结构生物学 - 上海科技大学张贺桥/Roger Kornberg团队解析了麻疹病毒聚合酶复合物与非核苷抑制剂结合的结构，揭示了抑制机制，为抗病毒药物设计奠定基础 [2][3][4] AI蛋白质工程 - 中科院遗传发育所高彩霞团队开发了AI蛋白质工程计算模拟方法AiCE，无需专属AI模型即可实现蛋白质高效进化模拟和功能设计，成功优化多种基因编辑工具的效率和精度 [6][7] AI基因组模型 - 浙江大学郭国骥团队开发了超高通量单核ATAC测序技术UUATAC-seq和多任务深度学习模型女娲CE，实现从基因组序列到单细胞调控元件图谱的直接预测，在多项指标超越现有基因组AI模型 [9][10][11] 脑科学研究 - 中科院脑智卓越中心刘真团队鉴定出猕猴大脑细胞类型特异性增强子，建立了灵长类动物大脑神经细胞标记和调控工具集 [14][15] - 中科大毕国强团队首创超高速小鼠全身亚细胞分辨率三维成像技术blockface-VISoR，绘制了精细外周神经图谱 [18][19] - 中科院严军团队首次在单神经元水平重构猕猴前额叶全脑连接网络，发现灵长类神经元高度精细化的结构特点 [22][23] 光遗传学 - Felix Wong团队开发光遗传学平台，从370830种化合物中筛选出能增强细胞死亡但不具毒性的整合应激反应调节剂，展示光遗传学在药物发现中的应用 [26][27][28] 合成生物学 - 帝国理工学院孟凡康团队为酿酒酵母建立工程化原则，使其具备可编程的多细胞行为能力，将酵母从单细胞工厂提升为多细胞系统底盘 [32][33][34]

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]