如果要训练一名运动员改练新项目，起点不只取决于训练方法，也取决于身体底子。蛋白质的实验进化也是如此：为了获得新功能而不断加入突变，往往会先损害稳定性，让蛋白质无法正常折叠和工作。这项发表于 Nature 的研究提出，先用 AI 改造起始蛋白，再用实验进化寻找新功能。它改变的不是筛选速度，而是进化从哪里出发。
先把“起始选手”打稳
研究团队使用 ProteinMPNN——一种根据蛋白质三维骨架反推氨基酸序列的 AI 模型——重新设计了三种肉毒杆菌神经毒素蛋白酶（BoNT protease）。蛋白酶是负责切割蛋白质的酶；它切得多快体现活性，更偏向目标而避开其他对象则体现特异性。
这里的设计有点像保留房屋承重结构，重新选择建筑材料。按论文报告，重新设计的变体稳定性更高，同时保留了完整催化效率。研究者由此提出：这些蛋白质可能具有更强的“突变稳健性”，也就是经历若干氨基酸替换后，仍能正确折叠并工作的能力。
接下来，团队让 AI 设计版本与对应的野生型（WT，即自然版本）并排参加 PACE。PACE 是噬菌体辅助连续进化：系统持续制造突变、选择表现更好的版本并复制优胜者，每 24 小时可在无研究人员干预下完成数十代。它相当于一种高速的定向进化——在实验室里反复突变和筛选，像人为加速育种。
好起点让进化多走几步
在三种蛋白酶、合计四轮进化实验中，以重新设计蛋白酶为起点，最终都获得了活性高于相同选择条件下 WT 起点产物的蛋白酶。
关键不只是“最后分数更高”。一些在重新设计背景中产生的进化突变，一旦放回 WT 蛋白酶便无法发挥功能。这说明 AI 设计提高了蛋白质容纳后续突变的能力，使实验路径能够抵达 WT 背景下难以获得的高功能序列。论文还报告，当重新设计确实提高起点附近序列的适应度时，后续适应速度也更快。
换句话说，传统做法主要是在突变中挑赢家；这项工作先改善选手承受训练的余量，再启动同一套竞赛。AI 没有独立完成整个进化过程：ProteinMPNN 负责设计起点，新功能仍由 PACE 的突变与实验筛选获得。
79 倍说明了什么？
研究者还从 WT 和 AI 重新设计的 BoNT/E 蛋白酶分别出发，进化出能够选择性切割治疗相关蛋白 ataxin-2 的版本。按论文结果，重新设计起点产生的蛋白酶具有更高的催化效率和稳定性，同时减少了对天然底物的切割。
其中最佳变体对 ataxin-2 的“选择特异性”，比从 WT 起点得到的最佳变体高出超过 79 倍。这个数字只适用于 BoNT/E 的 ataxin-2 任务，比较的是双方各自的最佳进化变体，不能理解成所有活性或所有 AI 设计蛋白都提高了 79 倍。
为什么值得关注
这项研究把 AI 蛋白质设计接到了定向进化之前。它提示，AI 的价值未必只是预测哪次突变更好，也可以重设进化的起跑线，为后续实验筛选保留更大的探索空间。对酶工程而言，这是从“筛选候选者”向“设计更能进化的候选者”迈出的一步。
局限与未知
- 本文核心结果均来自同一篇 Nature 论文，尚无独立信源交叉验证。
- 实验覆盖三种相关的 BoNT 蛋白酶，不能据此推断该流程适用于所有酶或蛋白质。
- 摘要中的“更高活性”“更快适应”等表述未提供具体测量值、误差、样本量或统计显著性，因此现阶段不宜扩写为普遍优势。