Biochemistry 2026 | AI设计肽在生物化学中的工具化应用
今天介绍的这项工作来自 Biochemistry。该文围绕“AI设计肽如何成为生物化学研究中的实用工具”展开综述。与传统抗体和小分子相比，肽兼具体积适中、易于化学合成、便于模块化修饰以及能够识别蛋白大面积表面和短线性基序等优势，因此在亲和检测、蛋白互作研究、细胞内靶向干预和功能调控等场景中具有很高潜力。过去，肽工具的开发通常依赖噬菌体展示、组合文库筛选和经验性优化，不仅周期长，而且很难同时兼顾亲和力、特异性、溶解性、稳定性和实验适配性。该文指出，人工智能的发展正在改变这一局面。借助蛋白语言模型、结构预测模型、扩散模型和流匹配等方法，肽的设计正从传统的“筛选驱动”逐步转向“设计驱动”，研究者可以围绕特定实验目的，按需生成更适合实际应用的肽试剂。 该文章主体从两条主线展开。一条是基于序列的设计范式，这类方法直接在序列空间中学习蛋白结合、理化性质和多目标约束，特别适合处理短线性基序、柔性区域和缺乏高质量结构信息的靶标。另一条是基于结构的设计范式，这类方法依赖蛋白三维结构、结合界面和热点位点信息，更适合在已知结构较清晰、结合几何要求明确的体系中构建高亲和力肽结合分子。该文不仅梳理了两类方法的代表模型，也强调了它们各自适用的实验条件和目标类型。 在应用层面，该文认为AI设计肽最直接的价值，在于为生物化学实验提供“按实验需求定制”的亲和试剂。例如，针对Western blot、免疫沉淀、pull-down、流式细胞术和活细胞成像，不同实验对结合位点暴露状态、背景噪声、膜结合倾向和细胞内稳定性有不同要求，而肽可以在设计之初就把这些条件纳入优化目标。除此之外，肽还可以作为荧光探针、酶底物、FRET报告分子以及诱导邻近效应的功能模块，用于蛋白降解、去泛素化稳定化和蛋白网络调控等更复杂的操作。 总体来看，该文传达的核心观点是：AI并不只是提高了肽设计的效率，更重要的是改变了肽作为实验试剂的开发逻辑。未来，随着自动化合成、高通量筛选和闭环实验反馈进一步结合，肽有望从单纯的结合分子发展为可编程的分子工具，把序列设计更直接地连接到生物化学功能和细胞表型之上。对于希望理解AI分子设计如何进入实验研究流程的读者而言，这是一篇兼具方法综述与应用视角的文章。
获取详情及资源:
0 摘要
肽在生物化学工具中占据着独特位置:它们是体积较小且具有模块化特征的试剂,能够以小分子或抗体通常难以实现的精度调控蛋白质功能。长期以来,肽在生物化学研究中的更广泛应用受到发现流程缓慢、特异性控制有限以及理化性质不佳等因素的限制。近年来,人工智能的进展开始改变这一局面,因为它使得面向特定实验任务的肽能够通过理性、数据驱动的方式进行设计。该综述聚焦于作为生物化学实用工具的AI设计肽。该系统梳理了基于序列和基于结构的设计范式,并重点说明这两类方法如何分别支持不同类型的肽工具,包括同工型特异性或基序特异性结合肽、多目标优化且可直接用于实验的试剂,以及能够实现蛋白质降解、稳定化或生物物理表征的功能性肽。通过强调实验实用性、设计约束和合适的应用场景,该文希望为现代生物化学研究中按需选择和部署AI设计肽提供一个参考框架。
1 肽作为生物化学试剂:优势与改进空间
抗体仍然是生物化学研究中最主要的亲和试剂,构成了Western blot、免疫沉淀、成像以及许多细胞实验的基础。然而,抗体的广泛使用也掩盖了其一些众所周知的局限,包括在不同实验条件下表现不稳定、可重复性存在挑战,以及在序列组成和结合决定因素方面缺乏足够透明度,尤其是那些通过动物免疫获得的试剂。重组替代物,如scFv、纳米抗体和人工设计的迷你蛋白,虽然在一定程度上缓解了这些问题,但它们仍然依赖已折叠的蛋白骨架、表达系统以及并不简单的优化流程。
