Cell|AI从头设计完美荧光标签蛋白

Akkio
2026-09-23 15:33:27
人工智能
生命科学
技术教程


如果我们想观察活细胞的内部世界——蛋白质在忙碌工作,细胞器在有序运转,但问题在于,大多数蛋白质都是透明的,即使在显微镜下也根本看不见它们。于是,科学家发明了“荧光标签”——把荧光蛋白像小灯笼一样挂在目标蛋白质上,就能在显微镜下追踪它们。


对活细胞进行荧光成像,是现代生命科学的基石。几十年来,研究人员一直依赖从自然界“借”来的荧光蛋白或者经过大量改造的酶类作为标签。但这些天然荧光蛋白即使经过改造也总有不完美的地方,还没有一种荧光标签能将理想性能集于一身——高亮度、可逆结合、体积小以及在多种条件下保持稳定。


而现在,加州大学旧金山分校的研究团队给出了一个新的答案:用AI从头设计一个完美的荧光标签蛋白。这种名为Rhobin的从头设计的荧光标签系统,几乎满足了科学家对荧光标签的所有幻想。


Image


研究团队开发了一种基于人工智能(AI)且具有理论依据的计算策略,从头设计了一类紧凑型泛罗丹明结合蛋白——Rhobin,其具有高亮度、可逆结合和极强稳定性,实现了优于现有荧光标签蛋白的活细胞/固定细胞成像、超分辨率成像和单分子成像,并支持在 75°C下对极端嗜热微生物进行成像,而现有的工具无法实现这一功能。


蛋白质工程以天然蛋白质作为设计起点,已提供了大量工具,极大地改变了我们对生物学和治疗学的理解。例如,经过改造的蛋白质标签被广泛用作细胞和组织成像中的荧光标记。研究人员已从绿色荧光蛋白及其同源蛋白中改造出了大量荧光蛋白,这些荧光蛋白可自发氧化形成发色团。此外,研究人员还对能够结合天然荧光团的蛋白质进行了改造,将其开发为荧光标签,以克服荧光蛋白成熟缓慢和光谱范围有限的问题,但它们通常存在亮度较低或光稳定性较差的问题。还有一种策略是将酶改造为自标记标签,例如 HaloTag和SNAP-tag,它们能与携带荧光团的底物共价结合。


尽管取得了这些进展,但改造天然蛋白质仍耗时较长,并受到起始天然蛋白固有局限性的制约。例如,现有的荧光标签由于其来源的天然蛋白质在高温下不稳定,因此无法与生活在极端环境中的生物(例如嗜热菌)兼容。


相比之下,从头设计能够绕过起始天然蛋白的进化印记,使得人们能够在初始设计阶段就定制出具有所需特性的新工具。


科学家的“愿望清单”


在研究开始之前,研究人员列出了一份理想的荧光标签应具备的特性——


1.超高亮度——单个分子也能看得清;


2.广谱兼容——能配合多种不同颜色的荧光染料;


3.可逆结合——染料“烧坏”了能自动更换;


4.体积小巧——不影响被标记蛋白质的正常功能;


5.超级稳定——在高温下也能工作;


6.正交性——能与其他标签系统协同使用。


听起来像是天方夜谭?但Rhobin(Rhodamine binder)全都做到了。


“从头设计”:一场蛋白质的“上帝视角”工程


传统的蛋白质改造,就像修改一栋已有的建筑,你只能在原有结构上敲敲打打。而从头设计(de novo design)则像从零开始画一张蓝图,建造一座完全符合需求的理想建筑。


研究团队的目标是设计一类能够识别罗丹明染料家族的蛋白质。罗丹明(Rhodamine)是一类广泛使用的荧光染料,颜色覆盖从绿色到远红外,但它们有一个特点:存在两种形态——不发光的“内酯”形式和发光的“两性离子”形式。


研究团队想到:如果设计的蛋白质只结合发光形式的罗丹明,不就能实现“点亮即绑定”的效果吗?


