从 AI 设计到实验验证：无细胞蛋白表达如何加速下一代蛋白质研发？

　　

随着人工智能在蛋白质结构预测、序列设计与分子相互作用分析等领域不断取得进展，蛋白质研发正从传统的经验驱动逐步走向计算设计与实验验证相结合的新模式。

2026 年，Anthropic 公布的研究显示，Claude Mythos Preview 和 Opus 4.8 辅助设计的蛋白质结合剂经实验验证后，在 15 个可评估靶点中成功命中 14 个，其中 Mythos Preview 在单靶点设计模式下的实验命中率达到 35.1%，高于行业典型水平（10%–15%）。

这一结果展现了 AI 在蛋白质设计中的潜力，而无细胞蛋白表达（CFPS）等技术，有望为候选蛋白的快速制备与功能验证提供支持。如何快速制备候选蛋白，并在实验层面验证其表达、溶解性与生物学活性，正在成为 AI 驱动蛋白质研发的重要环节。

无细胞蛋白表达技术凭借反应体系开放、条件易于调控以及适于并行实验等优势，有望为 AI 蛋白质设计提供高效的实验验证平台。

AI 蛋白质设计进入新阶段：从计算预测走向实验验证

蛋白质是生命活动的重要执行者，也是药物研发、疾病机制研究、酶工程与合成生物学领域的重要研究对象。传统蛋白质研发通常需要经历候选序列设计、基因构建、蛋白表达、纯化及功能表征等多个环节，研发周期较长，且实验结果往往受到蛋白质折叠、溶解性和表达效率等因素的影响。

近年来，AlphaFold 等结构预测工具、蛋白质语言模型以及生成式设计方法的发展，为蛋白质研发提供了新的技术路径。研究人员能够借助 AI 预测蛋白质三维结构、提出候选序列、设计潜在结合界面，并对候选分子的结构合理性进行计算评估。[1]

但需要明确的是，AI 生成的蛋白质序列只是候选方案，计算评分也不能直接证明其具有预期的生物学功能。 从理论设计到真实实验结果，仍然存在表达、折叠、溶解性、稳定性以及靶标结合能力等多重挑战。

2026 年 8 月，Anthropic 在官方研究文章《How Claude is accelerating protein design and analytical chemistry》中公布了相关实验结果，为 AI 参与蛋白质设计流程提供了一个值得关注的案例。[2]

在这项研究中，Claude Mythos Preview 和 Claude Opus 4.8 被用于从头设计蛋白质结合剂。研究团队为模型提供蛋白质设计流程、专业工具、相关文献和 GPU 计算资源，由模型自主完成靶点研究、结合位点选择、候选结构与序列生成、计算筛选及候选排序等工作。随后，外部实验机构 Adaptyv Bio 和 Twist Bioscience 对设计结果进行了实际合成与实验验证。

研究结果显示，在 15 个获得可解释实验结果的靶点中，AI 成功为其中 14 个靶点设计出了能够结合目标蛋白的候选分子。在不同设计模式下，整体命中率分别达到 22.6%、26.7% 和 35.1%。其中，35.1% 对应 Mythos Preview 逐个靶点开展独立设计的实验模式；这并不意味着所有靶点都具有相同的命中率。

图1：Claude 相关模型辅助蛋白质结合剂设计的实验结果。

（来源：Anthropic 官方研究文章（2026））

值得注意的是，该研究并非单纯依赖 AI 对蛋白质结构进行预测，而是结合了已有的专业结构设计、序列设计和复合物预测工具，并通过真实实验判断候选分子是否能够结合靶标。

这一结果提示我们：AI 正在加速蛋白质设计与候选筛选，但实验验证仍然是决定设计是否成功的关键环节。

图 2：AI 蛋白质设计与实验验证的协同流程。

（https://doi.org/10.1038/s42003-026-10112-3）

为什么 AI 蛋白质设计需要无细胞蛋白表达技术？

当 AI 能够快速生成大量候选序列时，研发流程的瓶颈也可能随之转移：研究人员需要更高效地制备这些候选蛋白，并判断哪些分子真正具备预期功能。

无细胞蛋白合成（Cell-Free Protein Synthesis，CFPS）是一种利用细胞提取物或重构的生物合成体系，在体外完成蛋白质翻译的技术。研究人员通常通过加入 DNA 或 mRNA 模板、氨基酸、能量底物及必要的反应组分，在无需完整活细胞的条件下合成目标蛋白。

