大衛貝克團隊：開啟按需定制生物傳感器的新紀元

編輯丨&

小分子結合蛋白在生物傳感、環境監測、疾病診斷等領域有廣泛應用。然而，天然蛋白質的配體結合特異性有限，而傳統工程改造耗時費力。近年來，深度學習在蛋白質設計領域取得了突破性進展，但從頭設計高親和力、高特異性、且可轉化為傳感器的小分子結合蛋白仍然充滿挑戰。

由華盛頓大學（University of Washington）的 David Baker 團隊領銜，聯合韓國科學技術院（KAIST）、哈佛大學等多家頂尖科研機構的研究團隊，通過結合深度學習與基于物理的方法，成功設計并驗證了一個具有多樣化幾何口袋的 NTF2 蛋白質家族，為環境、生物醫學及分析化學領域的小分子檢測提供了全新的平臺。

相關研究以「Small-molecule binding and sensing with a designed protein family」為題，于 2026 年 3 月 28 日發布在《Nature Communications》。

論文鏈接：https://www.nature.com/articles/s41467-026-70953-8

支架生成與多樣化口袋

該研究的核心策略是利用 NTF2（Nuclear Transport Factor 2）樣折疊作為基礎支架。這個折疊由 3 個螺旋和一個彎曲的 6 鏈 β 片層組成，形成一個天然的大空腔，許多 NTF2 家族蛋白在自然界中就能結合類固醇類小分子。

研究團隊希望利用這個「特權」折疊，生成一系列結構多樣的骨架，以適應不同小分子的形狀和化學性質。

圖 1： 基于NTF2的小分子結合與傳感設計策略。

研究團隊通過三種主要路徑生成了超過 10,000 個具有多樣化口袋幾何形狀的蛋白質支架：

1. 基于家族范圍內的「幻覺」（Hallucination）生成方法，保留天然氫鍵網絡，產生了 1,615 個支架。
2. 通過 ProteinMPNN 重新設計上述支架序列，并使用 AlphaFold 驗證其折疊準確性，篩選出 3,230 個支架。
3. 利用 Rosetta 進行參數化生成，結合 ProteinMPNN 重新設計和 AlphaFold 驗證，生成了 6,838 個支架。

這套龐大的支架庫為針對不同目標小分子進行精確匹配提供了可能。

圖 2：小分子結合蛋白的表征。

研究人員選取了六種在化學和結構上各異的小分子作為設計目標，利用 RIFdock 工具，研究團隊將這些配體分別置于萬余個 NTF2 支架的中央口袋中，開啟了針對性的結合界面設計。

結合物理與深度學習的設計

針對小分子結合蛋白設計中「極性界面設計」這一難題，研究團隊采用了兩種互補的設計方法。

策略 1（用于 Set 1 骨架）：利用骨架中預存的氫鍵網絡（HBNet）來「錨定」小分子的極性基團。這種方法側重于物理模擬，通過將小分子的極性官能團對接到 Set 1 支架中預先安裝的氫鍵網絡（HBNets）上，并結合 Rosetta 進行序列優化，特別適合那些含有極性官能團的配體。

策略 2（用于 Set 2 和 3 骨架）：充分利用了深度學習模型的優勢，引入了專門針對蛋白-小分子復合物訓練的 LigandMPNN 模型。與傳統方法相比，LigandMPNN 能更有效地平衡蛋白質-配體相互作用與蛋白質內部的相互作用。

在實驗表征階段，研究團隊將篩選出的數萬個設計序列通過合成寡核苷酸的方式在酵母中表達，并利用酵母表面展示技術結合熒光激活細胞分選（FACS）進行篩選。結果顯示，所有六個目標分子都成功檢測到了結合信號。

皮質醇傳感器的構建與應用

作為該研究最具應用價值的案例，團隊進一步開發了基于皮質醇（Cortisol）的生物傳感器。皮質醇是人體生理樣本中重要的生物標志物，其在血漿中的異常升高（大于 38 nM）是庫欣綜合征等疾病的診斷依據。

為了構建高性能傳感器，研究人員首先通過定點飽和突變（SSM）和組合突變篩選，將原始設計 hcy129 的結合親和力提升至 68 nM（變體名為 hcy129.1），親和力提高了 31 倍。

圖 3：設計的皮質醇和阿哌沙班結合蛋白的結構分析。

通過對富集群體進行 FACS 分析和 SEC 驗證，團隊成功獲得了一個名為 miniH11 的組件，它能與 hcy129.1_CID 在皮質醇存在的情況下形成穩定的化學誘導二聚體（CID）系統。最后，研究團隊通過將這兩個 CID 組件分別與 NanoBiT 系統的 SmBiT 和 LgBiT 熒光素酶片段融合，構建了一個發光傳感器。

圖 4：用于皮質醇傳感的化學誘導異二聚體的設計與表征。

該傳感器對皮質醇、可的松和 17α-羥孕酮有響應，但對皮質酮（缺少 17 位羥基）無響應，與設計模型中關鍵極性相互作用的預測一致。

技術洞察

該研究展示了深度學習工具（如 ProteinMPNN, LigandMPNN 和 AlphaFold）與傳統物理建模（Rosetta）深度融合的巨大潛力，尤其是如何從頭設計出針對多種小分子的高親和力結合蛋白，并將其轉化為功能性傳感器。特別是化學誘導二聚化系統的設計為構建模塊化、可調控的生物傳感器提供了通用平臺。

盡管目前在處理疏水性較強的配體或極度相似的化學異構體時，特異性仍面臨挑戰，但這一平臺的建立為未來開發面向全球環境監測或個人健康管理的即時感測技術奠定了理論與實驗基礎。隨著未來深度學習模型對蛋白-配體相互作用預測精度的進一步提升，定制化生物傳感器的開發將變得更加精準和高效。

https://phys.org/news/2026-04-ai-proteins-built-specific-compounds.html