🧬 biology

NatCodon: protein-structure-informed de novo codon sequence design for efficient protein expression

NatCodon 是一种利用蛋白质结构信息来优化共翻译折叠密码子序列的生成式模型，通过策略性地部署稀有密码子来提高可溶性蛋白产量并实现此前难以表达的目标，其性能显著优于现有的基于频率的方法。

原作者： Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

核心问题：过快的“流水线”

想象一个正在根据一套指令（DNA）制造复杂机器（蛋白质）的工厂。在这家工厂里，指令是用一种代码编写的，其中许多不同的词汇（密码子）可以表达相同的意思。

几十年来，科学家们试图通过重写指令，仅使用工厂语言中最“快”且最常见的词汇，来让这些机器变得更快。他们认为：“如果我们使用最流行的词汇，机器就能以最快的速度制造出产品。”

症结所在： 制造复杂的机器不仅仅关乎速度，更关乎节奏。如果流水线移动得太快，工人（核糖体）就没有足够的时间在下一个零件到达之前，将零件正确地折叠起来。结果会怎样？机器会散架、发生卡顿，或者最终变成一堆无用的废料（错误折叠的蛋白质）。

现有的方法就像是一个只关注速度而忽略了停顿需求的“速度狂”经理，最终导致了产品的损坏。

解决方案：NatCodon（“节奏大师”）

北航大学和 dProtein Biotechnologies 的研究人员开发了一种名为 NatCodon 的新型人工智能工具。NatCodon 不仅仅是在寻找最快的词汇，它还会观察正在制造的机器的形状。

这就像一位指挥家在领导一支管弦乐队：

旧方法： 告诉每位乐手尽可能大声且快速地演奏。结果是混乱、嘈噪的一团糟。
NatCodon： 知道音乐的某些部分（复杂的蛋白质折叠）需要缓慢且从容地演奏，而其他部分（稳定的部分）则可以快速演奏。它会在蛋白质需要停顿并进行正确折叠的精确时刻，策略性地插入“慢速词汇”（稀有密码子）。

它是如何工作的：“结构感知型”翻译器

学习秘密代码： 该 AI 在超过 45,000 个天然细菌蛋白质上进行了训练。它学习了自然界使用的一种隐藏“语法”：特定的蛋白质形状需要翻译过程中特定的停顿。
“密码子闸门”： 为了确保 AI 不出错，它设置了一个安全过滤器。它保证即使通过改变词汇来控制速度，最终的含义（氨基酸序列）也保持完全一致。这就像是通过重写句子来改变阅读的节奏，而不改变故事的内容。
“专注度”旋钮： 该工具允许科学家调节 AI 的“创造力”。他们可以选择一个非常严格、可预测的序列，或者允许一定的变化，从而实现对最终设计的控制。

成果：拯救“无法制造”之物

团队在几种在实验室中极难制造的蛋白质上测试了 NatCodon。

“不可能”的蛋白质： 其中一种被称为 SMURF1HECT 的蛋白质就像一个幽灵；以往的方法生产出的产量为零。NatCodon 不仅制造出了它，还产生了健康的产量（0.57–0.61 mg/ml）。
提升幅度： 对于其他困难蛋白质，与目前最好的商业工具相比，NatCodon 将可用、功能性蛋白质的产量提高了 2 到 33 倍。
质量控制： 这不仅仅是关于制造更多蛋白质，更是关于制造更好的蛋白质。由 NatCodon 制造的蛋白质实际上是可以工作的（在测试中发光或亮起），这证明它们被正确折叠了。

一个新的评分标准：NCI

多年来，科学家一直使用一个名为 CAI 的分数来判断一个 DNA 序列是否优秀。这个分数基本上是在问：“你使用了多少个流行词汇？”论文指出，这就像仅根据使用了多少次盐来评价一份食谱，却忽略了烹饪时间。

作者引入了一个名为 NatCodon 指数 (NCI) 的新分数。

类比： 如果说 CAI 问的是“你能跑多快？”，那么 NCI 问的是“你是否针对地形以正确的速度在奔跑？”
结果： NCI 能更好地预测一个蛋白质是否能真正发挥作用以及是否能大量生产。它衡量了 DNA 指令与蛋白质形状的物理需求之间的匹配程度。

总结

NatCodon 是一种用于设计制造蛋白质 DNA 指令的新型人工智能。它不再仅仅让指令变得“快”，而是设计出具有正确节奏的指令。通过了解蛋白质的 3D 形状，它知道确切的时刻应该放慢流水线的速度，以便让蛋白质正确折叠。这使得科学家能够高效地生产那些以前难以制造的复杂蛋白质，从而开启了医药和工业领域的新可能性。

该工具免费提供给他人使用，它代表了从“越快越好”到“节奏正确”的思想转变。

技术摘要：NatCodon —— 基于蛋白质结构的从头密码子序列设计

1. 问题陈述

将遗传信息翻译成功能性蛋白质是一个共翻译过程，其中新生多肽的折叠与核糖体延伸动力学密不可分。目前的密码子优化策略主要依赖于基于频率的启发式方法（例如，最大化密码子适应指数 [CAI] 或 tRNA 适应指数 [tAI]）来加速肽链延伸。这些方法往往将翻译速率与蛋白质特定的折叠需求脱节，导致异源宿主中出现错误折叠、包含体形成以及可溶性产量低的问题。在 AI 驱动的蛋白质从头设计（de novo design）时代，这一局限性被进一步放大，因为新型蛋白质序列缺乏进化祖先或天然编码模板，使得传统的“查找表”优化方法不再适用。现有的用于密码子设计的深度学习模型大多将该问题视为序列到序列的映射任务，丢弃了关键的结构信息，并忽视了翻译节奏在协调共翻译折叠（CTF）中的调节作用。

