《Journal of Biological Chemistry》：“EXPERT” A Practical and Forward-Looking Guide to Capturing Protein Expression and Purification Metadata to develop Machine Learning Models
编辑推荐：
随着机器学习在蛋白质工程、合成生物学及生物工艺优化中日益重要，缺乏一致、完整且标准化的实验报告仍然是构建有效模型的主要障碍。EXPERT（EXpression and Purification Experimental Reporting Template）定
随着机器学习在蛋白质工程、合成生物学及生物工艺优化中日益重要，缺乏一致、完整且标准化的实验报告仍然是构建有效模型的主要障碍。EXPERT（EXpression and Purification Experimental Reporting Template）定义了一个结构化框架，用于跨社区捕获蛋白质表达与纯化数据，以提高实验室间的可重复性并支持下游机器学习应用。研究人员在此提出在表达与纯化工作流程中，新手和经验丰富的蛋白质生产科学家均应记录的必要数据。其建议基于学术界和工业界专家的贡献提炼而成。报告要求被精简为一组聚焦的参数集，这些参数被认为足以确保工作流程的可重复性以及构建旨在改善蛋白质生产的稳健机器学习模型。通过部署这些指南，研究人员希望促进更大规模数据集的收集，以支持未来的模型构建。
论文解读文章
研究背景与现存问题
异源蛋白质生产尽管经过数十年方法学发展，在获得足够产量、质量、溶解性和功能活性方面仍面临挑战。研究人员越来越多地关注膜蛋白、固有无序蛋白及大型多组分复合物等更复杂、易聚集或难以处理的蛋白质靶标，但这些蛋白质在文献中代表性不足。全球众多实验室反复尝试生产相同蛋白质却经常失败，导致试错工作的重复以及时间、经费和资源的大量浪费。这种可重复性问题可以通过创建公开可用的数据资源来缓解，该资源需详细记录蛋白质生产实验的方案和结果。人工智能特别是机器学习的进步为应对蛋白质生产和工程中的持续挑战提供了新机遇，但要开发能够预测特定宿主系统中表达和纯化成功率的模型，需要大规模、多样化且高质量的标准化数据集。然而，现有蛋白质生产数据记录极不统一，从电子实验记录本到定制数据库和非正式文档，缺乏协调一致的标准。阴性数据（即表现类似阴性对照的数据）的系统性遗漏尤为严重——失败的表达构建体、不溶性产物和未成功的纯化尝试很少被记录，而这些对于定义方法开发和机器学习模型中成功与失败的边界至关重要。此外，现有数据严重偏向于蛋白质工程、抗体生产和基于大肠杆菌的表达系统，对一般蛋白质生产工作流程的关注有限。
研究目标与核心内容
为解决重组蛋白质生产中的可重复性挑战，研究人员提出了一个咨询性框架，用于蛋白质表达和纯化实验中最小但必要的数据收集。该框架的目标是增强实验室间可重复性，同时支持生成高质量、标准化的数据集，作为构建预测模型的基础，最终推动数据驱动和预测性蛋白质生产方法的发展。研究人员将这一框架命名为EXPERT（EXpression and Purification Experimental Reporting Template），这是一个基于共识的报告标准集合，由蛋白质科学界的专家共同制定。框架的核心内容包括：建立社区咨询机制，定义应捕获的实验参数并按优先级分层（关键参数、高度使能参数和可选参数）；明确界定和标准化阴性数据；覆盖细菌、昆虫细胞、哺乳动物细胞和无细胞系统等多种常用表达系统的数据捕获；标准化纯化和下游表征参数；推动数据共享和可持续基础设施建设；以及鼓励出版商采用更严格的报告要求。研究人员还提出了一个分阶段路线图：近期（1-3年）建立基础，实施EXPERT标准并建设用户友好型数据库；中期（3-5年）扩展数据和模型能力，整合历史数据集并组织基准测试；中长期（5年以上）实现可泛化的预测，建立持续学习框架。