在这样的背景下,肽在生物化学研究工具箱中占据了一个独特的位置（图1）。肽由较短的氨基酸链组成,通常少于50个残基。它们比小分子更大、构象上也更灵活,但又远小于全长蛋白或抗体,并且更容易通过化学方法合成。这种介于二者之间的尺寸特征带来了独特的实验优势:肽能够结合较大范围的蛋白表面,识别短线性基序和内在无序区域,并且可以方便地与报告分子、酶或降解装置偶联,同时避免了抗体类试剂常见的免疫原性问题。几十年来,肽已经在酶学实验中被用作竞争性抑制剂,在蛋白纯化中被用作亲和标签,在肽阵列中被用作表位替代物,也被用作重新连接细胞信号通路的招募元件。
图1｜肽在生物化学中的应用。 与其他传统结合分子形式相比,肽在生物化学研究中具有独特优势,能够加快发现流程的推进,并扩大这类研究中可触及靶标的范围。该图由BioRender绘制。 Hong, L.（2026）https://BioRender.com/c5ttb10。
尽管具有这些优势,肽在历史上却并未被充分开发为通用型生物化学试剂。传统的肽发现流程通常依赖噬菌体展示、组合文库筛选,或对天然结合基序进行迭代突变。这些方法不仅劳动密集,而且不适合同时优化多种性质,也难以针对诸如同工型选择性或实验兼容性之类的特定实验约束进行定向设计。除此之外,肽还常常面临溶解性差、易被蛋白酶降解以及在复杂生物体系中发生非特异性结合等问题,从而限制了它们在细胞实验和体内应用中的实用性。因此,要获得一个兼具高亲和力、靶标特异性和良好理化性质的稳健生物化学工具,通常需要进行大量经验性优化,这也使得肽试剂长期只能集中应用于少数研究较充分的靶标。
人工智能正在从根本上重塑这一局面。过去几年中,机器学习方法迅速兴起,已经能够在用户指定靶标、结合模式和功能约束的条件下,从头设计肽分子。这些方法综合利用了针对天然序列和含非经典残基序列的语言模型、包括扩散模型和流匹配在内的先进生成架构,以及结构预测网络,从而能够比传统筛选方法更高效地探索序列空间。更关键的是,近期研究已经表明,AI设计肽在实验成功率和结合亲和力方面可以达到与传统发现流程相当,甚至在某些情况下更优的水平。由此,肽设计正从过去以“发现”为核心的流程,转向以“设计”为核心的流程,使肽能够按需生成,并根据具体的生物化学实验要求进行定制。
该综述将AI设计肽视为生物化学中的实用工具来加以讨论。**关注的重点不是治疗性开发,而是实验应用价值。**具体而言,该文章强调肽如何作为Western blot和免疫沉淀中的亲和试剂,作为酶学和信号通路实验中的竞争性抑制剂,以及作为实现蛋白降解、稳定化或生物物理表征的功能模块。该文围绕两种主要设计范式展开,即基于序列的设计和基于结构的设计,并重点说明每一种范式分别能够支持哪些类型的肽工具。贯穿全文的目标,是为不同实验目标下AI设计方法的选择提供一套参考框架,并展望这样一个未来:肽试剂能够按需生成,从而满足生物化学研究不断演进的需求。
2 肽工具的AI设计:基于序列与基于结构的范式
AI算法是肽分析、设计和优化中的强大工具。AI模型的几类核心类型,即表征模型、预测模型和生成模型,都为生物化学研究提供了各自独特的优势。该综述涵盖了已经较为成熟的方法,也包括新近出现的计算框架,这些方法和框架被选入,是为了呈现当前肽设计策略的整体广度。文中既纳入了若干已被广泛采用的工具,也介绍了那些带来重要技术进展和以往未曾具备的设计能力的新框架。因此,表1至表3更应被理解为当前方法学版图的一种梳理,而不是一份所有工具都已同样成熟或经过同等程度验证的清单。
2.1 表征学习
表征模型会生成高维数值向量,也就是嵌入表示,用来内在地捕捉分子序列所具有的关键理化性质和结构特征。这类模型通常基于包含数千到数百万条序列的数据集进行训练,通过掩码语言建模MLM来恢复被隐藏的片段,从而学习序列中的潜在规律。蛋白语言模型pLMs,如ESM-2、ProtT5和ProteinBERT,是在全长蛋白序列上训练得到的,并且能够自然扩展到由20种标准氨基酸组成的肽序列。化学语言模型CLMs,如ChemBERTa和Chemformer,则是基于SMILES这类高度灵活的化学表示进行训练,因此原则上可以表示天然肽、化学修饰肽以及环肽等多种形式。