蛋白质工程提升稳定性：策略、挑战与前沿进展

来源：Biodes Res | 编译：DNA Lab Space

📎 相关工具：蛋白可溶性优化分析

蛋白质稳定性是功能蛋白走向应用的核心瓶颈，无论是工业酶还是生物治疗药物，都迫切需要在复杂环境下维持结构与功能的能力。近年来的蛋白质工程研究已经从单一改造手段发展为理性设计、定向进化与计算预测的深度融合。这篇综述系统梳理了提升蛋白质稳定性的最新工程策略，并通过典型案例揭示了各技术路线的优势与边界，为未来精准、高效的蛋白稳定性改造提供了清晰的路线图。

研究背景

天然蛋白质在漫长的进化过程中，其稳定性往往只优化到足以维持生物体生命活动的水平，远未达到工业催化、生物传感和医药应用所要求的严苛条件。高温、极端pH、高浓度有机溶剂以及蛋白酶降解均会破坏蛋白质的三维结构，导致功能丧失。因此，如何提升蛋白质的稳定性，一直是蛋白质工程领域的核心问题之一。早期的蛋白质工程主要依赖定向进化，通过随机突变和筛选来获得稳定突变体，但该方法需要耗费大量实验资源。与此同时，基于结构的理性设计能够通过引入二硫键、优化表面电荷等方式有针对性地提高稳定性，却受限于对蛋白质折叠机制的理解。近年来，随着计算生物学和机器学习的快速发展，稳定性改造正逐渐从“盲目试错”走向“可预测设计”。这篇综述聚焦于此背景下涌现的新方法和新思路，系统比较了不同技术路线的适用条件与改造效果，为研究者选择合理的稳定性工程策略提供了重要参考。

研究方法

在该综述中，作者采用了一种系统的文献评述方法，首先从Web of Science和PubMed等数据库检索了近十年相关研究，以“蛋白质稳定性”“定向进化”“理性设计”“计算设计”“机器学习”等为关键词过滤，最终筛选出120余篇代表性论文进行深入分析。在此基础上，作者将稳定性工程策略归纳为三条主要技术路线。

第一条是定向进化策略。该策略通过模拟自然进化过程，在体外引入随机突变并建立高通量筛选或选择压力，以获得稳定性和功能同步提升的突变体。典型技术包括易错PCR、DNA改组、连续定向进化，以及基于噬菌体或核糖体展示的筛选系统。综述特别讨论了迭代饱和突变和突变位点组合的策略，说明如何通过逐步积累协同突变来突破稳定性上限。

第二条是理性设计策略。作者重点分析了基于三维结构的改造方法，包括在蛋白质柔性区域引入非天然二硫键以降低折叠态熵、改造疏水核心以提高堆积紧密性、优化表面带电残基以增强分子内相互作用、以及利用盐桥或氢键网络稳定局部构象。此外，通过与嗜热同源蛋白进行多序列比对，识别决定稳定性的关键残基，也是理性设计常用的手段。

第三条是计算与机器学习辅助设计策略。计算部分涉及Rosetta能量计算、分子动力学模拟、伞形采样等用于评估突变对自由能变化的影响。机器学习部分则涵盖深度神经网络、梯度提升树等模型，利用大型蛋白质稳定性数据库（如ProTherm和ThermoMutDB）训练预测突变前后熔融温度的变化。作者特别强调了AlphaFold及其后续版本在获取高置信度结构方面的作用，预测结构可以替代实验结构参与基于结构的稳定性计算，大大扩展了计算设计的适用范围。技术路线的整体框架如下图所示。

研究结果

综述在比较三类技术路线后指出，没有任何一种方法能够普遍适用于所有蛋白质。在定向进化方面，多项研究表明易错PCR结合微滴微流控筛选，能够在十轮以内获得熔融温度提高15°C以上的突变体。例如，某脂肪酶经过连续多轮进化后，其最适反应温度从45°C上升到75°C。另一项针对荧光蛋白的稳定性工程也显示，组合突变不仅增强了蛋白的热稳定性，还提高了其在变性剂中的抗性。作者强调，定向进化是解决复杂多因素稳定性问题最可靠的手段，尤其在缺乏结构信息时依然有效。

在理性设计方面，二硫键工程是最常用的策略。综述中引用的一项研究在芽孢杆菌蛋白酶中引入一对二硫键，使得突变体在65°C下的半衰期提高了近30倍。表面电荷优化也表现出显著效果——通过将溶剂暴露面的负电残基突变为正电残基或中性亲水残基，可降低蛋白质在酸性条件下的静电排斥，从而提升耐酸性。不过作者也指出，理性设计往往在个别位点改善明显，但可能引发远端构象扰动，导致催化活性下降，因此通常需要与定向进化联用来消除功能性损伤。

计算与机器学习方法的成果同样引人注目。综述介绍了多个成功案例：利用Rosetta多状态设计将一个工业木聚糖酶的熔点提高了22°C；通过图神经网络预测稳定性突变，则在假单胞菌酯酶上实现了约10°C的熔点提升，且仅需要验证约30个候选突变。作者还特别提到，机器学习模型整合了蛋白质语言模型的特征编码，可以捕捉序列中不直接的演化耦合信息，这使其在预测稳定突变时优于传统能量函数。但综述也警示，现有训练数据存在偏向性，多数数据库由简单球蛋白构成，对膜蛋白、纤维蛋白等领域预测效果欠佳。部分关键结果的对比如下图所示。

讨论与展望

总体而言，该综述清晰地勾勒出蛋白质稳定性工程从“经验驱动”到“数据驱动”的演进轨迹。作者认为，未来最有效的工作流程应当是理性设计生成候选位点、机器学习辅助筛选高概率稳定突变、定向进化和高通量验证最终优化组合突变。这种闭环策略既能够充分利用现有结构信息和进化数据，又不会陷入纯计算预测的过度自信。随着超大规模语言模型和自动化蛋白设计平台的成熟，研究者将有可能在数天内完成对一种蛋白质的系统性稳定化改造。同时，作者也指出，稳定性不仅是一种孤立的热力学属性，还与可溶性、表达量、活性和折叠动力学紧密耦联，因此多目标优化将是下一代蛋白质工程工具需要攻克的关键挑战。这篇综述为从事酶工程、合成生物学和生物制药研究的科研人员提供了及时而全面的方法论导航。

参考来源

Biodes Res. DOI: 未提供（论文信息中原标注为空，请以正式出版记录为准）