许多药物和抗体发现途径都专注于错综复杂的折叠细胞膜蛋白：当候选药物分子与这些蛋白质结合时，就像钥匙插入锁中一样，它们会引发改变细胞行为的化学级联反应。但由于这些蛋白质嵌入含脂质的细胞外层，因此很难接触，并且不溶于水基溶液(疏水性)，因此很难研究它们。

“我们希望将这些蛋白质从细胞膜中分离出来，因此我们将它们重新设计为超稳定的可溶类似物，它们看起来像膜蛋白，但更容易操作，”工程学院蛋白质设计和免疫工程实验室 (LPDI) 的博士生 Casper Goverde 解释道。

简而言之，Goverde 和 LPDI 的一个研究团队(由 Bruno Correia 领导)利用深度学习设计了药物研究中常用的合成可溶性细胞膜蛋白。传统的筛选方法依赖于间接观察细胞对药物和抗体候选物的反应，或从哺乳动物细胞中精心提取少量膜蛋白，而研究人员的计算方法使他们能够从方程式中去除细胞。

在使用深度学习流程设计出可溶性蛋白质类似物后，他们可以利用细菌大量生产经过修饰的蛋白质。然后这些蛋白质可以直接在溶液中与目标分子候选物结合。

“我们估计，使用大肠杆菌生产一批可溶性蛋白质类似物的成本比使用哺乳动物细胞低 10 倍左右，”博士生 Nicolas Goldbach 补充道。

该团队的研究成果最近发表在《自然》杂志上。

改变蛋白质设计脚本

近年来，科学家已经成功利用人工智能网络，利用深度学习来设计新的蛋白质结构，例如根据输入的氨基酸结构块序列进行预测。但在本研究中，研究人员对自然界中已经存在的蛋白质折叠感兴趣;他们需要的是这些蛋白质更易于获取、更易溶解的版本。

“我们的想法是颠覆这个预测蛋白质结构的深度学习流程：如果我们输入一个结构，它能告诉我们相应的氨基酸序列吗?”Goverde 解释道。