一句话协助设计酶的突变方案，AI协助蛋白质工程自动化

编辑丨%

设计一种新的酶，很多时候并不是先有一个明确的计算公式。

经验丰富的蛋白质工程师可能只是观察一个酶的结构，随后他们的直觉开始运作：活性位点是不是太小了？把某几个氨基酸换掉，让口袋变大一些，会不会更适合体积更大的底物？又或者，让两个结构域之间稍微「松」一点，是不是能提高酶在低温下的活性？

想要验证这些想法的价值，往往需要一整套复杂的计算流程。9 月 10 日，发表于《Nature Computational Science》的「MutexaGPT: an intuition-to-design translator for physics-based enzyme engineering」，尝试让 AI 来完成中间这段翻译工作。

研究人员开发了一个名为 MutexaGPT 的多智能体系统：用户只需要用自然语言描述自己的蛋白质工程直觉，系统就能把它转换成物理模型和分子动力学模拟任务，自动运行计算、分析结果，最后给出可以进一步进行实验测试的突变方案。

论文链接：https://www.nature.com/articles/s43588-026-01049-y

自动化酶工程

酶是生命体系中的催化机器。

它们通过精确控制活性位点附近的空间结构、分子运动和化学环境，让特定反应更容易发生。因此，想改变一种酶的功能，本质上就是想办法找到一组新的氨基酸序列，使蛋白质仍能正确折叠，同时拥有希望得到的催化性质。

过去对于酶的调控往往需要研究人员自己调用不同的软件，再手动组织模拟与分析流程。而 MutexaGPT 所做的，就是自动化这个过程。

MutexaGPT 背后是一组彼此连接的 LLM 智能体。

用户首先通过聊天界面提出设计问题。QuestionAnalyzer 负责理解这个问题，并判断还缺少哪些必要信息；随后，WorkPlanningBoard 把科学问题转换成可以实际执行的计算工作流，包括选择相应的物理模型和模拟方案；计算完成后，ResultExplainer 再把结果重新转换成人能够理解的语言，并给出下一步可以测试的突变建议。

图 1：MutexaGPT 的设计。

回顾性测试

研究团队首先进行了一个回顾性测试。

他们让MutexaGPT处理一个经典问题：如何扩大酶的活性位点口袋，让它更容易容纳体积更大的底物？

系统根据已有的突变和活性数据建立设计约束，然后通过分子动力学模拟计算不同变体的活性口袋体积，并按照这个指标对候选突变排序。

结果是，排名前 10 的候选中有 4 个后来被此前的实验数据证明具有预期效果。

而在研究团队自己的原始论文中，这项任务最终取得了约 40% 的命中率，相对于基线方法实现约 4 倍富集。

图 2：MutexaGPT 引导腔体工程概述。

如果说，想要把科学家的设计直觉翻译成一个合适的物理指标，那这个测试中 MutexaGPT 确实自动完成了后面的计算筛选。

低温适应

研究人员提出一个关于低温适应的设计假设：对于某些双结构域酶来说，让两个结构域之间的距离增加，可能有助于提高低温环境下的功能。

MutexaGPT 根据这个假设筛选候选突变，最后排名最高的两个变体进入真实实验。

图 3：MutexaGPT 引导的冷适应双域淀粉酶连接子设计。

结果，两种突变都表现出了优于野生型的低温适应能力。原始研究进一步显示，其中表现最好的变体在 0°C 条件下的相关活性指标最高可达到野生型的 3.7 倍。

这些结果共同验证了 MutexaGPT 能够无缝地将统计学直觉转化为基于物理的模型，与实验工作流程集成，并实现以物理为基础的冷适应酶工程。

逐步接近的 AI 协作者

作为一种 AI 协作智能体，MutexaGPT 并非是一种能够直接预测酶催化性能的万能模型。它依赖的是一些可以计算的「替代指标」，比如活性口袋体积、结构域间距、结合能等。但这些指标和真正的催化功能之间，并不存在简单的一一对应关系。

现有的 LLM 仿真工具大多在助手层面运行，旨在简化领域专家的分子建模流程。相比之下，MutexaGPT 具备通常协作者应具备的功能。对于几乎没有计算建模经验的蛋白质工程师来说，MutexaGPT 虽然仍是一个辅助级系统，但具有成为酶工程协作者级智能体的可能。

相关链接：https://www.nature.com/articles/s43588-026-01052-3