研究者也进一步开发了专门面向肽的语言模型pepLMs。这类模型有的通过对现有pLM或CLM进行微调得到,例如PeptideBERT和PepDoRA;有的则从头训练编码器架构,例如HELM-BERT和PeptideCLM。PeptideBERT仍然保留标准天然氨基酸词表,而PeptideCLM、PepDoRA、PepLand和HELM-GPT等模型则采用SMILES或HELM表示方式,在保证肽主链结构合法的同时,允许可变基团具有几乎无限的多样性。
多数现代表示模型,无论是用于肽还是更广泛自然语言处理任务,都建立在Transformer架构之上,例如BERT。Transformer中的自注意力机制能够显式建模每一个残基或化学标记与肽中其余部分之间的相互作用,因此更有利于捕捉长程依赖和上下文相关效应。除Transformer之外,基于图的建模也是一种很有吸引力的思路,因为它能够直观地把肽表示为二维分子图,而PepLand就采用了这种方法。经过预训练的表征模型对于后续基于序列的建模非常关键,它不仅能够简化训练过程,还能够持续提升预测模型和生成模型的性能。相比之下,基于结构的方法通常是在折叠、预测或设计等具体任务中端到端地学习任务相关的结构表示（表1）。
表1｜用于肽表征或实验相关性质预测的代表性基于序列和基于结构模型概览。
2.2 性质预测
在表征学习中,性质预测常常被用作一种基准任务。若能够根据肽的嵌入表示准确预测其理化性质,就说明模型学到的表征确实包含了丰富而有效的信息。除此之外,独立的预测模型本身也具有重要价值,因为它们可以用来估计肽在特定靶蛋白环境中,或在更广泛的细胞环境中可能表现出的行为。目前,已有若干模型被训练用于预测蛋白—蛋白相互作用位点,例如DELPHI、MEG-PPIs和EGRET。PepCNN和PepBCL则用于预测靶蛋白上一般性的肽结合区域,而PepNN进一步提供了两种不同方案,即基于序列的PepNN-Seq和基于结构的PepNN-Struct,用于在给定特定肽配体的条件下预测靶标相互作用热点。这些模型有助于阐明结合机制,并为基序特异性结合肽的设计提供指导。此外,许多在药理学和实验研究中都十分重要的性质,目前已经积累了足够多的公开数据,可以支持建立预测模型。这些性质包括溶解性、溶血性、细胞穿透能力、膜通透性、可合成性、抗污损行为、结合亲和力、半衰期以及毒性等。PeptiVerse便针对其中若干具有治疗相关意义的性质训练了当前较先进的预测器。
2.3 生成算法
用于设计肽序列和肽结构的AI方法,包括完全从头设计、序列编辑以及支架化设计等,都可以归入生成建模的范畴。在这一框架下,模型通过学习一个分布来生成新的肽序列,这个学习到的分布要尽可能逼近研究者感兴趣的目标分布。根据具体应用的不同,目标分布可以对应于所有具有天然样式的肽、环肽或化学修饰肽、能够结合特定蛋白靶标的肽、能够作用于预定义热点残基的肽,或者同时满足结合能力与溶解性、稳定性等理化约束的肽。
早期的肽生成研究在很大程度上依赖自回归模型。这类模型通常采用基于Transformer的GPT架构,按token逐步生成序列。自回归模型已经成功应用于蛋白和肽设计,但由于其生成过程是从左到右推进的,因此无法自然利用双向上下文,也使目标引导采样变得更加复杂。实际而言,这会使那些依赖全局序列性质或下游实验读出的约束更难被纳入设计过程。
正因为如此,近年来的研究更倾向于采用双向的扩散生成框架和流生成框架,因为它们更适合灵活条件控制和多目标引导。在离散扩散模型中,序列生成被表述为一个逐步“去噪”的逆过程,即把随着时间被随机掩蔽或替换的token逐渐恢复为来自真实数据分布的干净序列。为了完成这一过程,模型会在许多细小时间步上执行单个token的状态转移。这类模型天然运行在离散字母表上,因此非常适合用于肽序列以及SMILES表示的建模。
