基于几何深度学习与元学习的零样本蛋白质进化框架unZipro——以最小筛选实现高效蛋白质工程

《Molecular Cell》：Simplifying in silico protein evolution with minimal screening by unZipro

　　

尽管近年来取得了显著进展，但当前基于人工智能的蛋白质工程方法往往受限于迭代实验验证、成功率有限、改进幅度有限和/或高计算成本。此外，它们在植物蛋白进化中的实用性仍未被探索。研究人员在此提出unZipro，一种高效、可扩展且可泛化的零样本（zero-shot）计算机模拟（in silico）蛋白质进化框架。unZipro整合了一个紧凑的预训练逆向折叠模型与元学习（meta-learning），以推导家族特异性适应度景观。研究人员证明了unZipro能够直接从最小文库（约10个候选）中识别高活性变体，在九个不同蛋白质上平均成功率为61%，并实现T5E-CasΦ₂融合变体的基因编辑活性高达28倍的提升。利用unZipro，研究人员开发了最先进的植物基因编辑核酸酶、优良的萤火虫荧光素酶变体、增强的水稻转录因子以及具有更高效价的大麦来源抗病毒蛋白。总体而言，unZipro代表了生物学、生物技术和农业中成本效益高、广泛可及且变革性的蛋白质工程新范式。

蛋白质进化旨在浩瀚的序列空间中搜寻提升功能适应度的稀有突变，然而适应度景观崎岖