PLD無細胞蛋白篩選能夠助力AI濕實驗的閉環

更新時間：2026-03-11 點擊次數：27

隨著合成生物學的快速發展，一場由“干實驗"（數據）與“濕實驗"（實驗）深度融合的革命正在悄然改變蛋白質研發的游戲規則。如何快速、高效、按需地生產目的蛋白質已成為全球科研界與產業界共同關注的焦點。

如今，兩項革命性技術——無細胞蛋白合成（CFPS）與人工智能（AI）正以未有的方式融合，為蛋白質工程和酶設計帶來變革。這種強強聯合不僅極大加速了生物催化劑開發進程，更重新定義了生物制造的可能性邊界。

一、CFPS：為AI量身打造的實驗場

傳統的細胞內表達系統雖已成熟，卻常受限于細胞膜屏障、毒性產物抑制、以及復雜的調控網絡。在此背景下，無細胞蛋白表達（CFPS）以其開放、靈活、快速的獨特優勢，正從實驗室的“小眾利器"躍升為下一代生物制造的核心平臺。CFPS允許研究人員直接操縱反應環境，實時監測蛋白質合成過程，為蛋白質工程研究提供未有的便利，使其天然具備了與AI協同的優勢：

高度可控與模塊化： CFPS的反應組分明確，可以像“搭積木"一樣進行精確配比和調整。這種模塊化設計，為AI算法提供了理想的、低噪聲的變量。
快速迭代： 一次CFPS反應通常在數小時內即可完成，從基因到蛋白表達的周期被極大壓縮。這意味著AI驅動的“設計-構建-測試-學習"（DBTL）循環可以以未有的速度運轉，迅速積累高質量數據。
功能讀出： 開放的體系允許直接向反應液中添加底物、熒光探針或報告分子，實現對蛋白產量、活性甚至折疊狀態的實時、原位檢測，為AI模型提供了豐富且直接的“學習標簽"。

圖1：CFPS 自動化工作流程

二、AI賦能CFPS：智能化設計-構建-測試-學習閉環

以機器學習（ML）和大型語言模型（LLM）為代表的人工智能（AI）與CFPS技術的深度結合，創造了一個高效的設計-構建-測試-學習（Design-Build-Test-Learn, DBTL）工作流程。這一閉環系統極大地加速了蛋白質工程的發展進程。

2.1 機器學習引導的酶工程創新

Grant M Landwehr等人開發了一種機器學習引導的無細胞酶工程平臺，成功實現了對酰胺鍵合成酶McbA的定向進化。研究人員通過無細胞系統快速合成了1216種酶變體，并在10953個獨特反應中評估了它們的底物偏好性。利用這些數據，團隊構建了增強嶺回歸模型，預測能夠高效合成9種小分子藥物的酶變體。

結果顯示，機器學習預測的酶變體相對于母體活性提高了1.6至42倍。這一突破性研究展示了機器學習與CFPS系統結合的強大潛力：機器學習提供預測能力，CFPS系統提供實驗驗證，二者形成良性循環，不斷優化蛋白質設計。

圖2：設計-構建-測試-學習工作流程

2.2 AI模型的創新應用

機器學習（ML）工具改變了蛋白質結構預測、工程和設計，但該方法的成功取決于算法訓練數據的質量。為了獲得高質量的結構或功能數據，通常需要蛋白質純化，傳統的方法耗時耗力。

一項發表在ACS Synth Biol上的文章聚焦于蛋白酶的定向進化，研究人員通過CFPS系統在6小時內快速篩選了48個隨機變體來初步采樣適應度景觀（一種模型），隨后用AI模型預測并測試了32個目標變體。并結合蛋白酶活性檢測，快速評估數百種蛋白酶變異的功能，識別出多個活躍變體，并將蛋白酶的整體適應度提升了4倍。

這意味著，研究人員可以突破“算得出卻做不到"的困境，創造出更多具有特殊功能的蛋白質。這種基于AI模型的蛋白質設計方法，為生物制藥等領域開拓了廣闊的創新空間。

圖3：工作流程

三、協同效應：釋放CFPS未有的應用潛能

AI與CFPS的強強聯合，正在催生一系列應用場景，充分彰顯其“大有可為"的廣闊前景：

抗體發現與優化：在抗體研發領域，傳統方法需要數周甚至數月時間。而通過CFPS技術在短時間內就能表達和分析數百種抗體的抗原特異性結合情況。這一技術大大加速了抗體的發現和表征過程，讓抗體篩選從“蝸牛式"的緩慢進程變成了“火箭式"的快速沖刺。我司的PLD無細胞蛋白合成篩選加速了AI與濕實驗的閉環銜接，實現AI預測與實驗驗證的無縫融合，有效降低抗體開發的試錯成本，提升研發效率。

四、未來展望

隨著CFPS和AI的不斷發展，這一融合領域呈現出幾個明顯趨勢：

一是模型精度不斷提升，從簡單回歸模型向復雜神經網絡演進；

二是自動化程度提高，全流程機器人工作站將進一步減少人工干預；

三是應用范圍擴展，從單一酶優化向復雜生物系統設計發展。

CFPS與AI的融合，正引生物技術領域邁向智能化、自動化的新紀元。這一技術協同不僅解決了傳統蛋白質工程中的瓶頸問題，更開創了生物制造的新范式。隨著技術的不斷成熟和普及，我們有理由相信，這種“AI預測設計+無細胞CFPS實驗驗證"的研發模式將在未來成為生物技術創新的主流路徑之一，為醫藥健康、綠色制造和可持續發展等領域貢獻重要力量。

參考文獻：

Landwehr, Grant M et al. “Accelerated enzyme engineering by machine-learning guided cell-free expression." Nature communications vol. 16,1 865. 20 Jan. 2025, doi:10.1038/s41467-024-55399-0.
Khalil, Mostafa M et al. “An AI-driven workflow for the accelerated optimization of cell-free protein synthesis." iScience vol. 28,10 113599. 19 Sep. 2025, doi:10.1016/j.isci.2025.113599.
Thornton, Ella Lucille et al. “Cell-Free Protein Synthesis as a Method to Rapidly Screen Machine Learning-Generated Protease Variants." ACS synthetic biology vol. 14,5 (2025): 1710-1718. doi:10.1021/acssynbio.5c00062.