流匹配则提供了一种与扩散模型相近但并不相同的视角。它通过学习一个随时间变化的向量场,把样本从一个简单的基础分布,例如随机分布或受扰动的数据分布,运输到由真实样本构成的数据分布。流匹配的离散变体将这一思想扩展到了序列空间,使样本能够在离散类别状态之间平滑演化。就实际应用而言,这种方法有可能带来更快的采样速度以及更具全局协调性的序列更新,不过其实现和训练往往也更加复杂。
无论是扩散方法还是流匹配方法,生成模型首先学习到的都是肽分布的整体结构。在此基础上,再通过条件控制和多目标扩展将额外约束引入生成过程,例如通过强化学习或蒙特卡罗树搜索,明确地把采样偏向那些能够同时满足多种竞争性条件的序列,如靶标特异性和性质优化。先学习广义的肽先验分布,再把生成过程引导到与具体任务相关的序列空间区域,这一思路已经被证明对于设计那些必须同时兼顾结合能力、选择性和理化行为的肽尤其有效。
2.4 基于结构的肽设计
**折叠与构象采样算法。**基于结构的设计是蛋白质和肽工程中最早出现的理性设计路径之一,也是最早从现代AI发展中受益的方法范式之一。这一策略建立在一个基本认识之上,即功能性多肽可以直接通过其三维结构来理解和设计。经过几十年的结构生物学研究,目前已经积累了大量蛋白质结构数据,其中既包括单体结构,也包括其与其他蛋白、配体或肽形成复合物时的结构。这些结构为识别结合基序、相互作用热点以及几何约束提供了原子分辨率的模板。近年来,结构预测也就是所谓的“折叠”算法取得了显著进展。AlphaFold2、AlphaFold-Multimer、AlphaFold3以及RoseTTAFold All-Atom等方法,在构象较为稳定的蛋白质上已经达到了极高的预测精度。这些工具不仅使从头设计分子的结构分析变得更低成本,也使那些尚无实验解析结构的靶标能够进入基于结构的结合肽设计流程。除了单一结构预测器之外,一些面向构象集合和分子动态的方法,如PepFlow和BioEmu,还能够对肽和蛋白质的构象变异性进行建模,从而为可实现的结合几何关系提供更丰富的视角。
**三维肽设计。**在上述进展基础上,新一代AI驱动的方法已经能够直接在三维空间中设计肽。CpSDE、CP-Composer、CYC_BUILDER、PXDesign、BoltzGen、HelixDiff和HelixFlow等模型,不仅能够输出肽序列,还能够同时给出精确的原子坐标。这些工具要么直接进行序列与结构的协同设计,要么先生成结构,再借助ProteinMPNN这类由结构反推序列的工具,在后处理中得到对应的肽序列。其中一些方法主要面向通用肽设计,通过在固定序列基序上搭建结构支架,或者在给定结构条件下重新设计,生成线性肽或环肽。HelixFlow和HelixDiff中的热点修补模块还可以选择引入镜像变换,从而在最终结构中产生D-氨基酸。这样做通常有助于提高分子的稳定性并降低免疫原性。若研究者事先选定了那些已知有助于与目标蛋白相互作用的肽模板残基,这些模型还可以被用于重新设计结合肽。与此同时,AfCycDesign既可以从头“幻觉式”生成环肽,也可以执行结构条件下的重新设计;若与基序嫁接工具结合,最终同样有望得到具备结合能力的肽。不过,由于HelixDiff和AfCycDesign的结合肽设计能力目前尚未以一体化流程的形式呈现,往往仍需要额外的理性设计步骤,有时还需要借助外部软件,因此该文暂未将其正式归类为专门的结合肽设计算法。
还有一些方法会显式地以目标蛋白作为设计条件,例如CpSDE、EvoBind2以及HelixFlow中的PocketFlow模块。为了更精细地控制设计目标,部分工具还可以把受体结构中的特定表面区域或热点区域纳入条件输入,例如RFdiffusion、RFpeptides、PXDesign、CYC_BUILDER、CP-Composer、BindCraft和BoltzGen等方法都具备这类能力。总体来看,当高质量结构信息可用、需要精确控制结合几何构型、且目标蛋白具有相对明确的主导结合界面时,基于结构的设计方法最具优势。对于生物化学研究而言,这类方法有助于加快设计流程,并提升高亲和力结合分子在pull-down实验、生物物理实验以及体外结合实验中的表现。不过,对结构信息的依赖也天然限制了它的适用范围,因为并不是所有靶标和相互作用都能被充分描述在结构空间中。相比之下,基于序列的生成模型直接在序列空间中工作,因此能够探索更广泛的靶标类型、相互作用模式和化学修饰形式,尤其适用于结构数据稀缺或不确定的情形。
