人工智能驱动的人工合成环境设计平台MEMPLEX实现膜蛋白高效合成

本研究针对膜蛋白合成中化学-蛋白质-脂质相互作用不明确的难题，开发了结合机器学习与荧光报告系统的MEMPLEX平台。研究人员通过高通量液滴打印技术构建20,000余种人工合成环境，解析了脂质类型、化学环境、伴侣蛋白与蛋白质结构的协同作用机制，首次建立了基于跨膜氨基酸疏水性的膜蛋白合成预测模型，成功合成CD47等既往难以获得的膜蛋白，为"暗蛋白质组"研究提供了创新工具。

　　

膜蛋白作为细胞信号传导和药物开发的关键靶点，其研究长期受限于合成难题。传统方法面临三大困境：活细胞表达系统存在毒性问题，无细胞系统缺乏标准化方案，而化学-脂质-蛋白质相互作用的复杂机制更使优化过程如同"盲人摸象"。更棘手的是，现有技术合成成功率不足15%，导致约85%的膜蛋白功能仍属未知——这就是著名的"暗蛋白质组"困局。

美国加州大学戴维斯分校Cheemeng Tan团队在《Nature Communications》发表突破性研究，开发出MEMPLEX（膜蛋白学习与表达）平台。该研究通过定制化液滴打印机器人构建高通量合成系统，结合分裂GFP荧光报告技术，创建了包含28种膜蛋白、20,000余种合成条件的数据库。利用深度神经网络主动学习算法，首次揭示了PEG8000浓度与钾离子水平的非线性协同效应是影响合成效率的关键因素，并发现跨膜区接触氨基酸的疏水性可作为预测指标。最终成功合成CD9等7种既往无法获得的治疗相关膜蛋白。

关键技术包括：（1）定制纳米升液滴打印系统实现16组分2μL反应体系精确组装；（2）分裂GFP报告系统（含GFP1-10片段和C端GFP11标签）定量检测膜插入效率；（3）α-形状算法构建膜接触氨基酸三维特征；（4）t-SNE嵌入空间分析蛋白响应模式相似性；（5）流式细胞术验证单脂泡蛋白负载量。

高通量平台验证膜蛋白合成环境特异性
研究团队首先构建包含DMPC/DPPC/DOPC三种脂质体的反应体系，通过广义子集设计将测试条件缩减66.7%。数据显示小分子量（<25 kDa）膜蛋白成功率可达75%，而大分子量蛋白仅2.9%。SEC和流式结果证实，水通道蛋白AqpZ在脂质体存在时荧光信号提升60倍，而可溶性蛋白Cat仅增加4.6倍。

主动学习优化非线性合成条件
通过包含45种架构的神经网络集成，发现DOPC脂质体与2% PEG8000的组合对39.3%蛋白最优。值得注意的是，钾离子浓度（85-185 mM）与镁离子（8-16 mM）存在显著协同效应（p<0.05）。经3轮优化后，CD47等3种未报道蛋白和6种既往失败蛋白成功合成，Western blot验证其正确折叠。

跨膜区疏水性决定合成成功率
研究者利用AlphaFold预测的4612种膜蛋白结构，建立"层-壳"分类系统：将氨基酸按膜内位置（极性/疏水层）和暴露状态（蛋白内部/脂质接触）分类。支持向量机分析显示，内层疏水区接触氨基酸的均值（White标度）最具预测力（准确率84.6%），据此成功预测并合成FITM2等3种新蛋白。

这项研究开创了人工智能指导膜蛋白合成的先河，其意义体现在三方面：技术层面，MEMPLEX平台将优化周期从数月缩短至数天；理论层面，首次建立膜蛋白合成构效关系模型；应用层面，为G蛋白偶联受体等药物靶点研究提供新工具。作者指出，未来整合胆固醇和糖基化系统将进一步提升合成蛋白的功能性，这项技术也有望推动合成生物学向复杂膜系统迈进。