全国服务咨询热线：
17351412161
17351412161
随着合成生物学的快速发展，一场由“干实验"（数据）与“湿实验"（实验）深度融合的革命正在悄然改变蛋白质研发的游戏规则。如何快速、高效、按需地生产目的蛋白质已成为全球科研界与产业界共同关注的焦点。
如今，两项革命性技术——无细胞蛋白合成（CFPS）与人工智能（AI）正以未有的方式融合，为蛋白质工程和酶设计带来变革。这种强强联合不仅极大加速了生物催化剂开发进程，更重新定义了生物制造的可能性边界。
一、CFPS：为AI量身打造的实验场
传统的细胞内表达系统虽已成熟，却常受限于细胞膜屏障、毒性产物抑制、以及复杂的调控网络。在此背景下，无细胞蛋白表达（CFPS）以其开放、灵活、快速的独特优势，正从实验室的“小众利器"跃升为下一代生物制造的核心平台。CFPS允许研究人员直接操纵反应环境，实时监测蛋白质合成过程，为蛋白质工程研究提供未有的便利，使其天然具备了与AI协同的优势：
高度可控与模块化： CFPS的反应组分明确，可以像“搭积木"一样进行精确配比和调整。这种模块化设计，为AI算法提供了理想的、低噪声的变量。
快速迭代： 一次CFPS反应通常在数小时内即可完成，从基因到蛋白表达的周期被极大压缩。这意味着AI驱动的“设计-构建-测试-学习"（DBTL）循环可以以未有的速度运转，迅速积累高质量数据。
功能读出： 开放的体系允许直接向反应液中添加底物、荧光探针或报告分子，实现对蛋白产量、活性甚至折叠状态的实时、原位检测，为AI模型提供了丰富且直接的“学习标签"。
图1：CFPS 自动化工作流程
二、AI赋能CFPS：智能化设计-构建-测试-学习闭环
以机器学习（ML）和大型语言模型（LLM）为代表的人工智能（AI）与CFPS技术的深度结合，创造了一个高效的设计-构建-测试-学习（Design-Build-Test-Learn, DBTL）工作流程。这一闭环系统极大地加速了蛋白质工程的发展进程。
2.1 机器学习引导的酶工程创新
Grant M Landwehr等人开发了一种机器学习引导的无细胞酶工程平台，成功实现了对酰胺键合成酶McbA的定向进化。研究人员通过无细胞系统快速合成了1216种酶变体，并在10953个独特反应中评估了它们的底物偏好性。利用这些数据，团队构建了增强岭回归模型，预测能够高效合成9种小分子药物的酶变体。
结果显示，机器学习预测的酶变体相对于母体活性提高了1.6至42倍。这一突破性研究展示了机器学习与CFPS系统结合的强大潜力：机器学习提供预测能力，CFPS系统提供实验验证，二者形成良性循环，不断优化蛋白质设计。
图2：设计-构建-测试-学习工作流程
2.2 AI模型的创新应用
机器学习（ML）工具改变了蛋白质结构预测、工程和设计，但该方法的成功取决于算法训练数据的质量。为了获得高质量的结构或功能数据，通常需要蛋白质纯化，传统的方法耗时耗力。
一项发表在ACS Synth Biol上的文章聚焦于蛋白酶的定向进化，研究人员通过CFPS系统在6小时内快速筛选了48个随机变体来初步采样适应度景观（一种模型），随后用AI模型预测并测试了32个目标变体。并结合蛋白酶活性检测，快速评估数百种蛋白酶变异的功能，识别出多个活跃变体，并将蛋白酶的整体适应度提升了4倍。
这意味着，研究人员可以突破“算得出却做不到"的困境，创造出更多具有特殊功能的蛋白质。这种基于AI模型的蛋白质设计方法，为生物制药等领域开拓了广阔的创新空间。
图3：工作流程
三、协同效应：释放CFPS未有的应用潜能
AI与CFPS的强强联合，正在催生一系列应用场景，充分彰显其“大有可为"的广阔前景：
抗体发现与优化：在抗体研发领域，传统方法需要数周甚至数月时间。而通过CFPS技术在短时间内就能表达和分析数百种抗体的抗原特异性结合情况。这一技术大大加速了抗体的发现和表征过程，让抗体筛选从“蜗牛式"的缓慢进程变成了“火箭式"的快速冲刺。我司的PLD无细胞蛋白合成筛选加速了AI与湿实验的闭环衔接，实现AI预测与实验验证的无缝融合，有效降低抗体开发的试错成本，提升研发效率。
四、未来展望
随着CFPS和AI的不断发展，这一融合领域呈现出几个明显趋势：
一是模型精度不断提升，从简单回归模型向复杂神经网络演进；
二是自动化程度提高，全流程机器人工作站将进一步减少人工干预；
三是应用范围扩展，从单一酶优化向复杂生物系统设计发展。
CFPS与AI的融合，正引生物技术领域迈向智能化、自动化的新纪元。这一技术协同不仅解决了传统蛋白质工程中的瓶颈问题，更开创了生物制造的新范式。随着技术的不断成熟和普及，我们有理由相信，这种“AI预测设计+无细胞CFPS实验验证"的研发模式将在未来成为生物技术创新的主流路径之一，为医药健康、绿色制造和可持续发展等领域贡献重要力量。
参考文献：
Landwehr, Grant M et al. “Accelerated enzyme engineering by machine-learning guided cell-free expression." Nature communications vol. 16,1 865. 20 Jan. 2025, doi:10.1038/s41467-024-55399-0.
Thornton, Ella Lucille et al. “Cell-Free Protein Synthesis as a Method to Rapidly Screen Machine Learning-Generated Protease Variants." ACS synthetic biology vol. 14,5 (2025): 1710-1718. doi:10.1021/acssynbio.5c00062.
微信扫一扫
