先替蛋白質打穩地基：AI讓實驗室演化走得更遠

蛋白質工程常像一場艱難的取捨：為了讓酵素學會辨認新目標，研究人員必須累積突變，卻也可能使它變得不穩定、難以折疊，甚至無法在細胞中充分表現。Broad Institute團隊提出的解法，是先用人工智慧替蛋白質打穩結構基礎，再交由實驗室演化探索新功能。

這項刊登於《Nature》的概念驗證研究，以肉毒桿菌神經毒素蛋白酶為模型。團隊使用ProteinMPNN重新設計其胺基酸序列，保留催化與基質結合所需區域，再以噬菌體輔助連續演化（PACE）篩選能切割指定蛋白質的變體。PACE把酵素活性連結到噬菌體繁殖，使較符合目標的序列能在多輪突變與選擇中迅速累積。

初步設計並非全數成功。在74個BoNT/E蛋白酶設計中，58個仍具有功能；其中22個既保留活性，又比野生型產生更高的可溶性蛋白產量。研究人員隨後比較AI重設計版本與天然酵素作為演化起點的表現，在多種肉毒桿菌蛋白酶及不同受質的測試中，重設計起點均產生活性更高的演化結果。

最具疾病意義的測試鎖定ataxin-2。這種蛋白質與部分神經退化疾病的病理過程相關，團隊嘗試讓蛋白酶選擇性切割其特定區域。由AI重設計起點演化出的最佳變體，相較從天然BoNT/E演化而來的最佳版本，對ataxin-2的「選擇後特異性」提高逾79倍；它也具有較佳穩定性、在哺乳類細胞中表現較高，並產生更多ataxin-2切割產物。

序列差異顯示穩定性可能提供了容納突變的緩衝空間。領先變體累積64個突變，與天然酵素有約16%的序列差異；相較之下，最佳天然起點變體只有10個突變、差異約2.4%。部分能提升重設計蛋白活性的突變，一旦移回天然蛋白背景便造成失穩，支持「先增加穩定餘裕，才能跨越更大功能距離」的解釋。

然而，這項成果尚不是神經退化疾病療法。研究主要證明一套蛋白質工程流程，現有證據來自體外分析、細菌表現系統及培養細胞；尚未回答蛋白酶如何安全送入目標組織、是否會切割其他人體蛋白、能否在動物中改善疾病，以及源自肉毒桿菌毒素的酵素如何處理免疫與安全風險。若這套策略能在其他蛋白類別重現，未來可能用於改良治療性酵素與基因編輯工具，但每一種用途仍須分別驗證。