aBIOTECH | 汪海课题组综述蛋白质结合体的人工智能设计以及在作物改良中的应用

作物的许多关键农艺性状由复杂的蛋白互作网络协同调控，如何精准设计蛋白互作，在不产生生长代价的前提下提升作物抗病性、抗逆性及产量稳定性，是作物改良的前沿方向。近年来，深度学习在蛋白结构预测与生成式设计领域取得重大突破，蛋白质结合体的从头设计，为重塑蛋白互作、构建新型调控网络提供了全新技术路径。

近日，中国农业大学汪海教授团队在aBIOTECH 发表了题为“Deep learning–driven protein binder design for crop improvement”的综述论文。作者系统梳理了深度学习驱动蛋白结合体设计的技术基础、主流工具链与作物应用潜力，并提出面向植物端到端的设计与验证框架。文章指出，蛋白结合体能够精准结合靶蛋白从而干预蛋白互作接口，实现对信号通路的定向调控。相较于传统的依赖随机突变与文库筛选的蛋白质工程技术，深度学习方法显著提升设计效率与靶点命中率，为农业生物技术从基因层面的编辑走向蛋白互作层面的精准改造打开了想象空间。

文章围绕一个清晰的实践流程展开。首先是靶标选择与结构获取，针对抗病、抗逆与发育调控等关键通路确定可操作的蛋白互作节点，并借助AlphaFold或RoseTTAFold等结构预测工具获得靶蛋白三维结构信息。随后进入结合位点与界面设计阶段，利用结构感知方法识别潜在热点区域，再通过RFdiffusion等生成式模型在三维空间中生成与靶标匹配的骨架构象，并结合ProteinMPNN进行序列设计，平衡候选结合体的折叠稳定性与界面互补性。最后文章进一步强调了分层筛选的重要性，建议使用pLDDT、pAE、ipTM等指标评估复合物可信度，同时结合Rosetta等软件来排除与化学界面不符的候选分子，降低实验筛选成本。

在实验验证方面，作者将计算设计与可落地的生物学评估紧密衔接，提出从体外互作检测到植物体内早期功能验证的递进路线。使用高通量筛选平台初步确认结合能力（例如酵母表面展示）后，进一步采用SPR或BLI等生物物理方法获得亲和力与动力学参数，并在满足表达与稳定性要求的前提下推进到植物体内的瞬时表达评估，最终再进入稳定转化与性状评价。这种从计算到实验、从体外到体内的闭环思路，为植物领域建立可复制、可扩展的结合体工程流程提供了明确参考。

图1. 利用深度学习设计蛋白结合体

更值得关注的是，文章以作物改良为导向提出了多类具有现实指向的应用场景。在病害防控方面，蛋白结合体可用于中和病原效应子或阻断其进入宿主细胞的关键步骤，从分子层面阻断病原的致病性。在逆境适应方面，蛋白结合体有望靶向ABA信号枢纽等节点实现更精细的胁迫响应，从而避免传统“强激活”导致的生长抑制。在发育调控方面，作者讨论了干预开花转换、衰老进程等相关蛋白的可能性，为加速育种流程提供新的工具箱。此外，根系构型、养分转运效率与昼夜节律等复杂性状也被纳入讨论，体现出蛋白互作调控对未来精准育种的核心推动作用。

图2. 针对特定靶标设计的蛋白结合体的潜在应用

最后，作者总结了该领域走向农业应用仍需跨越的关键障碍。植物与植物病原体系的互作数据相对稀缺，植物蛋白结构信息在公共数据库中的占比仍然有限，这些制约模型泛化与靶标筛选的准确性。同时，亲和力的可靠预测、跨物种互作建模的难度，以及体内递送与时空表达调控等实际问题，要求设计应用在作物中的结合体必须强化风险管控和协同多种策略。据此，文章提出构建植物特异数据集、开展迁移学习及在设计流程中提前考虑递送与表达调控等建议，为后续研究指明方向。

总体而言，这篇综述为利用深度学习设计蛋白结合体，提供了面向作物改良的系统化技术路线图，将快速发展的蛋白生成式设计能力与植物分子育种需求对接起来。随着结构预测、生成模型与实验验证体系的进一步成熟，蛋白结合体有望与基因编辑、合成生物学等技术共同构成新一代分子设计育种工具，为培育高产、抗逆、可持续的作物品种提供更精准、可编程的技术支撑。

引用本文：Iqbal MS, Bahitwa R, Azam AA, Xu H, Wang H. Deep learning–driven protein binder design for crop improvement. aBIOTECH 2025.

https://doi.org/10.1016/j.abiote.2025.100018