛋白酶；Ars Technica 將其描述為鋅蛋白酶，亦即由金屬離子協助定位並活化切割所需的化學過程。兩種情況都不是從一張白紙開始：團隊都是以已知蛋白酶為出發點，包括一種酵母半胱胺酸蛋白酶，以及來自小龍蝦消化系統的一種鋅蛋白酶，並在保留關鍵催化殘基的同時，重新設計其周邊的蛋白質結構。

在設計流程方面，Ars Technica 表示，研究人員首先利用 RFdiffusion2，在多項限制條件下生成酵素骨架。所設計的骨架不但必須把催化胺基酸帶到一起，也必須讓預先選定的目標序列能夠靠近活性位點。接著，他們再使用 ProteinMPNN，為這個骨架上的各位置指定胺基酸身分，在結構相容性、催化位點形成與目標結合之間取得平衡。UW Medicine 對同一流程的概括說法較廣，稱其為利用深度學習式設計方法建立結構、篩選是否能切割特定序列，並確認實驗觀察到的結構是否與計算藍圖一致。

研究團隊也檢查了這些蛋白質是否只是重現既有的天然結構。Ars Technica 報導指出，許多設計經 AlphaFold3 預測後，與目前資料庫中的條目並不相似，這表示模型並非只是複製已知的蛋白酶摺疊型態。對於半胱胺酸蛋白酶的研究，UW Medicine 的說法更進一步，表示所得蛋白質採用的摺疊方式，與任何天然存在的蛋白酶都不同。

實驗是如何進行的

最初的測試主要圍繞直接切割分析。Ars Technica 指出，研究人員建立了一種較長的融合蛋白，其中包含所設計的蛋白酶、它原本應該切割的目標序列，以及一種螢光蛋白。之後，他們測量切割是否會釋放出帶有螢光的部分。UW Medicine 則表示，團隊在純化蛋白上進行測試，也在取自與阿茲海默症及肌萎縮性脊髓側索硬化症相關蛋白的序列上進行測試；另外，其中一項研究還把實驗推進到實驗室培養的人類活細胞之中。

• 半胱胺酸蛋白酶的設計，是圍繞活化半胱胺酸催化中心進行。
• 金屬蛋白酶的設計，則是圍繞作為催化要素的結合金屬離子進行。
• 各項設計都會針對預先指定的目標序列篩選活性。
• 部分候選分子曾在與疾病相關的序列上測試，例如類澱粉蛋白 β。
• 至少有一項研究納入了培養人類細胞內的實驗。

根據兩個來源，半胱胺酸蛋白酶專案得到的成功率為 19%。Ars Technica 表示，其中有 13 個設計確實有效，但也指出它們的活性全部都低於作為模型的天然酵母酵素。UW Medicine 則說，這些酵素切割目標序列的速度，最高可比未受催化的反應快 3,000 萬倍。這兩種描述並不衝突：前者是拿設計結果和天然模板相比，後者則是拿它和完全沒有酵素的情況相比。

金屬蛋白酶的結果，在兩個來源中的呈現方式略有不同，因此需要審慎閱讀。UW Medicine 表示，36% 的設計顯示出活性，並且能精準切開預定目標類澱粉蛋白 β，速度比未催化反應快 1 億倍。Ars Technica 則提供更細的拆解：在早期設計中，若未把催化水分子明確納入設計限制，89 個設計中有 14 個展現出微弱活性；但若研究人員改為限制設計，使其能正確定位一個水分子，則 38 個設計中有 35 個表現出某種程度的活性。Ars Technica 也提到，其中一個較強的設計對於切割位置缺乏特異性。這些數字看起來比較像是在描述研究不同子集合或不同階段的結果，而不是直接互相矛盾；不過，來源本身並未完全把這些差異統整清楚。

