《Synthetic and Systems Biotechnology》：Engineering short-sequence elements for condensate-like assemblies by de novo design
编辑推荐：
生物分子凝聚体通过相分离（phase separation）形成，在细胞组织和基因调控中发挥关键作用。然而，天然凝聚体元件通常具有高分子量和序列冗余，限制了它们在原核系统中的应用。为解决这一问题，研究人员建立了一个整合生成式人工智能（generative ar
生物分子凝聚体通过相分离（phase separation）形成，在细胞组织和基因调控中发挥关键作用。然而，天然凝聚体元件通常具有高分子量和序列冗余，限制了它们在原核系统中的应用。为解决这一问题，研究人员建立了一个整合生成式人工智能（generative artificial intelligence）、计算预测和实验验证的集成框架。研究人员首先构建了一个来源于真核生物的相分离元件在大肠杆菌（Escherichia coli）中的基准数据集。该数据集用于构建PSVAE模型用于从头序列设计，以及LMPsPred分类器用于高通量筛选。最终，研究人员鉴定了13个低分子量（16-26 kDa）且最小冗余的短序列元件。实验验证证实这些元件在大肠杆菌中形成凝聚体，并且与天然元件相比具有增强的蛋白质招募能力。本研究强调了人工智能引导设计生成类凝聚体组装的潜力，并扩展了原核系统中候选相分离元件的库。
**研究背景、问题与动机**
生物分子凝聚体（biomolecular condensates）是通过相分离（phase separation）形成的无膜亚细胞结构，在细胞组织（cellular organization）和基因调控（gene regulation）中发挥关键作用。然而，天然凝聚体元件（如RGGRGG、MaSpI16、R32、A-IDPs等）通常具有高分子量（可达50 kDa以上）和高度序列冗余，在原核系统（如大肠杆菌Escherichia coli）中的应用面临瓶颈：克隆表达困难、对靶蛋白结构活性产生负面影响（如融合FUSN至VioE后酶活性显著降低）、降低细胞生物量（约20%），限制了工业规模应用。此外，现有基于算法的相分离序列设计多集中于体外可控条件，而复杂细胞内环境存在诸多不确定性。因此，迫切需要开发短序列、低分子量、低冗余的相分离元件，以满足多样化应用需求，并扩展原核系统中候选元件库。
**研究内容、结论与意义**
研究人员建立了一个整合生成式人工智能（generative artificial intelligence）、计算预测和实验验证的集成框架。首先构建了真核来源相分离元件在大肠杆菌中的基准数据集，用于训练PSVAE（Phase-Separation Variational Autoencoder）模型进行从头序列设计，以及LMPsPred分类器进行高通量筛选。最终鉴定了13个短序列元件（分子量16-26 kDa，最小冗余），实验验证表明这些元件在大肠杆菌中形成类凝聚体组装（condensate-like assemblies），且蛋白招募能力优于天然元件（最大提高约6.3倍）。该研究展示了AI引导设计生成类凝聚体组装的潜力，并扩展了原核系统中候选相分离元件的库，为合成生物学中可编程细胞内组装提供了基础。论文发表在《Synthetic and Systems Biotechnology》。
**关键技术与方法**（不超过250字）
研究人员主要运用了以下关键技术方法：
1. **PSVAE模型**：基于变分自编码器（Variational Autoencoder, VAE）框架，使用长短期记忆网络（LSTM）作为编码器和解码器，从相分离蛋白序列中学习潜在空间分布，生成具有新颖序列但保留关键理化性质的短序列元件。
2. **LMPsPred分类器**：基于预训练蛋白语言模型ESM1b提取序列的1280维特征向量，结合自动机器学习框架AutoGluon构建二分类器，用于高通量筛选候选序列。在独立测试集上表现优异（AUC-ROC 0.85–0.98，精度0.91–0.99），显著优于现有预测工具（Droppler、LLPhyScore、PSPredictor）。
3. **体内实验验证**：构建EGFP融合表达载体，在大肠杆菌中表达候选元件，利用荧光显微镜观察凝聚体形成，并通过尿素处理验证其可逆性和类液体性质；定量分析极区与胞质荧光强度比。样本队列来源：从LLPSDB、DrLLPS、PhaSePro、PhaSepDB等公共数据库收集582条非冗余相分离蛋白序列（正集），并从PDB（结构蛋白）和DisProt（非相分离内在无序蛋白）收集3307条序列（负集）。
