综述：蛋白质表达能否被“解决”？

这篇综述探讨了利用机器学习（ML）预测可溶性蛋白质表达的挑战与前景。文章指出当前领域缺乏高质量数据集（如多物种标准化表达数据），并提出了构建可扩展实验平台的路径，强调该模型将极大推动基础研究（如CRISPR/Cas系统开发）、蛋白质工程和生物制造（如单抗生产）领域发展。作者团队建议以大肠杆菌（E. coli）和毕赤酵母（P. pastoris）为起点，通过单重（SPX）与混合检测（如Sort-seq）结合的方法生成ML就绪数据，最终实现从氨基酸序列预测表达水平的突破。

　　

蛋白质表达的“黑箱”困境

异源蛋白表达是现代生物技术的核心，从基础研究（如CRISPR/Cas^56-59系统开发）到工业应用（如胰岛素生产）均依赖于此。然而，当前蛋白质表达仍处于“经验指导的试错”阶段，成功率低下导致大量资源浪费。以单克隆抗体生产为例，表达失败可能直接导致5.5亿美元规模的药物研发项目终止。这种困境的核心在于缺乏能够整合内在（如氨基酸序列决定的折叠性）与外在因素（如宿主菌株选择）的预测模型。

突破瓶颈：数据驱动的解决方案

构建预测模型面临两大挑战：其一，蛋白质表达涉及转录、翻译、折叠等多步骤级联反应（见图1）；其二，现有数据集存在严重碎片化问题。例如TargetTrack数据库虽包含30万个蛋白质表达记录，但实验条件描述非结构化，难以直接用于ML训练。相比之下，作者提出的新数据集需满足四大标准：规模性（>10⁴数据点）、多宿主覆盖（至少E. coli和P. pastoris）、实验标准化（如统一使用HiBiT标签检测）以及FAIR原则（可查找、可访问、可互操作、可重用）。

实验设计的技术路线

在宿主选择上，大肠杆菌BL21(DE3)因其高转化效率（>10⁹ CFU/μg DNA）和丰富的遗传工具成为首选，而毕赤酵母GS115则适用于需要真核翻译后修饰的蛋白。检测方法上，混合检测策略展现独特优势：

• Sort-seq技术：通过荧光激活细胞分选（FACS）分析GFP_1-10/GFP₁₁互补片段荧光强度，单次可筛选10⁴变异体
• 肽段条形码（flycodes）：质谱可区分多达10⁶种独特标签，但存在技术封闭性问题
  值得注意的是，所有高通量数据需经Bradford法等“金标准”验证，以控制技术误差在±15%以内。

机器学习模型的进化路径

借鉴AlphaFold⁴⁰的成功经验，作者提出三级建模策略：

1. 监督学习：以DNA序列和宿主为输入，可溶性蛋白浓度为输出
2. 无监督预训练：利用ESM⁴⁹等蛋白质语言模型提取序列嵌入特征
3. 迁移学习：将E. coli表达数据迁移至CHO细胞等真核系统
   基准测试显示，当前最佳模型ProteinNPT在ProteinGym数据集上的斯皮尔曼相关系数仅0.637，表明仍有显著提升空间。未来可通过整合密码子适应指数（CAI）、Rosetta自由能等特征进一步优化。

产业化应用的曙光

在生物制造领域，可溶性表达预测将直接降低生产成本。以工业酶为例，表达量提升2倍可使每公斤产物纯化成本从1200美元降至400美元。更激动人心的是，该技术能解锁“微生物暗物质”资源——通过预测来自不可培养微生物的蛋白表达（如深海古菌CAZymes），有望发现新型生物催化剂。正如作者强调：“解决蛋白质表达问题，相当于为合成生物学提供了通用翻译器”。