2024年諾貝爾化學獎授予戴維-貝克（David Baker）、戴米斯-哈薩比斯（Demis Hassabis）和約翰-朱伯（John M. Jumper），以表彰他們在蛋白質(zhì)設計和結構預測領域做出的杰出貢獻。DeepMind團隊的AlphaFold3憑借其強大的結構預測統(tǒng)一框架，為藥物開發(fā)開辟了新的可能性，并有可能顛覆當前的藥物發(fā)現(xiàn)模式。

AI + 蛋白質(zhì)市場規(guī)模

目前，對蛋白質(zhì)的AI開發(fā)主要集中在預測蛋白質(zhì)本身的結構和功能，預測蛋白質(zhì)與其他生物大分子的相互作用，以及蛋白質(zhì)設計和蛋白質(zhì)組學分析等方面。在工業(yè)應用中，“AI+蛋白質(zhì)設計 ”所占比例最高。目前，這些預測技術已更多地嵌入到現(xiàn)有的藥物開發(fā)和蛋白質(zhì)工程流程中。

根據(jù)MedMarket Insights的數(shù)據(jù)，AI蛋白質(zhì)市場規(guī)模在2023年達到14.83億美元，預計到2031年將增長到178億美元，復合年增長率約為36.5%，這主要得益于AI宏模型對生命科學的高度適應性。

數(shù)據(jù)來源: MedMarket Insights, 2023

從全球市場來看，美國是全球AI蛋白質(zhì)研究和應用的領導者，約占市場份額的58%。歐洲占22%，亞洲（主要是中國和一些日本公司）約占12%的市場份額，英國和中東分別占4%和2%，其他地區(qū)占2%。

全球蛋白質(zhì)AI市場分布預測

數(shù)據(jù)來源: MedMarket Insights, 2023

AI + 蛋白質(zhì)應用場景

隨著以深度學習為代表的AI（AI）技術的發(fā)展，為蛋白質(zhì)研究提供了另一種思路，帶來了方法、流程和思維的創(chuàng)新。特別是以 AlphaFold 為代表的突破性創(chuàng)新，AI在蛋白質(zhì)結構預測、優(yōu)化設計和組學研究方面取得了重大進展。同時，這些技術已經(jīng)從實驗室走向?qū)嶋H應用，覆蓋了蛋白質(zhì)設計、藥物發(fā)現(xiàn)、合成生物學等多個領域。

1、蛋白質(zhì)設計

AI蛋白質(zhì)設計可分為兩個主要方向：蛋白質(zhì)優(yōu)化和蛋白質(zhì)從頭設計。

從功能到序列的蛋白質(zhì)設計只需要確定能實現(xiàn)該功能的氨基酸序列。蛋白質(zhì)優(yōu)化涉及修改天然序列（定向進化）以增強其特定功能，如增強親和力、提高催化活性和穩(wěn)定性。從零開始的蛋白質(zhì)設計，包括從結構設計序列、從功能設計序列和從功能設計結構，這也是David Baker 教授及其團隊特別成功的領域。

2、藥物發(fā)現(xiàn)

AI蛋白質(zhì)預測和蛋白質(zhì)設計可以大大加快新藥研發(fā)的進程。通過預測蛋白質(zhì)的結構和功能，模擬蛋白質(zhì)與其他生物大分子的相互作用過程，可以準確確定藥物與靶點的結合位點，為藥物研發(fā)提供有力支持。此外，基于AI的端到端蛋白質(zhì)設計技術可以實現(xiàn)從無到有，設計出具有特定功能的蛋白質(zhì)類藥物。同時，將AI與蛋白質(zhì)組學數(shù)據(jù)相結合，可以系統(tǒng)分析人體內(nèi)蛋白質(zhì)、疾病和藥物之間的關聯(lián)，補充靶點庫，加速藥物研發(fā)進程。

約85% 的人類疾病相關蛋白質(zhì)靶點難以成為藥物，因為有些蛋白質(zhì)難以分析和觀察，即使使用電子顯微鏡和核磁共振等傳統(tǒng)方法，也只能觀察到其靜態(tài)結構。AI技術為藥物發(fā)現(xiàn)和開發(fā)提供了新的工具和方法，以解決難以成藥的靶點，有望改變傳統(tǒng)的藥物發(fā)現(xiàn)模式，提高藥物發(fā)現(xiàn)的效率和成功率。

3、合成生物學

在合成生物學領域，通過精確控制和改變蛋白質(zhì)的結構和功能，為農(nóng)業(yè)、食品和制藥業(yè)提供了創(chuàng)新解決方案。這具有巨大的應用潛力和經(jīng)濟價值。

在農(nóng)業(yè)領域，AI可以改良作物蛋白質(zhì)，提高產(chǎn)量和質(zhì)量，減少環(huán)境污染。2021 年，NotCo 公司推出了AI平臺 Giuseppe，利用AI設計和預測植物性蛋白質(zhì)的結構，模仿動物性食品中的營養(yǎng)成分和口感，為植物性食品的開發(fā)提供優(yōu)化建議。

在食品領域，AI可以幫助開發(fā)營養(yǎng)更豐富、成本更低廉的優(yōu)質(zhì)蛋白質(zhì)。合成生物學公司 Arzeda 在酶改性領域取得了重大成果，利用其先進的酶改性平臺開發(fā)出了可高效轉(zhuǎn)化甜味劑并降低生產(chǎn)成本的酶。此外，Arzeda 還為英國石油公司開發(fā)了新型酶，以提高石油開采和生產(chǎn)過程的效率。