表2｜用于肽折叠预测与设计的基于结构的AI算法。
2.5 基于序列的肽设计
与只关注由PDB中构象所约束的局部几何相互作用的基于结构方法不同,基于序列的肽设计利用氨基酸序列,在一个更广阔且更具动态性的空间中对结合行为、结构特征和理化性质进行建模。这种思路已被证明对于那些由短线性基序、柔性相互作用表面或内在无序区域主导的靶标尤其有效。早期工作通常依赖从已知相互作用伙伴中提取线性结合片段。例如SaLT&PepPr利用基于ESM-2的表征方法,识别相互作用蛋白中的序列片段,并将其重新用作肽结合分子。随后,为了实现从头结合肽发现,PepPrCLIP引入了一种受OpenAI的DALLE-2中CLIP框架启发的设计策略,从而可以直接针对目标蛋白序列,对由蛋白语言模型采样得到的肽文库进行虚拟筛选。再进一步, PepMLM则完全去除了筛选环节,转而基于跨度掩码语言建模目标,在给定目标蛋白的条件下直接生成肽序列。总体来看,这些基于蛋白语言模型的方法已经在多种具有挑战性的靶标上得到了实验验证,包括突变型亨廷顿蛋白、转录因子、病毒磷蛋白以及致癌融合蛋白等。这说明,即便在结构异质性较强的体系中,仅依靠序列信息也能够设计出可靠的肽结合分子。
表3｜用于天然样式肽和靶标结合肽设计的基于序列的AI算法。
**特异性约束下的序列设计。**然而,对于许多生物化学应用而言,仅有亲和力还远远不够,因此研究者开始发展能够在生成过程中直接编码生物学特异性的基于序列的方法。moPPIt整合了一个受PepNN-Seq启发的结合位点预测器,使肽的生成过程偏向目标序列中由用户指定的区域,从而能够产生表位特异性的肽。这类肽既可以作为抑制剂,也可以作为细胞治疗中的结合模块。当训练过程中显式引入脱靶序列时,模型还可以进一步实现同工型水平和旁系同源蛋白水平的区分。SOAPIA就是这一思路的代表,它在缺乏结构数据的情况下,通过将非目标蛋白序列纳入训练,来降低交叉反应。基于序列的设计也已经不再局限于蛋白识别本身。例如,像Metalorian这样的潜在扩散方法能够生成选择性结合并螯合特定金属离子的肽,这说明仅基于序列的框架同样可以编码非蛋白结合相关的化学相互作用。展望未来,随着更加专门化的序列表征不断发展,例如面向翻译后修饰蛋白或特定蛋白类别的表示方法,在不依赖结构信息的前提下,肽能够覆盖的选择性相互作用范围还将继续扩大。
**多目标肽生成。**当基于序列的肽设计与SMILES、HELM和CHUCKLES这类灵活的化学语言结合时,其能力会得到显著增强。这样的表示方式不仅支持非经典氨基酸,也支持化学修饰和大环拓扑结构,因此能够把肽设计从传统天然氨基酸序列进一步扩展到更广泛的化学空间。例如,HELM-GPT直接在HELM表示体系中生成大环肽,并通过强化学习优化膜通透性等性质。PepThink-R1则将SMILES表示与大语言模型推理结合起来,用于生成具有较优ADMET特征的环肽。PepINVENT是一种基于Transformer的强化学习方法,它在一个庞大的、可合成肽虚拟文库上训练,其中许多分子包含非经典氨基酸。该模型采用一种与SMILES兼容的表示形式CHUCKLES,既支持具有天然风格的肽和拟肽设计,也支持肽性质优化。
更新的一类多目标框架,则明确建立在针对肽SMILES训练的离散扩散模型之上。肽SMILES是一种强有力的线性化学表示形式。例如,PepTune和TR2-D2都使用基于肽SMILES的掩码离散扩散模型PepMDLM作为基础生成器,通过逆转序列受扰动过程来完成采样。在PepTune中,蒙特卡罗树搜索利用预训练性质预测器对候选序列编辑进行评估,并把生成过程引导到那些能够同时满足结合约束和理化约束的序列上。TR2-D2则通过引入强化学习,以指数倾斜的方式把基础扩散分布推向高奖励轨迹。
