蛋白质工程行业概述 - 蛋白质工程通过人工手段改变氨基酸序列实现对蛋白质结构和功能的修饰和改造，相比基因组工程具有更快的功能优化速度，速度较自然演变实现指数级提升 [2] - 蛋白质工程在基础研究和产业应用具有广泛潜力，预计相关市场规模超过数百亿美元 [2] - 当前蛋白质工程改造策略主要依赖结构引导的理性设计和定向进化，但存在实验周期长、成本高的问题，限制了规模化应用 [2] 人工智能在蛋白质工程中的应用 - 人工智能通过训练特定蛋白专有模型实现突变模拟和功能改造，但存在通用性欠佳、计算和实验成本高的问题 [3] - 需要开发高效、普适且无需复杂模型训练的蛋白质工程计算模拟策略，以最小化计算负荷并最大化性能 [3] - 中国科学院团队开发了新型人工智能蛋白质工程计算模拟方法AiCE，无需训练专属AI模型即可实现蛋白质高效进化模拟和功能设计 [4] AiCE方法的技术细节 - AiCE基于整合结构与进化约束的通用逆折叠模型，利用现有模型而不需重新训练专有蛋白模型，极大降低计算成本 [5][7] - AiCE包含single和multi两个模块，single模块通过结构约束筛选氨基酸替换，multi模块预测进化耦合的突变组合位置 [5][7] - AiCE single模块在60个深度突变扫描数据测试中实现16%的预测准确率，性能比无限制方案提升37%，比其他AI模型提升36%-90% [6] - AiCE multi模块与蛋白质大模型SaProt预测能力相当，但计算成本极低，仅需1.15个CPU时即可识别SpCas9蛋白的单突和双突变体 [7] AiCE的应用成果 - AiCE成功优化了多种基因编辑工具，实现了效率和精度的快速提升 [4] - 在湿实验中验证了8种结构和功能多样蛋白质的AiCE功能，包括脱氨酶、核定位序列、核酸酶和逆转录酶等 [9] - 开发了新型碱基编辑器，包括编辑窗口缩小近一半的enABE8e、保真度提升1.3倍的enSdd6-CBE和活性提升13倍的enDdd1-DdCBE [9] AiCE的行业意义 - AiCE在效率、可扩展性和通用性方面显著优于传统蛋白质工程方案 [12] - 通过计算模拟替代湿实验是生命科学领域的重要趋势，AiCE最大限度降低计算负荷，让更多生物学家享受AI技术便利 [12] - AiCE将基于AI的蛋白质进化提升到全新水平，具有广泛的应用前景 [12]