2. 方法论

作者引入了 NatCodon，这是一个将密码子设计重新定义为受结构启发之动力学问题的生成式模型。该方法整合了多组学数据（基因组序列、蛋白质组背景和蛋白质结构），以学习自然翻译系统中嵌入的“结构-密码子语法”。

数据策展： 模型在一个包含 45,126 个细菌基因组-蛋白质组-结构三元组的非冗余数据集上进行训练。蛋白质二级结构通过 DSSP 算法被离散化为 9 种结构标记（例如， $\alpha$ -螺旋、 $\beta$ -桥、柔性环）。
架构： NatCodon 采用了受 LLaMA 框架启发的仅解码器（decoder-only）Transformer 架构。它将氨基酸序列和离散结构标记共同编码进统一的表示中，并利用旋转位置嵌入（RoPE）来捕捉长程依赖关系。
生物约束解码：
- 密码子门控（Codon Gate）： 一个硬掩码模块确保了严格的翻译保真度，通过在每个位置过滤掉非同义密码子，保证生成的序列能翻译出正确的氨基酸序列。
- 焦点控制采样（Focus-Controlled Sampling）： 一个可调参数 ( $\phi$ ) 用于调节概率分布的锐度，从而在确定性优化与序列多样性之间实现平衡。
训练目标： 模型最小化一个复合损失函数，该函数结合了负对数似然（NLL）、带有频率加权的交叉熵（以纠正密码子不平衡）以及用于提高泛化能力的熵启发平滑损失。
评估指标 (NCI)： 作者引入了 NatCodon 指数 (NCI)，这是一种感知结构的指标，用于量化密码子使用与结构背景之间的符合度。它整合了结构特异性适应系数和 Jensen-Shannon 散度，以衡量与天然结构-密码子模式的一致性。

3. 核心贡献

结构启发式生成模型： NatCodon 是第一个将局部蛋白质结构背景显式整合进密码子序列生成过程的模型，超越了基于频率的启发式方法。
破译结构-密码子语法： 该研究提供了经验证据和机制见解，阐明了同义密码子使用是如何根据结构需求进行调整的，特别指出低频密码子被策略性地部署在结构敏感位点（如结构域边界、柔性环），以诱导核糖体停顿从而实现正确折叠。
新型指标 (NCI)： NCI 的开发提供了一种预测功能性蛋白质产量的工具，在泛化场景下其表现优于传统的指标（CAI, tAI）和监督式 AI 预测器（Encodon）。
实验验证： 该框架在包括难表达靶点在内的多种异源蛋白面板上进行了验证，证明了在可溶性蛋白产量方面的显著提升。

4. 结果

跨物种基准测试： 在涵盖大肠杆菌、人类、植物和病毒蛋白的数据集上，NatCodon 优于竞争模型（CodonTransformer, ICOR）。它将翻译动力学差异降低了 96.5–97.5%，并实现了数量级更低的结构调节密码子偏差（SCCD），表明其能更好地保留天然编码架构。
实验性能： 在大肠杆菌表达实验中，与 GeneOptimizer (OP) 优化的序列相比，NatCodлоn 设计的序列使可溶性蛋白产量提高了 2 至 33 倍。
- SMURF1HECT： 一种此前极难表达的蛋白质，使用 OP 时无法检测到可溶性蛋白，而使用 NatCodon 后产量达到 0.57–0.61 mg·ml⁻¹。
- 其他靶点： 在 DHOase、荧光素酶、GFP 和 HPPD 中均观察到显著改善。
机制见解：
- 可解释 AI (XAI)： SHAP 和集成梯度（Integrated Gradients）分析显示，NatCodon 对结构特征和氨基酸身份赋予了几乎相等的权重。它选择性地在刚性结构核心使用高 tAI 密码子，而在柔性环和结构域边界使用低 tAI 密码子，以创造必要的翻译停顿。
- 诱变实验： 对 NatCodon 设计的 DHOase 进行反向诱变证实，增加环区域的翻译速度会降低产量，而增加 $\alpha$ -螺旋区域的翻译速度则会提高产量，这验证了模型的动力学编排能力。
- 翻译坡度（Translational Ramp）： NatCodon 成功重现了天然 5'-末端的“翻译坡度”（初始阶段较慢的密码子），这是一个在其他优化方法中经常丢失的特征。
NCI 的预测能力： 在多个蛋白质库中，NCI 显示出与实验可溶性产量及功能输出（发光/荧光）最高的相关性，在泛化场景下优于 CAI、tAI 和 Encodon。
与 AI 结构的兼容性： 该框架在使用 AlphaFold3 预测的结构时依然保持稳健，在基于实验结构的序列相似性和指标一致性方面保持了高度水平。

5. 重要性与主张

论文声称，NatCodon 通过超越基于频率的启发式方法，为可编程蛋白质表达奠定了原则性基础。通过将结构约束直接嵌入序列生成过程，该模型编排了翻译动力学，使其与共翻译折叠需求相匹配。这种方法解锁了包括此前被认为无法表达的 de novo AI 设计序列在内的，具有治疗和工业价值的关键靶点的生产。作者认为，NatCodon–NCI 框架将范式从“最大化延伸速度”转向了“动力学编排”，为在缺乏进化模板的情况下，实现从蛋白质序列到核酸序列的反向信息流提供了一种通用的解决方案。相关工具已向社区免费开放，以促进复杂蛋白质的生产。