一、為什么“機(jī)器學(xué)習(xí)設(shè)計(jì)蛋白"，仍然離不開實(shí)驗(yàn)？

近年來(lái)，機(jī)器學(xué)習(xí)（Machine Learning, ML）在蛋白科學(xué)領(lǐng)域的影響力迅速擴(kuò)大。從 AlphaFold 帶來(lái)的結(jié)構(gòu)預(yù)測(cè)革命，到各類序列生成模型用于蛋白設(shè)計(jì)，算法正在以未有的速度探索蛋白序列空間。

然而，一個(gè)現(xiàn)實(shí)問(wèn)題始終存在：算法只能“提出假設(shè)"，而蛋白功能的優(yōu)劣，仍然必須由實(shí)驗(yàn)數(shù)據(jù)來(lái)驗(yàn)證。

尤其是在酶工程和功能蛋白優(yōu)化中，ML 模型對(duì)訓(xùn)練數(shù)據(jù)提出了更高要求——不僅要多，還要真實(shí)反映蛋白功能差異。傳統(tǒng)依賴細(xì)胞表達(dá)、純化和動(dòng)力學(xué)表征的流程，往往周期長(zhǎng)、通量有限，很容易成為 ML 迭代的瓶頸。

在這一背景下，Thornton 等人在 ACS Synthetic Biology 發(fā)表的這項(xiàng)研究，給出了一個(gè)具代表性的解決思路：

二、研究思路一覽：一個(gè)典型的“Create–Test–Learn"閉環(huán)

通過(guò)僅兩輪篩選、約百個(gè)變體，研究者成功獲得了酶活性提升約 4 倍的突變體，展示了該流程在效率上的顯著優(yōu)勢(shì)。

Create–Test–Learn 工作流程示意圖（Thornton et al., ACS Synth. Biol., 2025）

三、無(wú)細(xì)胞蛋白合成在這里“厲害"在哪里？

值得注意的是，作者并沒(méi)有把 CFPS 當(dāng)作“傳統(tǒng)細(xì)胞表達(dá)的替代方案"，而是將其定位為機(jī)器學(xué)習(xí)實(shí)驗(yàn)數(shù)據(jù)的加速器。

從方法學(xué)角度來(lái)看，CFPS 在這一工作中體現(xiàn)出三點(diǎn)關(guān)鍵價(jià)值：

CFPS 與純化蛋白活性對(duì)比（Thornton et al., ACS Synth. Biol., 2025）

四、從文獻(xiàn)到產(chǎn)業(yè)實(shí)踐：穩(wěn)定 CFPS 平臺(tái)的重要性

文中作者也明確指出，如果采用更成熟、標(biāo)準(zhǔn)化的無(wú)細(xì)胞蛋白合成體系，該流程在通量、重復(fù)性和自動(dòng)化方面仍有提升空間。

這恰恰反映了當(dāng)前行業(yè)的一個(gè)重要趨勢(shì)：無(wú)細(xì)胞蛋白合成正在從“實(shí)驗(yàn)室方法"，演進(jìn)為“工程化工具"。

在這一方向上，珀羅汀生物（PLD Technology）正致力于將無(wú)細(xì)胞蛋白表達(dá)打造成可直接嵌入蛋白設(shè)計(jì)、篩選和驗(yàn)證流程的通用工具，服務(wù)于酶工程、功能蛋白研究以及 AI 蛋白設(shè)計(jì)等場(chǎng)景。

當(dāng) CFPS 不再需要研究者投入大量精力進(jìn)行體系搭建，而是能夠穩(wěn)定輸出高質(zhì)量蛋白和功能數(shù)據(jù)時(shí)，機(jī)器學(xué)習(xí)模型的優(yōu)勢(shì)才能被充分放大。

珀羅汀生物聯(lián)合自動(dòng)化儀器進(jìn)行高通量篩選應(yīng)用

五、總結(jié)：蛋白工程的核心競(jìng)爭(zhēng)力正在發(fā)生變化

這項(xiàng)研究傳遞出一個(gè)非常清晰的信號(hào)：

未來(lái)蛋白工程的競(jìng)爭(zhēng)，不僅是算法的競(jìng)爭(zhēng)，也不僅是實(shí)驗(yàn)技術(shù)的競(jìng)爭(zhēng)，而是“數(shù)據(jù)生成效率 × 設(shè)計(jì)迭代速度"的綜合競(jìng)爭(zhēng)。

無(wú)細(xì)胞蛋白合成，正在成為連接“計(jì)算設(shè)計(jì)"與“實(shí)驗(yàn)驗(yàn)證"的關(guān)鍵橋梁。而當(dāng)這一橋梁足夠穩(wěn)定、足夠快速，蛋白工程的創(chuàng)新節(jié)奏也將被重新定義。