如何將設計的蛋白質(zhì)轉(zhuǎn)化為“實際功能蛋白質(zhì)”？

1. 設計蛋白質(zhì)

? 功能位點鑒定： 第一步是確定蛋白質(zhì)的功能位點，該位點負責蛋白質(zhì)的生化活性。

? 序列設計： 研究人員利用深度學習算法設計氨基酸序列，使其能折疊成包含所需功能位點的三維（3D）結構。這一步尤其具有挑戰(zhàn)性，因為它需要創(chuàng)建一個具有功能區(qū)（如活性位點或結合界面）的穩(wěn)定的整體支架，并設計一個可折疊成該結構的序列。

2. 驗證和優(yōu)化

? 性能驗證： 在進行實驗之前，要對設計的蛋白質(zhì)進行計算驗證。這包括檢查蛋白質(zhì)的穩(wěn)定性，確保功能位點位置正確，并預測其與其他分子的相互作用。

? 優(yōu)化： 在計算驗證的基礎上，設計可能會經(jīng)過幾輪優(yōu)化，以提高其穩(wěn)定性、功能性和在生物系統(tǒng)中的表達。

3. 合成與表達

? 基因合成： 獲得優(yōu)化的蛋白質(zhì)序列后，下一步就是合成相應的基因。這可以通過DNA 合成技術來完成，目前這種技術已經(jīng)高度自動化，而且效率很高。

? 蛋白表達： 然后將合成的基因克隆到合適的宿主細胞（如細菌、酵母或哺乳動物細胞）中進行蛋白質(zhì)表達。在最佳條件下培養(yǎng)宿主細胞，以促進所需蛋白質(zhì)的高水平表達。

4. 純化和表征

? 蛋白純化： 表達后，利用各種生化技術（如層析和電泳）從宿主細胞中純化蛋白質(zhì)。這一步驟可確保蛋白質(zhì)不含污染物和雜質(zhì)。

? 表征分析：然后使用光譜、電泳和質(zhì)譜等各種生物化學和生物物理方法對純化的蛋白質(zhì)進行表征。這些方法可提供有關蛋白質(zhì)結構、穩(wěn)定性和功能特性的信息。

5. 蛋白功能測試

通過使用特定的檢測方法來測試蛋白質(zhì)的功能特性，以測量其活性或與目標分子的結合親和力。這些檢測方法包括酶活性測量、結合實驗或細胞檢測。

泓迅生物

讓AI設計的蛋白質(zhì)“活”起來

泓迅生物結合AI設計和合成生物學的力量，提供從蛋白質(zhì)序列優(yōu)化、表達到功能驗證的全面支持，促進蛋白質(zhì)預測的下游應用研究，讓AI設計的蛋白質(zhì)“活”起來。

Syno GS 平臺

AI-Drivern 深度 DNA 合成

Syno GS 平臺擁有多種智能生物分析工具，包括 Syno Ab、NG Codon、Complexity Index (CI) 和 AI-TAT。您只需提供想要合成的核苷酸或氨基酸序列，我們就會提供 100％ 精確的基因序列，并克隆到您指定的載體中。精確的基因序列可以提高蛋白質(zhì)表達的準確性和效率。

AI 驅(qū)動器深度 DNA 合成

Syno 蛋白平臺

實現(xiàn)從序列到結構再到功能的轉(zhuǎn)變

泓迅生物提供細菌、酵母、昆蟲和哺乳動物四種蛋白質(zhì)表達系統(tǒng)選擇。從毫克到克，我們的合成生物學平臺和NG Condon 優(yōu)化技術可生產(chǎn)出高純度的活性蛋白質(zhì)，加速您的研究。根據(jù)蛋白質(zhì)的性質(zhì)和客戶的具體要求，我們從一系列表達載體、表達宿主和融合標簽中精心挑選，以提供最佳結果。我們?yōu)槭澜绺鞯氐目茖W家提供定制服務。

蛋白表達服務流程

Syno Ab 平臺

助力抗體發(fā)現(xiàn)

AlphaFold 擅長預測蛋白質(zhì)結構，但無法模擬蛋白質(zhì)與其他蛋白質(zhì)或藥物分子相互作用時的變化。泓迅生物的 Syno Ab 抗體平臺以 AlphaFold 預測的抗原結構為起點，解決了這一局限性。它以抗體生物醫(yī)學生物計算為支撐，有效模擬抗原-抗體對接，將計算技術與實驗方法相結合，幫助研究人員大幅降低抗體開發(fā)的總體成本，縮短開發(fā)周期。

服務流程

References

1.ABRAMSON, Josh, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 2024, 1-3.

2.CHEN, Lingtao, et al. AI-Driven Deep Learning Techniques in Protein Structure Prediction. International journal of molecular sciences, 2024, 25.15: 8426.

3. GOEL, Divya; KUMAR, Ravi; KUMAR, Sudhir. AI-Assisted Methods for Protein Structure Prediction and Analysis. In: Microbial Data Intelligence and Computational Techniques for Sustainable Computing. Singapore: Springer Nature Singapore, 2024. p. 365-391.

4. Yoshida Hiroyuki,[Deep Learning and AlphaGo].[J] .Brain Nerve, 2019, 71: 681-694.

5. Niazi Sarfaraz K,Molecular Biosimilarity-An AI-Driven Paradigm Shift.[J] .Int J Mol Sci, 2022, 23.

6. Liu Z, Zhang Y, Nielsen J. Synthetic biology of yeast[J]. Biochemistry, 2019, 58(11): 1511-1520.