与之互补的另一类方法建立在离散流匹配之上。以MOG-DFM为例,该方法学习一个随时间变化的运输场,使序列在用户定义的多个目标之间逐步朝向Pareto前沿演化,并构成了moPPIt的生成骨架。较新的AReUReDi则在此基础上进一步扩展,通过在残基层面进行校正更新,借助有针对性的序列转移,使序列能够更直接地向Pareto前沿移动。总体而言,无论是基于扩散、流匹配还是强化学习的框架,有效的多目标控制都高度依赖准确的预训练性质预测器。这些预测器要么用于推理阶段指导采样,要么用于定义奖励函数,以微调基础生成模型。这一点也进一步说明,要设计出能力不断增强的生物化学工具,必须与实验研究者保持紧密合作,持续产生高质量的生物化学与理化性质训练数据。
尽管这里的梳理并不完全穷尽所有方法,尤其是在结合肽设计模型快速发展的背景下更是如此,但该文仍给出了一棵面向实验应用的决策树,用于帮助在基于结构和基于序列的肽设计方法之间进行选择（图2）。
图2｜基于结构和基于序列的肽设计决策树。 该图为面向实验研究者的决策指南,用于选择基于结构的肽设计算法(蓝色)和基于序列的肽设计算法(黄色)。需要说明的是,即使已经获得了解析的三维结构,只要已知目标蛋白序列,基于序列的算法仍然可以使用。由AlphaFold预测得到的结构也可以作为基于结构设计算法的输入,不过经过实验验证的结构通常更为理想。该图使用BioRender绘制。Hong, L.（2026）https://BioRender.com/c5ttb10。
3 用于生物化学实验和蛋白质表征的肽工具
3.1 与特定实验相匹配的亲和试剂
肽作为亲和试剂的一个关键优势,在于它能够适应那些对结合行为提出截然不同要求的多种实验条件（图3）。抗体常常被重复用于Western blot、免疫沉淀和流式细胞术等不同实验,但在这些实验中,目标蛋白实际上处于完全不同的状态。这种做法往往会导致性能不一致,而且一旦出现问题,通常只能通过彻底更换试剂来解决。与此同时,无论是多克隆抗体还是单克隆抗体,其筛选和生产流程都较为繁重,需要宿主免疫以及杂交瘤细胞成熟等步骤,这进一步加剧了问题。相比之下,肽更容易合成,也更容易扩展到高通量实验中使用,因此可以在设计之初就把具体实验条件纳入考虑,从而避免上述困难。
例如,在Western blot检测中,可以针对变性后仍然暴露在线性的序列片段进行设计;在免疫沉淀和pull-down实验中,则可以选择天然相互作用表面或短结合基序,例如HaloTag、多组氨酸标签和HiBiT标签,并在含去污剂的裂解液条件下实现富集;对于表面染色和流式细胞术,则可以瞄准胞外环区和结构域,同时在序列层面调控电荷和疏水性,以减少非特异性的膜结合。由于肽序列是完全明确且通过化学方法合成得到的,当某项实验表现不理想时,研究者还可以直接调整其结合强度、背景信号和标记化学策略。
图3｜用于生物化学亲和试剂的AI设计肽的制备。 基于AI的设计与自动化肽合成能够缓解制造和生产过程中的时间与人力负担,从而支持面向生物化学亲和应用的、更加可编程且可进行多目标优化的肽生成。该图使用BioRender绘制。Hong, L.（2026）https://BioRender.com/c5ttb10。
3.2 细胞内靶标结合与活细胞测量