他们的策略很巧妙:在蛋白质中设置一个带正电荷的精氨酸残基,专门吸引罗丹明分子中带负电的羧基;设计一个足够宽敞的结合口袋,容纳不同种类的罗丹明衍生物;用虚拟的“膨胀版”罗丹明作为模板,确保口袋空间充足。


最终诞生的Rhobin蛋白只有17千道尔顿大小——不到常用HaloTag标签的一半。


Image


从头设计具有理想特性的泛罗丹明结合蛋白



令人惊讶的是,研究团队只设计了9种候选蛋白序列,其中8种就成功实现了与目标染料的结合。


最优秀的选手Rhobin9表现尤为出色:它与多种罗丹明染料的结合常数都在纳摩尔级别,这意味着极高的亲和力。更令人振奋的是,当研究团队解析Rhobin9的晶体结构时,发现其实际结构与设计模型惊人地吻合——两者的差异不到0.7埃,实现了原子级别的精度。


这证明了从头设计蛋白质的可行性和精确性。


真正的亮点:它到底有多好用?



1
、比现有标签更亮



在活细胞成像实验中,Rhobin9与JF660染料的组合产生的信号强度是传统HaloTag系统的数倍。这意味着你可以用更少的染料看到更清晰的图像。



2
、“不怕死”的光稳定性



荧光染料有一个致命弱点:在强光照射下会不可逆地“光漂白”(photobleaching),就像灯泡烧坏了一样,对于传统共价结合的标签,一旦染料失效,那个位置就永远“黑了”。


但Rhobin的设计是可逆结合的——当一个染料分子被光漂白,它会自动脱落,新的染料分子随即顶上。这种“自我修复”能力让成像时间大大延长。


在超分辨率STED显微镜实验中,Rhobin标记的样本可以连续采集150个时间点而几乎没有信号衰减,而传统HaloTag系统在同样条件下信号迅速下降。



3
、实现单分子追踪



在极低染料浓度下,Rhobin的瞬态结合特性允许研究人员以单分子精度定位蛋白质。更妙的是,由于可逆结合和溶液中大量游离染料的存在,这种系统可以持续产生新的可追踪事件。


在一项对比实验中,Rhobin标记的蛋白质在10000帧的长时间采集中始终保持着稳定的检测密度,而传统共价标记的HaloTag在40秒后就几乎检测不到任何信号了。



4
、75°C高温下的生命奇迹



嗜极生物(extremophiles)是生活在极端环境中的微生物,例如在75°C、pH值为2的酸性温泉中生长的嗜酸热硫化叶菌(Sulfolobus acidocaldarius)。研究这些生物有助于我们理解生命的极限,但目前没有合适的荧光标签能在如此高温下工作。


研究团队将Rhobin9融合到嗜酸热硫化叶菌的两种蛋白质上——一种是细胞表面的S层蛋白SlaB,另一种是核仁相关蛋白Cren7。在75°C的活细胞成像中,他们首次观察到了这两种蛋白在细胞分裂过程中的动态变化,包括染色体分离和细胞分裂的时间顺序。这也是历史上第一次用荧光标记蛋白记录嗜热菌的生命周期。


Image


除了上述亮点,Rhobin还有几个实用优势:


成本低廉:所用染料中有一些价格非常便宜;


易于多色成像:Rhobin与HaloTag、SNAP-tag等其他标签系统互不干扰,可以在同一细胞中同时标记多个结构;


灵活选择:不同的Rhobin变体对不同染料有偏好,研究人员可以根据需要选择最适合的组合。


从“概念验证”到“改变游戏规则”


过去,从头设计的蛋白质往往在功能上不如经过亿万年代化筛选的天然蛋白。但这项研究表明,情况正在发生根本性转变。


研究团队表示,这项设计和应用将蛋白质从头设计推进到了超越“概念验证”的阶段,使我们能够创造出预设有一整套理想特性的蛋白质,每项特性都达到或超越了现有方法的表现。从哺乳动物细胞到嗜热古菌,从普通显微镜到超分辨成像,从群体观察到单分子追踪——Rhobin几乎在所有维度上都展现出了卓越的性能。


