在传统的蛋白质定向进化中，“实验量” 一直是最大的瓶颈：一轮实验常常需要筛选数万甚至数十万个突变，既耗时耗力，又依赖昂贵的高通量设备。

但 Science 2024 最新发表的 EVOLVEpro（Rapid in silico directed evolution by a protein language model with EVOLVEpro） 却反其道而行——每一轮只做 12～16 个实验，就能找到性能显著提升的突变。

它是怎么做到的？
关键在于一个精心设计的 “少量实验主动学习循环”（low‑N active learning loop）。

文章配图

一、为什么只需要十几个实验？

EVOLVEpro 的秘诀在于将复杂问题拆解为两个默契配合的智能模块：

模块一：ESM 蛋白语言模型（PLM）—— 提供进化“先验知识”

  • 它如同一位饱读文献的蛋白质专家，通过预训练深入理解序列背后的进化规律与结构信息

  • 能够将任意蛋白质序列转化为蕴含丰富语义的数学向量（embedding）

  • 无需专门训练，直接为系统注入宝贵的生物学先验知识

模块二：随机森林小模型 —— 学习“序列→活性”映射

  • 专注于建立序列特征与功能活性之间的精准关联

  • 即使在仅有几十条实验数据的情况下也能高效训练

  • 不仅能预测突变效果，还能评估预测的不确定性，为探索指明方向

强强联合，实现“小样本大预测”
当ESM的宏观生物学洞察遇上随机森林的微观数据分析，系统就能够在极小的实验样本基础上，做出精准而大胆的突变方向预测，这正是用十几个实验实现传统上万个实验效果的核心所在。

文章配图

二、少量实验如何实现高效反馈？核心流程详解

每一轮仅用十几个实验的关键，在于最大化每个实验的“信息增益”——每个数据点都被精准用于提升模型的预测能力。

以下是EVOLVEpro每一轮的标准循环流程：

① 序列编码

  • 使用ESM-2对所有候选序列进行embedding转换

  • 将每条蛋白质序列映射为高维向量表示

  • 此步骤为无训练的特征提取，旨在“理解”序列的深层语义

② 模型训练

  • 基于当前所有实验数据，训练随机森林回归模型

  • 输入：ESM生成的序列embedding

  • 输出：蛋白质的实际功能活性（如结合力、催化效率、表达水平等）

  • 随机森林在此场景下的独特优势：

    • 小样本数据下依然保持稳定表现

    • 能够输出每个预测的不确定性估计

③ 智能预测

  • 模型对数千至数万条候选突变进行双维度评估：

    • 预测活性值：预期功能表现

    • 预测不确定度：模型对该预测的信心程度

  • 采用UCB（上置信界）策略计算综合得分

  • 优先选择高预测活性与高不确定性兼备的候选序列

④ 主动选择

  • 从候选池中精选12–16个“信息价值最高”的序列

  • 选择策略既非单纯追求“表现最佳”，也非完全“随机探索”