当研究从基于裂解液的测量进一步转向活细胞环境时,肽分子体积小这一特点就成为了一个重要优势。抗体通常需要经过固定、透化或细胞裂解等步骤才能接触细胞内靶标,而这些处理往往会破坏蛋白定位以及一些短暂的相互作用。相比之下,肽可以被设计为进入细胞,并且在细胞内保持足够长时间的稳定性,从而与胞内蛋白发生结合。这使得研究者能够在完整细胞中直接测量靶标结合情况、结合位点占据程度以及竞争性置换等现象。此外,如果对肽结合分子进行荧光标记,细胞内基于流式或成像的读出会更加简便;而未标记的肽则可以用于竞争实验,之后再结合标准的生物化学分析方法进行检测。这类实验流程的优势在于,它能够更好地保留细胞原有的组织状态,从而使结合和功能扰动的评估更接近系统的天然生理条件。
3.3 基于肽的探针与报告分子
肽同样构成了多种生物化学探针的重要基础,而更优的设计能够直接提升这类工具的特异性与可解释性。蛋白酶实验通常依赖荧光生成型肽底物,而激酶和磷酸酶实验则常使用短肽底物或对接基序。虽然共识序列使用起来较为方便,但它们往往反映的是某一类酶家族的总体活性,而不是单个酶的具体活性。相比之下,经过精心设计的肽底物可以把选择性更好地引导到特定酶或关系密切的同工型上,从而提高复杂样本中的分辨能力。除了作为底物之外,肽还可以与荧光基团、淬灭基团、FRET配对、光交联基团或邻近标记手柄偶联,从而构成一类能够追踪结合、切割、构象变化或瞬时相互作用的报告体系。在这些应用中,序列背景都会直接影响背景信号、动态范围以及脱靶效应,因此肽的设计本身就成为决定实验质量的核心因素之一。
3.4 通过诱导邻近实现可编程蛋白质组编辑
肽作为生物化学工具,也许最引人注目的潜力之一,就在于它能够把高度的可编程性引入蛋白质层面。像CRISPR这样的基因组编辑技术之所以彻底改变了生物学研究,正是因为它使基因组操作变得简单、可编程并且易于普及。研究者只需设定一条与目标DNA序列互补的向导RNA,就可以把Cas9核酸酶招募到相应位点完成编辑。正是这种“靶向”和“执行”相分离的架构,使得在不同体系中实现基因敲除、插入、抑制或激活都变得相对直接。那么,如果蛋白质层面也能获得同样程度的可编程性,会怎样?肽正在推动这一目标逐步成为现实,因为它可以把特定酶活性有选择地招募到指定蛋白上。
其中一个关键例子是遗传编码的肽引导E3泛素连接酶
与此相关的策略,例如PepTACs、DUBTACs、DEPTACs以及其他肽引导的招募系统,又把这一框架扩展到了更多酶学功能上。尽管目前的大多数实现方式仍依赖融合蛋白,而不是完全合成的双功能肽,但随着肽结合分子越来越容易以明确的亲和力、特异性和细胞内兼容性进行设计,这些方法正在为扰动蛋白质组提供一种可编程的新手段。它们能够与基因组编辑形成互补,并借助标准生物化学实验,实现对蛋白周转、相互作用网络以及翻译后修饰的系统性调控。
4 展望
目前,AI设计肽对生物化学最直接的贡献,在于能够通过多目标肽生成方法,产生那些明确针对实验用途进行优化的靶标结合试剂。就实际应用而言,这为依赖现成抗体之外提供了一种很有吸引力的替代方案,因为现成抗体的表现往往高度依赖具体语境,在不同实验类型、不同细胞类型或不同缓冲液条件下的性能都较难预先判断。这些进展推动肽的发现过程从过去那种线性推进、反复试错的模式,转向更具工程化特征的工作流程。在这种新模式下,生成的肽不再只是功能勉强可用、还需要大量后续优化的初级结合分子,而是更接近可直接进入实验的试剂。因此,肽正越来越多地成为实用型亲和试剂、竞争性抑制剂以及生物化学实验中的模块化组成部分,尤其适用于那些历史上难以用抗体或小分子有效处理,或者难以稳定重复结合的靶标。
展望未来,同样的设计原则很可能会从单纯的靶标结合进一步扩展到功能扰动和细胞情境层面。新近出现的一些模型已经开始把分子处理与下游生物化学效应或细胞状态变化联系起来,这预示着未来的肽不仅可以充当靶向结合分子,还能够主动诱导特定的生物化学结果,例如促进降解、增强稳定化或调节信号通路。进一步来看,随着AI驱动设计逐步与自动化肽合成、高通量筛选以及闭环实验反馈相结合,肽试剂将能够真正实现按需生成、按需筛选和按需优化。在这样的发展格局下,肽有望超越单纯的亲和工具,成为一种可编程的分子试剂,把序列设计直接连接到生物化学功能和细胞行为上。