在麻省理工学院（MIT），研究人员开发了一种计算方法，使得预测能够优化蛋白质的突变变得更加容易，这一突破可能对神经科学研究和医学应用产生深远影响。传统的蛋白质工程通常需要通过多轮随机突变来优化天然蛋白质，但这种方法并不总是能够产生预期的优化效果。现在，MIT的科学家们通过计算模型，能够在较小数据量的基础上预测出能够改善蛋白质性能的突变。
研究人员使用这种方法，成功地生成了改进版的绿色荧光蛋白（GFP）和用于基因治疗的腺相关病毒（AAV）蛋白。他们希望这种方法也能够用于开发神经科学研究和医学应用的其他工具。
蛋白质设计是一个复杂的问题，因为从DNA序列到蛋白质结构和功能的映射非常复杂。研究人员通过训练一种称为卷积神经网络（CNN）的模型，使用GFP序列及其亮度的实验数据，创建了一个“适应度景观”——这是一个三维地图，描述了给定蛋白质的适应度以及它与原始序列的差异。
通过这种方法，研究人员能够预测出优化后的GFP序列，这些序列与原始蛋白质序列相比，有多达七个不同的氨基酸，并且这些蛋白质的适应度估计是原始蛋白质的2.5倍。
研究人员还展示了这种方法在识别腺相关病毒（AAV）的新型序列方面的有效性，AAV是一种常用于传递DNA的病毒载体。在这种情况下，他们优化了病毒衣壳以提高其包装DNA载荷的能力。
这项研究的成功，不仅证明了计算方法在蛋白质工程中的应用潜力，也为未来在更小的数据集上进行模型训练和预测提供了希望，这可能比过去二十年的手动测试结果更好。
你认为这项技术将如何影响未来的医学研究和治疗？或者你有自己对生物技术和蛋白质工程的看法和想法吗？欢迎在评论区分享你的想法和见解，让我们一起探讨科技如何帮助我们更好地理解和应用蛋白质。
参考资料：arXiv：2307.00494 《Improving Protein Optimization with Smoothed Fitness Landscapes》
