AI赋能蛋白质优化，助力打造高通量干湿一体化实验室

近年来，随着人工智能（AI）技术的迅速发展，以AlphaFold2为代表的AI模型在蛋白质结构预测领域取得了惊人的表现，让人们看到了AI技术在大分子领域的广阔应用潜力。在传统蛋白工程领域，蛋白质功能优化及筛选往往过度依赖科研人员对蛋白功能和结构的理解与经验积累，并常常需要从成千上万种突变体中筛选出符合目标的蛋白质，消耗了大量的时间和经济成本。

在AlphaFold2的推动下，越来越多的生物技术、药物研发、试剂、CRO等企业开始关注如何在实际的研发和生产中运用AI模型来加速蛋白质工程的研究，为企业降本增效，推动生产力革新。

镁伽作为国内率先涉足AI技术的智能自动化企业，一直在积极探索“AI+自动化+生命科学”的行业解决方案。镁伽AI辅助药物设计（AIDD）平台即将正式发布，该平台基于海量生物信息数据、前沿AI技术和生命科学行业的经验积累，涵盖药研上游知识发现与下游药物设计与筛选的服务内容，助力打通生物医药研发上下游产业链，打造生命科学领域“干湿闭环”的智能研发实验室。

针对蛋白质工程领域中常见的功能和性质优化等问题，镁伽AIDD团队深入挖掘科研和产业应用实践中的核心研发需求，创新开发出AI蛋白预测模型Eq3DCNN（如图1所示）。该模型聚焦目标蛋白关键位点的局部空间结构,利用三维卷积神经网络，并创新性地融合蛋白质性质在三维空间的旋转不变性（如图2所示），提取出更具有代表性的特征，应用于各种蛋白质性质的预测和优化。

▲ 镁伽AI蛋白预测模型Eq3DCNN

数据分析表明，针对公开数据相对丰富的蛋白质稳定性优化实验，Eq3DCNN模型的预测能力表现优异（如图3所示）；不仅如此，在结合力预测、亲和力成熟以及结构预测等多种蛋白优化应用场景中，Eq3DCNN模型也取得了优于同类方法的表现（如图4所示）。

▲ 滑动查看，镁伽Eq3DCNN模型的数据分析结果

以蛋白质稳定性预测为例，根据镁伽Eq3DCNN模型的预测结果，可以生成稳定性提升较高的候选突变体列表。经过详细的对比和验证，该工具在测试数据集中展现出高达0.7的结果相关性，提升成功率超过20%以上（详细研究报告目前已发表在biorxiv预印本）。

此外，通过创新性地设计k-fold交叉验证，镁伽科学家们发现蛋白质类型及其拓扑结构是影响蛋白预测准确性的关键因素，即蛋白质性质预测在训练数据中包含的蛋白质（或有相同拓扑结构的蛋白质）上的表现明显好于从头预测的蛋白质。这在一定程度上展示了干湿闭环一体化的实验室解决方案的重要性。

镁伽作为一家自动化赋能生命科学的公司，一直致力于打造“AI+自动化+生命科学”的行业标准范式。通过镁伽AIDD服务平台所设计的蛋白质突变体序列，能够直接链接下游高通量实验平台，如镁伽全自动质粒构建系统、高通量药物筛选系统等生命科学自动化仪器，实现自动化、高通量的蛋白突变体构建与性能检测。同时湿实验的结果也可以反馈回Eq3DCNN模型，迭代和优化AI模型性能，进一步提升干湿实验室整体研发能力。

可以预见，镁伽在已有的自动化湿实验平台搭建能力基础上，加持AIDD服务平台，将构建更系统、更先进的生命科学干湿实验整体自动化解决方案，引领行业实现从研发、生产到应用端的全流程质效升级。