引言

AI辅助的生物酶改造技术在近年来取得了显著突破。我们的公司创始人兼CTO，南宫28的杨广宇教授，联合上海交通大学自然科学研究院的洪亮教授团队，利用Pro-PRIME蛋白语言大模型和高效定向精调技术，通过仅两轮实验，实现了目标酶蛋白的稳定性大幅提升，复合突变成功率达到100%。

技术概述

优化酶的热稳定性对于生物医疗及相关工业应用至关重要。当前，通过（半）理性设计和随机诱变方法，可以相对准确地设计出多种增强酶热稳定性的单点突变。然而，组合多个突变时，常常会出现复杂的上位效应，导致组合突变体的失活。因此，优化酶通常需要多个设计轮次，极为耗时。最近，杨广宇教授团队的研究论文“优化酶的热稳定性通过组合多个突变使用蛋白语言模型”在专业期刊上发表，提出了一种AI辅助的酶热稳定性工程策略，能够高效组合多个有益的单点突变。

研究成果

在该研究中，研究人员利用AI辅助的酶热稳定性工程策略，通过少量实验数据微调Pro-PRIME模型，以预测组合突变体的稳定性和活性。Pro-PRIME模型基于9600万个宿主细菌菌株的最佳生长温度数据进行训练，展现出在高温酶设计和优化方面的卓越表现。

微调模型时使用的初始数据集包括来自肌酸酶的73个低阶突变体的序列-热稳定性及活性数据。模型能够有效预测18个单点突变体的所有可能突变体的热稳定性和活性，旨在保持至少60%的相对活性，同时增强热稳定性。

实验设计与结果

整个实验过程分为四个步骤：(1) 收集数据，(2) 微调蛋白质语言模型，(3) 在组合序列空间中预测所有突变体以及(4) 验证所选突变体。初步的实验结果表明，通过第一轮和第二轮的微调与预测，团队仅用两周时间设计出50个组合突变体，实现了100%的成功率。

例如，最佳突变体13M4包含13个突变位点，其相较于野生型的活性保持不变，Tm值提高了1019°C，58°C下的半衰期提升了约655倍。数据分析显示，尽管某些突变在空间距离上相隔甚远，依然存在复杂的高阶上位效应。这为后续的高阶组合突变体的预测提供了重要数据支持。

主要亮点

本研究的AI辅助的酶热稳定性工程策略能够高效组合多个有益的单点突变，仅用两轮设计即表征50个组合突变体，成功率达到100%。与野生型相比，最佳突变体13M4的Tm提升了1019°C，58°C下的半衰期增强655倍，且催化活性保持稳定。

通过高质量实验数据的微调，模型能够准确捕捉到初始数据集中的上位效应，包括符号和协同上位效应，这表明实验数据在提升模型对高阶组合突变体的预测性能上至关重要。

综上所述，南宫28致力于通过与先进的AI模型结合，进一步提升蛋白质工程的效率，实现生物医疗领域的突破。该策略的推广应用将为多种关键酶分子的进化任务提供新的解决方案。