关键技术方法
研究人员采用了基于共识的专家咨询方法，从学术界和工业界广泛征集意见，将报告要求精炼为一组聚焦的参数集。他们设计了结构化的元数据捕获模板，包含靶标、构建体、表达、纯化、质量控制和其他等六大类字段，并为每个字段定义了重要性等级（关键、高度使能、可选）。对于缓冲液成分，提出了半结构化字符串格式（如“pH 7.5; BUFF HEPES, 50 mM; SALT NaCl, 250 mM”）。研究人员利用两个历史数据集进行了试点沉积验证：一是SGC Stockholm提供的大肠杆菌表达数据集（超过14,000个数据点，约11,000个构建体），二是人类分泌组数据集（近3,000个数据点，涵盖CHO和HEK细胞表达）。这两个数据集均被整理为EXPERT格式并沉积至EMBL-EBI的BioStudies数据库中。
研究结果
建立社区咨询框架：研究人员开发了一套基于共识的咨询性框架，将实验参数按优先级分为关键参数（如蛋白质名称、DNA序列、宿主菌株、培养基、诱导后温度）、高度使能参数（如裂解缓冲液、纯度）和可选参数（如基因物种、其他注释），以最小化负担同时最大化价值。
定义和标准化阴性数据：框架明确了小规模表达筛选、规模扩大表达和纯化工作流程中阴性结果的构成，包括设置定量或半定量阈值（如表达水平、溶解度、产量、纯度、单分散性），以确保实验室间一致性。
跨表达系统的数据捕获：框架分别针对细菌、昆虫细胞、哺乳动物细胞和无细胞系统定义了核心表达参数集和系统特有参数，同时尽可能协调以实现跨系统比较。
标准化纯化和下游表征：研究人员为蛋白质纯化定义了有限且一致的参数集，包括色谱树脂、缓冲液条件等，并提出了标准化的缓冲液成分和浓度记录结构。下游生物物理和生化表征方法（如纯度、寡聚状态、稳定性、功能性评估）也被纳入。
数据共享与可持续基础设施：研究确定了EMBL-EBI BioStudies数据库作为合适的存储平台，并完成了两个历史数据集的试点沉积。SGC Stockholm数据集的完整性评分为7/10，人类分泌组数据集为8/10，限制因素分别在于依赖人工注释类别而非实验测定的浓度值，以及无法公开完整载体序列。
出版商参与和保密保护：框架鼓励期刊采纳更严格的蛋白质生产方法和质量控制指标报告要求，同时建立机制支持机密或匿名数据捕获以保护敏感信息。
讨论与结论
EXPERT框架代表了启动社区讨论的第一步，旨在确定蛋白质生产过程中应捕获哪些方面以促进实验可重复性和机器学习模型开发。研究人员强调，社区采纳共享的元数据和质量标准对于实现互操作性、大规模数据聚合以及创建可持续、开放访问的存储库至关重要。他们设想随着EXPERT获得更广泛的社区采纳，模板可以成为直观、用户友好型数据库的基础，支持搜索元数据和序列、自动从质粒序列提取数据等功能。随着实验通量增加和自动化普及，框架还需要支持程序化数据捕获和访问，可能演变为纳入XML或JSON等工业标准数据格式。研究人员指出，构建预测模型的核心挑战在于定义何为“足够”的数据——不仅涉及数据集规模，还包括多样性、质量和代表性，其中阴性数据的纳入至关重要。他们还区分了分子生物学驱动的表达决定因素与蛋白质内在的折叠和溶解性决定因素（如蛋白质类别、跨膜区、固有无序区域、疏水性、等电点），建议预测框架应整合结构和生物物理工具的输出。对于历史数据，研究人员认为回顾性整理资源密集，需仔细进行成本效益评估，而自动文本挖掘和出版商采纳框架可作为补充策略。最终，研究人员展望了一个自由访问的设计和搜索平台，使研究人员能够理性优先选择具有更高成功表达和纯化概率的构建体，从而减少重复工作和经验性筛选，加速不同蛋白质靶标类别的发现。