  • 核心标准：对模型认知提升贡献最大的突变

⑤ 实验验证

  • 湿实验团队合成并测量选定序列的真实活性

  • 每轮仅需完成12–16个精心挑选的实验

  • 获得可靠的实验Y值（功能测量结果）

⑥ 迭代增强

  • 将新获得的实验数据加入训练集

  • 模型基于增强数据集重新训练，开启下一轮循环

🎯 循环效应

随着4–7轮的迭代推进：

  • 模型对蛋白质的“功能景观”认知持续深化

  • 逐渐突破PLM初始的进化偏置限制

  • 能够发现PLM零样本预测无法识别的稀有高效突变

  • 最终以极少的实验总量，获得活性提升数倍的优化蛋白

三、EVOLVEpro应用实证：六大蛋白类型验证高效优化

该方法已在多个关键生物医学蛋白体系中取得突破性成果，展现了广泛的应用潜力。以下是论文中验证的核心应用场景，也代表了未来行业发展的关键方向：

文章配图

EVOLVEpro 优化效果对比

（1）抗体工程：多目标协同优化

EVOLVEpro成功优化了包括C143与aCD71在内的多个抗体，实现：

  • 亲和力提升至pM级别

  • 表达量显著提高

  • 关键突变源自自然界“极罕见”区域

文章配图

适用方向：

  • 抗体药物先导化合物优化

  • 抗体可开发性工程（稳定性/可表达性）

  • 抗体人源化与亲和力成熟

  • 多目标协同优化（亲和力+表达+免疫原性）

（2）基因编辑酶：Cas12f活性提升4.9倍

优化后的小型Cas12f（epPsaCas12f）表现卓越：

  • 编辑活性提升近5倍

  • 支持单AAV载体在小鼠体内高效编辑

  • 性能超越所有已知小型Cas12f变体

文章配图

适用方向：

  • 小型CRISPR系统优化

  • AAV递送兼容的编辑酶开发

  • PAM谱宽化与编辑效率提升

（3）Prime Editor：逆转录酶功能增强

通过对M-MLV逆转录酶的精准优化：

  • 显著提升长片段（46bp）插入效率

  • 在多个基因位点均观察到性能改善

文章配图

适用方向：

  • Prime Editing系统优化

  • 高效率基因编辑平台设计

（4）整合酶工程：Bxb1与PASTE技术升级

优化后的整合酶表现：

  • 整合效率提升2.6–4倍

文章配图

适用方向：

  • 大片段基因插入技术

  • PASTE平台效率优化

（5）mRNA体系：T7 RNA聚合酶三重优化

进化获得的epT7聚合酶实现全方位提升：

  • 翻译效率提高30–120倍

  • 免疫原性降低100–500倍

  • dsRNA副产物显著减少

  • 体内表达水平提升10倍

文章配图

适用方向：

  • mRNA疫苗与药物开发

  • 体内表达系统优化

（6）circRNA工程：环化与翻译效率突破

在circRNA生产应用中：

  • 环化率提升2倍

  • 翻译效率大幅提升3–30倍

  • 副产物显著减少

文章配图

适用方向：

  • circRNA药物开发

  • 细胞治疗中的基因表达调控

  • 长效表达系统设计

四、30分钟快速上手：新蛋白优化完整教程

本教程将引导您在半小时内完成EVOLVEpro的首次运行，开启智能蛋白进化之旅。

https://github.com/mat10d/EvolvePro

环境准备

1. 克隆代码库

git clone https://github.com/mat10d/EvolvePro.gitcd EvolvePro

2. 创建并激活虚拟环境

conda create -n evolvepro python=3.10conda activate evolvepropip install -r requirements.txt

3. 下载ESM-2 15B预训练权重

# 方案一：直接下载（推荐）wget https://dl.fbaipublicfiles.com/fair-esm/models/esm2_t36_15B_UR50D.pt
# 方案二：通过HuggingFace自动下载pip install fair-esm# 首次运行时将自动完成下载

数据准备

4. 准备目标蛋白序列
创建my_protein.fasta文件：

>my_targetMTEYKLVVVGAGGVGKSALTIQLIQNHFVDEYDPTIEDSYRKQVVIDGETCLLDILDTAGQEEYSAMRDQYMRTGEGFLCVFAINNTKSFEDIHQYREQIKRVKDSDDVPMVLVGNKCDLPARTVETRQAQDLARSYGIPYIETSAKTRQGVEDAFYTLVREIRQHKLRKLNPPDESGPGCMSCKCVLS

运行优化流程

5. 启动首轮进化

python evolve.py \    --fasta my_protein.fasta \    --output results/my_target \    --rounds 4 \    --variants_per_round 16 \    --esm_model esm2_t36_15B_UR50D \    --n_jobs 32

实验数据反馈

6. 完成首轮实验测量

  • 系统将输出16个优选突变至results/my_target/round1/variants.csv

  • 在96孔板中完成活性检测（支持ELISA、编辑效率、荧光素酶等多种检测方法）

  • 将实验结果填入测量文件results/my_target/round1/measurements.csv：

variant,activityA123K,2.1G456R,5.7...

迭代优化

7. 继续后续轮次

python evolve.py --resume results/my_target --rounds 4

  • 系统自动读取历史数据，10秒内生成下一轮最优16个突变

  • 重复实验测量与模型更新循环，持续优化蛋白性能

五、一句话总结

EVOLVEpro = AI 的先验 + 少量实验的反馈 + 主动学习的策略
让定向进化进入“低实验量、快收敛、高性能”的新时代。

它不仅是一个方法，更是一套通用的蛋白优化引擎，
未来对抗体药物、基因编辑、RNA 药物、酶工程等领域都有颠覆性意义。