**研究结果**（保留每个小标题，简要说明通过什么研究得出什么结论）
**2.1 天然凝聚体元件在大肠杆菌中的体内验证**
通过荧光显微镜观察14种天然真核相分离元件（如FMRP的LCD、eIF4GII的IDR等）与EGFP融合蛋白在大肠杆菌中的表达，发现大多数元件形成明亮的点状荧光信号，与EGFP单独表达的弥散分布形成对比；尿素处理后点状信号分散，表明具有类液体可逆性；定量分析显示分布系数（极区/胞质荧光强度比）为1–5，最高提高4.3倍，证明天然元件成功招募蛋白。但SYN2和Std1未能形成凝聚体，说明真核环境与原核环境存在差异，凸显了在E. coli中验证的必要性。由此构建了基准数据集，用于后续模型训练。
**2.2 天然生物分子凝聚体序列的理化性质分析**
比较相分离蛋白与非相分离蛋白（包括DisProt内在无序蛋白和PDB结构蛋白）的10种生物物理描述符：相分离蛋白具有更高的内在无序区（IDR）含量（通过IUPred3评估）、富含甘氨酸（G）、丝氨酸（S）、丙氨酸（A）、脯氨酸（P）、亮氨酸（L）、精氨酸（R）；分子量更大、长度更长；等电点（pI）显著更高（p<0.001），但pH 7时净电荷无显著差异（p=0.34），表明相分离依赖局部电荷斑块而非全局净电荷；稳定性更低、亲水性更低，与凝聚体的瞬态和亚稳态性质一致。
**2.3 通过VAE从头设计类凝聚体组装序列**
开发PSVAE框架，基于LSTM编码器和解码器，通过最大化证据下界（ELBO）优化，从基准数据集学习连续潜在空间。采样生成的新序列通过BLAST比对UniProt数据库，平均最佳同源性约34%，多数序列高度新颖（同源性<30%）或中等新颖（30–50%）。生成序列在序列长度、分子量、酸性残基比例、亲水性（GRAVY指数）和稳定性指数等关键理化性质上与天然相分离蛋白分布相似，且与天然序列相比具有低分子量（平均约606个氨基酸的天然数据集相比），表明模型学到了相分离的底层物理化学原理，而非简单记忆序列模体。
**2.4 类凝聚体组装筛选平台的开发**
构建LMPsPred分类器，利用ESM1b提取1280维特征，结合AutoGluon自动机器学习框架。在测试集I（自然序列，106正/120负）上AUC-ROC为0.85，精度0.91；在更具挑战性的测试集II（人工设计相分离蛋白，124正/150负）上AUC-ROC为0.98，精度0.99，显著优于Droppler、LLPhyScore、PSPredictor等现有预测器。对PSVAE生成的1000条序列进行高通量筛选，优先选出13条候选短序列（平均成对同源性仅10.91%，但共享中等亲水性、近中性净电荷、高比例无序促进残基），进行体内验证。
**2.5 新型类凝聚体组装元件在大肠杆菌中的体内验证**
将13条PSVAE设计的新型元件与EGFP融合表达于大肠杆菌，荧光显微镜显示所有元件均形成明亮点状荧光信号，类似天然元件，与EGFP单独表达的弥散分布形成鲜明对比。尿素处理下V1和V2形成的点状信号分散，支持可逆类液体性质。定量分析显示分布系数显著高于阴性对照，最大提高约6.3倍，优于天然元件（最大4.3倍）。此外，近半数选择序列对细胞生长无负面影响，部分甚至促进生长（Supplementary Fig. 6）。因此，PSVAE模型可生成具有类凝聚体组装功能的新型蛋白序列。
**总结讨论与研究结论**
研究讨论部分指出：本工作从“序列优化”跨越到“从头创造”，PSVAE模型学习天然元件理化特征，生成高度新颖且功能性的短肽，挑战了“相分离能力严格依赖长序列重复”的假设，揭示了短序列中关键理化特征的精妙排列即可驱动有效细胞凝聚。AI设计元件（13条短肽）具有低分子量、低重复性，规避了天然大分子元件的细胞毒性和代谢负担。尽管这些人工凝聚体可能不表现典型液-液相分离特征，但可能形成亚稳态或凝胶状结构，在药物释放、生物粘合剂等场景中具有特殊应用潜力。但FRAP、临界饱和浓度、体外重构及聚集标记共定位等分析尚未进行，其材料属性需进一步研究。未来需探索AI设计序列倾向于形成非典型液凝聚体的原因，以及细胞环境与设计序列之间的相互作用。
**研究结论翻译**：本研究强调了人工智能引导设计生成类凝聚体组装的潜力，并扩展了原核系统中候选相分离元件的库，为未来可编程细胞内组装的研究提供了基础。
