GLOM TGITO: multiscale protein modelling and multiview landscape-guided sequence discovery

蛋白质工程是一门通过重写生命生物代码来创造执行新任务分子的艺术。这一领域的核心在于一个简单却困难的挑战：科学家拥有庞大的蛋白质序列库，但他们在实验室中只能测试其中极小的一部分。目标是在那片由无数可能性组成的汪洋大海中，找到隐藏其中的那些稀有、高性能的变体，而无需构建并测量每一个序列。为了实现这一目标，研究人员使用计算机模型，从他们已测量的少量样本中进行学习。这些模型试图预测蛋白质序列的变化将如何影响其功能，例如荧光蛋白的发光亮度。然而，一个主要问题在于：这些模型往往会变得过度自信。即使模型并没有真正的证据支持，只要某个全新的、未经测试的序列看起来与之前见过的亮序列有些相似，它就可能会预测该序列表现卓越。这导致了大量精力的浪费，因为人们在追逐那些在电脑屏幕上看起来很棒、但在现实世界中却失败的序列。

一组研究人员开发了一种名为 GLOM–TGITO 的新方法来解决这个特定问题。该系统并非依赖于单一、僵化的蛋白质视角，而是构建了一个多层级的蛋白质结构与行为图谱。想象一下，你不仅是从卫星的角度观察地形，还同时从无人机、山顶以及街道水平的角度进行观察。研究人员的模型也与之类似，它通过三个不同的尺度来分析蛋白质：整个分子、分子的特定区域，以及对变化至关重要的单个关键位点。通过结合这些不同的视角，该系统能够更清晰地观察蛋白质性能的“地形”。它利用这种详细的地图来引导搜索，确保当它提出一种更亮的蛋白质时，是基于扎实的局部证据，而非盲目的猜测。

研究人员在一个包含超过 31,000 个已测量的 ppluGFP2 荧光蛋白版本的数据库上测试了这种方法。他们训练模型根据遗传序列来预测这些蛋白质的亮度。当他们将这个新系统与现有的最强方法进行对比时，结果令人瞩目。新模型的预测误差显著降低。更重要的是，当他们使用该模型寻找前 100 个最亮的候选者时，在一次测试中，几乎所有的候选者（96.3% 和 97.3%）在实验室测量中确实都非常亮。相比之下，最好的竞争方法在挑选出的高亮度蛋白质比例仅约为一半。这表明，新系统在区分真正具有前景的序列与那些仅仅在困惑的计算机眼中看起来有前景的序列方面，表现得出色得多。

该系统的力量在于它处理不确定性的方式。随着计算机搜索更好的蛋白质，它会不断检查自身的置信度。它会自问：“我附近是否有足够的真实数据来信任这个预测？”如果模型正进入一个实验支持较少的区域，它就会变得谨慎。它使用一个动态门控来权衡蛋白质景观的不同视图，优先考虑那些有实际测量数据支持的视图。这一过程使研究人员从他们的搜索中找到了 2,594 个不同的候选序列。当他们将这些序列筛选至前 100 名时，所选出的蛋白质不仅被预测为高亮度，而且与已知训练数据的“偏差”也小得多。用通俗的话说，这些新蛋白质既足够新颖、具有研究价值，又足够接近模型已知的可靠范围。这种平衡使得他们找到了 38 个既新颖又可靠的候选者，这一数字是其他方法产出的两倍多。

为了理解为什么这些新蛋白质能够奏效，研究人员对它们的物理行为进行了详细的计算机模拟。他们观察了蛋白质如何运动以及其表面如何与水相互作用。他们发现，许多成功的设计在其表面拥有更小、粘性更低的斑块。在蛋白质的世界里，拥有一个粘性较低的表面通常有助于分子正确折叠并避免聚集，这对于发出亮光至关重要。除了表面之外，模拟还揭示了蛋白质核心深处的变化，即靠近实际发光的部分。在一些顶尖的设计中，内部结构更紧密地固定了发光部分，减少了其摆动；在另一些设计中，固定发光部分的化学键则更加稳定。这些物理变化为计算机的选择为何成功提供了清晰的解释：新的序列为光线的闪耀创造了一个更稳定的环境。

这项工作表明，将详细的多尺度视角与对局部证据的仔细检查相结合，可以显著提高寻找更好生物工具的效率。研究人员不仅找到了更亮的蛋白质，还找到了一种能够充满信心地寻找它们的方法。通过确保每一个新建议都有扎实的局部景观理解作为支撑，他们避开了困扰以往尝试的过度自信陷阱。其结果是一个能够产生高产量、真正功能性的亮荧光蛋白的流程，为设计下一代生物传感器和工具提供了一条更可靠的路径。该研究证实，当我们教会计算机从多个角度观察蛋白质，并尊重自身知识的局限性时，我们就能发现以前无法触及的新生物功能。