AI做生物实验？还能迭代？浙大集成PLM和「自动化生物工厂」革新蛋白质工程范式
内容提要
浙江大学研究人员开发了基于蛋白质语言模型的自动进化平台PLMeAE，结合机器学习与自动化生物工厂，显著提高了蛋白质工程的速度和准确性，优化了设计与测试流程，推动了工业应用的发展。
关键要点
-
浙江大学研究人员开发了基于蛋白质语言模型的自动进化平台PLMeAE。
-
PLMeAE结合机器学习与自动化生物工厂，提高了蛋白质工程的速度和准确性。
-
传统蛋白质工程方法如定向进化速度慢且劳动密集。
-
PLMeAE在设计-构建-测试-学习循环内实现蛋白质工程自动化。
-
该平台通过PLM预测蛋白质序列适应度关系并采样新突变体。
-
PLMeAE平台的自动化生物工厂合成、表达和测试蛋白质变体。
-
研究成功改造pCNF-RS，提高酶活性和蛋白质产量。
-
PLMeAE的自动进化过程显著缩短了实验时间。
-
PLMeAE与早期研究不同，使用蛋白质语言模型进行零样本预测。
-
PLMeAE平台具有扩展应用潜力，但开发新系统面临挑战。
-
未来研究将实现高效蛋白质工程，减少人为干预。
延伸解读
蛋白质工程的自动化趋势
PLMeAE平台通过结合机器学习和自动化生物工厂，显著提升了蛋白质工程的效率。这一趋势不仅减少了实验时间，还降低了人工干预的需求，可能会引领未来蛋白质工程的自动化发展。
传统方法的局限性
传统的定向进化方法虽然有效，但由于其速度慢和劳动密集，限制了蛋白质工程的应用范围。PLMeAE的出现为克服这些局限性提供了新的解决方案，尤其是在工业应用中。
PLMeAE的挑战与风险
尽管PLMeAE展示了巨大的潜力，但在开发新系统时仍面临挑战，如高昂的成本和跨学科的技术需求。此外，实验失败的风险也可能导致整体进化过程的延长，需谨慎应对。
延伸问答
PLMeAE平台的主要功能是什么？
PLMeAE平台实现了蛋白质工程的自动化，结合了蛋白质语言模型和自动化生物工厂，提高了设计、构建、测试和学习的效率。
PLMeAE如何提高蛋白质工程的速度和准确性？
PLMeAE通过利用机器学习的预测能力和自动化生物工厂的高效操作，优化了蛋白质的设计与测试流程，从而提高了速度和准确性。
传统蛋白质工程方法存在哪些局限性？
传统方法如定向进化速度慢且劳动密集，容易陷入局部最优，限制了进一步的优化。
PLMeAE在蛋白质工程中如何实现自动化？
PLMeAE通过设计-构建-测试-学习的闭环系统，利用PLM进行预测并通过自动化生物工厂合成和测试蛋白质变体，实现自动化。
PLMeAE平台的应用潜力是什么？
PLMeAE平台具有扩展应用的潜力，可以设计用于液相色谱、气相色谱和质谱分析的酶，推动蛋白质工程的发展。
PLMeAE在研究中取得了哪些具体成果？
研究人员成功改造了pCNF-RS，显著提高了酶活性和蛋白质产量，经过四轮进化，酶活性提高了2.4倍，蛋白质产量提高了12.2倍。