此外,这项工作展示了一种通用的设计策略——不仅是针对罗丹明染料,这套方法论可以推广到其他类型的分子,为下一代生物传感器和成像工具铺平道路。


如果说绿色荧光蛋白(GFP)的发现开启了活细胞成像的新纪元,HaloTag拓展了化学标记的可能性,那么Rhobin或许代表着一个新时代的开始——我们不再受限于自然的馈赠,而是可以根据需求,从零开始设计完美的荧光标签工具。






论文链接:https://www.cell.com/cell/fulltext/S0092-8674(26)00934-7
原文链接:https://mp.weixin.qq.com/s/I8K9EXX_6Ue2RyUow3oq-Q




133
0
0
0
关于作者
相关文章
  • Nature|生成式AI从头构建合成蛋白质RNA递送载体 ...
    了解详情 
  • Cell|AI虚拟细胞再进一步,UniPert-G2CP连接基因、药物与细胞表 ...
    了解详情 
  • Nat Commun|物理基线与深度残差学习协同:ResFF兼顾分子力场精 ...
    了解详情 
  • AlphaFold、生成式分子设计、ADME预测:AI药物发现为何难破临床 ...
    过去十年,人工智能在药物发现中的应用受到持续关注。现在有必要对该领域进展进行批判性回顾:人 ...
    了解详情 
领取成功
本月5个550bit真机配额已发放给您,配额将在2个月后到期,请及时使用哦~
活动中心
联系我们
二维码
返回顶部
返回
活动中心

完成任务,轻松获取真机配额

×
每日必做
新手任务
长期任务
其他任务
快速回复 返回顶部 返回列表
玻色有奖小调研
填写问卷,将免费赠送您1个1000bit真机配额
(单选) 您是从哪个渠道得知我们的?*
您是从哪个社交媒体得知我们的?*
您是通过哪个学校的校园宣讲得知我们的呢?
取消

提交成功

真机配额已发放到您的账户,可前往【云平台】查看

量子AI开发者认证

考核目标

开发者能够成功搭建Kaiwu-PyTorch-Plugin项目基础环境,并成功运行示例代码,根据示例提示,输出指定的值并填写至相应的输入框中。

通过奖励

5个一年效期的1000量子比特真机配额

专属「量子AI开发者」社区认证标识

开发者权益

每月固定权益:5个550量子比特真机配额
前往考核

第一步

按照README提示成功安装Kaiwu-PyTorch-Plugin库环境依赖
前往GitHub

第二步

运行 community-assessment 分支下的 run_rbm.py 代码示例

第三步

理解示例代码,手动打印并填写如下数值:

正相采样的状态

负相采样的状态

正相的能量值

负相的能量值

*

提交答案

开发者权益

每月固定权益:5个550量子比特的真机配额

恭喜您完成考核

您将获得量子AI开发者认证标识及考核奖励

1000 bit*5

配额

Quantum AI Developer Certification

Assessment Objectives

Developers should successfully set up the basic environment for the Kaiwu-PyTorch-Plugin project, run the QBM-VAE sample code, and calculate the correct FID value based on the random seed value provided by the system.

Pass Rewards

10 quotas for 550-qubit real quantum machines with a one-year validity period

Exclusive "Quantum AI Developer" Community Certification Badge

Developer Benefits

Fixed Monthly Benefits: 5 quotas for 550-qubit real quantum machines
Proceed to Assessment

Step 1

Install the environment dependencies for the Kaiwu-PyTorch-Plugin library according to the README instructions
Go to GitHub

Step 2

Replace the Seed Value

Your seed value is

Step 3

Enter the FID Value You Calculated

*

Submit Answer

Developer Benefits

Fixed Monthly Benefits: 5 quotas of 550-qubit real machines

Congratulations on Completing the Assessment

You will receive the Quantum AI Developer Certification Badge and Assessment Rewards

550bit*10

Quotas