与传统细胞表达相比，CFPS 的一个重要特点是反应体系具有较高的开放性。研究人员可以直接调整底物、缓冲体系、辅因子及其他反应组分，并根据研究需求优化反应条件。这使其适用于蛋白质工程中的快速测试与并行筛选。[3,4]

图3｜无细胞蛋白表达技术在蛋白质设计与筛选中的应用示意。（https://doi.org/10.1002/pro.5148）

在 AI 蛋白质设计流程中，CFPS 的价值主要体现在以下几个方面。

1. 加速候选蛋白制备与筛选

CFPS 可用于多个候选蛋白的平行表达，并结合荧光检测、免疫检测等方法评估表达水平。对于具有明确检测方法的目标，还可进一步开展功能筛选，帮助研究人员缩小候选范围。

2. 建立实验数据反馈闭环

通过测定候选蛋白的表达量、溶解性、稳定性及功能指标，研究人员可以将真实实验数据与 AI 预测结果进行比较，为下一轮序列设计与优化提供依据，逐步形成“设计—构建—测试—学习”（DBTL）的迭代流程。

3. 拓展复杂蛋白研究

对于膜蛋白、含二硫键蛋白及部分难表达蛋白，CFPS 可通过调整反应体系和辅助组分，为蛋白质制备与条件优化提供灵活的解决方案。不过，蛋白质的正确折叠、稳定性和生物学功能仍需针对具体目标进行验证。

AI + CFPS：四个值得关注的应用方向

蛋白质结合剂设计： AI 辅助生成候选结合分子，CFPS 支持候选蛋白制备，再结合 SPR、BLI 等技术验证结合能力与特异性。

酶工程： 通过并行制备和活性检测，比较不同序列变体的性能，为酶活性与稳定性优化提供实验数据。

膜蛋白研究： 结合去垢剂、纳米盘等体系，探索膜蛋白的体外合成、稳定性及功能研究。

高通量与自动化实验： 将 CFPS 与微孔板、自动化液体处理及标准化检测相结合，提高候选分子筛选与实验迭代效率。

需要强调的是，CFPS 并不能自动完成蛋白质功能验证或 AI 模型训练。其价值在于提供灵活的蛋白质制备与实验验证平台，帮助研究人员更高效地获取可靠数据。

从蛋白质设计到数据分析：AI 正在延伸研发边界

除了辅助蛋白质设计，AI 也正在探索实验数据分析的新应用。Anthropic 于 2026 年公布的研究还展示了 Claude Opus 5 在 NMR 数据分析任务中的应用，相关任务约 23 分钟完成。[2]

这表明，AI 的潜在价值正从候选分子生成延伸至实验数据处理与结果分析。但计算效率的提升并不意味着实验验证可以省略，关键结论仍需要通过专业分析与独立实验加以确认。

结语：让蛋白质设计更快走向实验验证

AI 为蛋白质设计提供了新的可能，而 CFPS 则为候选分子的体外制备与实验验证提供了重要支撑。二者的结合，有望推动蛋白质研发从计算预测走向更加高效的实验迭代。

苏州珀罗汀生物专注于无细胞蛋白表达相关技术与产品开发，面向蛋白质制备及相关研究需求，提供相应的 CFPS 试剂产品与技术服务。针对膜蛋白、难表达蛋白等研究对象，可根据具体目标探索适配的表达体系与实验方案。

随着 AI 设计工具与无细胞表达技术的持续发展，珀罗汀生物也将持续关注相关前沿进展，助力科研人员探索蛋白质研究的更多可能。

了解更多：

📞 电话：[phone]

🌐 官网：www.cellfreeprotein.cn

参考文献

[1] Listov D, Goverde CA, et al. Opportunities and challenges in design and optimization of protein function. Nature Reviews Molecular Cell Biology. 2024;25:639–653. 

[2] Anthropic. How Claude is accelerating protein design and analytical chemistry. 2026-08-18. 官方研究文章.

[3] Thornton EL, Paterson SM, Stam MJ, Wood CW, Laohakunakorn N, Regan L. Applications of cell free protein synthesis in protein design. Protein Science. 2024 Sep;33(9):e5148.

[4] Caschera F. Cell-free protein synthesis platforms for accelerating drug discovery. Biotechnol Notes. 2025 Feb 19;6:126-132.

[5] Yue K, Chen J, et al. Advancing synthetic biology through cell-free protein synthesis. Computational and Structural Biotechnology Journal. 2023;21:2899–2908.