新闻资讯
聚焦前沿科技，传递行业声音
当机器学习遇见无细胞蛋白合成：蛋白工程进入“快速迭代”时代
发布时间：
2026-03-06
——解读 ACS Synthetic Biology 2025 最新研究
Cell-Free Protein Synthesis as a Method to Rapidly Screen Machine Learning-Generated Protease VariantsThornton et al., ACS Synth. Biol., 2025
一、为什么“机器学习设计蛋白”，仍然离不开实验?
近年来，机器学习(Machine Learning, ML)在蛋白科学领域的影响力迅速扩大。从 AlphaFold 带来的结构预测革命，到各类序列生成模型用于蛋白设计，算法正在以前所未有的速度探索蛋白序列空间。
然而，一个现实问题始终存在：算法只能“提出假设”，而蛋白功能的优劣，仍然必须由实验数据来验证。
尤其是在酶工程和功能蛋白优化中，ML 模型对训练数据提出了更高要求——不仅要多，还要真实反映蛋白功能差异。传统依赖细胞表达、纯化和动力学表征的流程，往往周期长、通量有限，很容易成为 ML 迭代的瓶颈。
在这一背景下，Thornton 等人在 ACS Synthetic Biology 发表的这项研究，给出了一个极具代表性的解决思路：
👉 将无细胞蛋白合成(CFPS)直接嵌入机器学习驱动的蛋白设计流程中。
二、研究思路一览：一个典型的“Create–Test–Learn”闭环
这项研究围绕一种人工设计的蛋白酶 Con1 展开，目标是提升其催化活性。整体流程可以概括为三个阶段：
Create(设计)
基于结构预测和计算分析，筛选出可能影响底物结合的关键残基区域，并进行多位点突变设计;
Test(测试)
利用无细胞蛋白合成体系，在体外快速合成蛋白变体，并直接进行酶活性检测;
Learn(学习)
将“序列—功能”数据输入主动学习算法(ALDE)，由模型推荐下一轮更有潜力的突变组合。
通过仅两轮筛选、约百个变体，研究者成功获得了酶活性提升约 4 倍的突变体，展示了该流程在效率上的显著优势。
Create–Test–Learn 工作流程示意图(Thornton et al., ACS Synth. Biol., 2025)
三、无细胞蛋白合成在这里“厉害”在哪里?
值得注意的是，作者并没有把 CFPS 当作“传统细胞表达的替代方案”，而是将其定位为机器学习实验数据的加速器。
从方法学角度来看，CFPS 在这一工作中体现出三点关键价值：
1.快速获得“可比较”的功能数据
研究中并未追求严格的动力学绝对参数，而是通过统一条件下的反应初始速率作为 fitness 指标。事实证明，这种相对比较数据已经足以支撑 ML 对突变体优劣的判断。
2.开放体系，实验设计更自由
无细胞体系不受细胞生存、毒性或底物通透性限制，尤其适合早期功能筛选和多突变组合的测试。
3.实验速度，决定 ML 是否真正“跑得动”
当一轮蛋白表达和功能测试可以在数小时内完成，机器学习的“主动学习”优势才能被真正释放。
CFPS 与纯化蛋白活性对比(Thornton et al., ACS Synth. Biol., 2025)
四、从文献到产业实践：稳定 CFPS 平台的重要性
文中作者也明确指出，如果采用更成熟、标准化的无细胞蛋白合成体系，该流程在通量、重复性和自动化方面仍有提升空间。
这恰恰反映了当前行业的一个重要趋势：无细胞蛋白合成正在从“实验室方法”，演进为“工程化工具”。
在这一方向上，珀罗汀生物(PLD Technology)正致力于将无细胞蛋白表达打造成可直接嵌入蛋白设计、筛选和验证流程的通用工具，服务于酶工程、功能蛋白研究以及 AI 蛋白设计等场景。
当 CFPS 不再需要研究者投入大量精力进行体系搭建，而是能够稳定输出高质量蛋白和功能数据时，机器学习模型的优势才能被充分放大。
珀罗汀生物联合自动化仪器进行高通量筛选应用
五、总结：蛋白工程的核心竞争力正在发生变化
这项研究传递出一个非常清晰的信号：
未来蛋白工程的竞争，不仅是算法的竞争，也不仅是实验技术的竞争，而是“数据生成效率 × 设计迭代速度”的综合竞争。
无细胞蛋白合成，正在成为连接“计算设计”与“实验验证”的关键桥梁。而当这一桥梁足够稳定、足够快速，蛋白工程的创新节奏也将被重新定义。
最新新闻
联系方式
服务热线 : 0512-67900128
客户服务 : support@sz-pld.tech
商务合作 : order@sz-pld.tech
地址 :苏州工业园区界浦路69号维力医疗科创园1号楼302室