反覆優化提升了活性與特異性

這些研究一個值得注意的部分，是初代設計只得到中等效果之後所發生的事。Ars Technica 表示，團隊找出活性位點附近、但不直接負責催化的殘基，並以較不可能破壞結構的替代胺基酸加以置換。這種局部最佳化顯著提升了表現。就半胱胺酸系統而言，Ars Technica 報導最佳版本可把胜肽鍵切割加速到 10^9 倍，同時仍對預定目標序列表現出高度特異性。至於以鋅為基礎的系統，報導則稱第二版的活性比原始設計高出 30 倍，且可將切割加速到 10^10 倍。

不過，UW Medicine 對相關 Nature 論文所給出的整體加速數字較低：半胱胺酸蛋白酶最高約為未催化反應的 3,000 萬倍，金屬蛋白酶則為 1 億倍。由於這些數字與 Ars Technica 引述的部分後續最佳化結果並不相同，較審慎的解讀方式是，把它們視為不同報導終點的描述，可能來自不同設計版本，或來自不同層級的研究摘要，而不是假定每一個平台都只有單一的代表性數字。

疾病目標與治療潛力

為了證明這項技術不只適用於模型受質，研究團隊也把部分設計指向與神經疾病有關的蛋白質。UW Medicine 表示，他們測試了取自與阿茲海默症及肌萎縮性脊髓側索硬化症相關蛋白的序列。Ars Technica 則更具體指出，金屬蛋白酶研究鎖定的是與阿茲海默症及額顳葉失智症相關的蛋白，而且研究人員最終取得了一個能在細胞內切開預定目標的設計。報導也點出一個重要教訓：若只是把既有設計直接改指向新的目標，效果並不好，因此團隊針對新序列從頭重新啟動整個設計流程。

其治療上的邏輯相當直接。與一次只能結合一個目標分子的傳統藥物或抗體不同，酵素具有催化作用，完成一次反應後還能繼續作用於下一個目標。UW Medicine 指出，一個經設計的蛋白酶在其生命週期內，可能切開數千到數百萬個指定目標，因此理論上所需劑量可能低於以結合為基礎的藥物。同一來源也主張，蛋白酶有機會處理那些常被稱為「難以成藥」的蛋白，因為切割並不需要傳統意義上的結合口袋。文中提到的潛在用途包括：破壞病毒蛋白、去除細菌毒素、清除神經退化疾病中的錯誤摺疊蛋白，或是透過切除保護帽，只在選定組織中活化某種藥物。

仍待解決的問題

這些研究令人鼓舞，但無論從已報導的限制，或從實驗本身的範圍來看，距離任何醫療用途都仍有很長的路要走。Ars Technica 強調，最初成功的設計整體上通常仍不如啟發它們的天然酵素活躍，即使後續最佳化已經帶來改善也是如此。報導也指出實務上的遞送障礙：蛋白質往往不容易送達相關組織，可能引發免疫反應，而當預定目標位於細胞內、而非細胞外時，部署難度還會進一步升高。

這種細胞內挑戰，可能意味著必須改由細胞在接收到基因之後自行生產蛋白酶，這又額外增加了一層複雜性。來源文本都沒有宣稱治療已經近在眼前。相反地，它們共同支持的是一個更審慎的結論：這項工作顯示，在深度學習引導下的蛋白質設計，如今已能製造出具備指定特異性、可測量催化活性，並且至少在某種程度上能於細胞中發揮功能的合成蛋白酶。至於這些能力是否能真正轉化為安全、有效且可遞送的藥物，仍有待證明。

對英語世界的企業而言，近期可見的變化並不是一項新的核准療法，而是一種值得持續觀察的新設計能力。生技與製藥團隊可能會把這些結果視為一個早期訊號：客製化催化蛋白或許能把可鎖定的目標範圍，從單純依賴結合分子的模式進一步擴大，尤其是針對那些缺乏典型藥物結合口袋的疾病蛋白。就實務而言，這可能影響研發策略、合作夥伴搜尋，以及圍繞蛋白質工程平台的評估；但在製造、遞送、褜雜組織中的特異性，以及法規所需的證據等重大執行問題上，現階段仍未獲得解決。