今年《Nature Communications》上新興發(fā)表的一項研究顯示,，機器學習與CFPS的結合改變了酶工程范式,。傳統(tǒng)定向進化需數(shù)月篩選，而研究者通過無細胞系統(tǒng)快速合成數(shù)千個突變酶,，結合AI模型預測關鍵協(xié)同突變,，可在一周內同時完成六種酶的改造任務，活性提升高達42倍,。例如,，抗抑郁藥物莫氯貝胺的合成轉化率從12%躍升至96%。

跨家族功能性蛋白設計曾是行業(yè)難題,。最新研究利用大語言模型ProGen的建立,，從海量蛋白數(shù)據(jù)庫中學習序列規(guī)律，生成全新跨家族功能蛋白,。結合CFPS技術對這些生成的序列進行表達和驗證,，發(fā)現(xiàn)ProGen生成的人工蛋白質不僅表達良好，還具有與天然蛋白質相當?shù)拇呋钚?。這意味著,，借助AI和CFPS，科學家們可以突破“算得到卻做不出”的困境,，創(chuàng)造出更多具有特殊功能的蛋白質,，為生物制藥等領域開拓了廣闊的創(chuàng)新空間。

在抗體發(fā)現(xiàn)過程中,，傳統(tǒng)方法需要數(shù)周時間,，而該研究利用無細胞DNA組裝、CFPS系統(tǒng)以及AlphaLISA檢測技術,，讓一名研究人員在不到24小時內就能表達和分析數(shù)百種抗體的抗原特異性結合情況,。這一成果大大加速了抗體的發(fā)現(xiàn)和表征，讓抗體篩選從“蝸牛式”的緩慢進程變成了“火箭式”的快速沖刺,。

珀羅汀公司敏銳地捕捉到了“AI+CFPS”技術的巨大潛力，推出了“AI預測設計-高效表達篩選-功能驗證”一站式服務平臺,。這項服務就像是一個全方-位的蛋白研發(fā)助手,，為客戶提供了從靶點發(fā)現(xiàn)到蛋白應用的全流程解決方案。

例如在抗原/抗體研發(fā)上,，基于普美瑞核心算法（Codock）及其深度學習模型,，通過給定的抗原/抗體序列即可預測其復合物結構，可能的結合界面及對結合有關建貢獻的熱點殘基,。配套珀羅汀CFPS技術,，可在 24 小時內快速合成目標抗原/抗體，實現(xiàn) AI 預測與濕實驗驗證的無縫銜接,，有效降低抗體開發(fā)試錯成本,。珀羅汀搭建的高通量自動化蛋白/多肽表達和篩選工作站單日可處理上千樣本,，極大地縮短了研發(fā)周期。

Codock曾獲CASP15比賽蛋白/RNA-配體復合物結構預測（Ligand）賽道第一名,，配體結合構象預測精度 RMSD 低至 0.56Å,，能夠提升藥物設計成功率。

能夠實現(xiàn)“AI預測和設計- CFPS快速表達和篩選-反饋優(yōu)化算法”的快速迭代,，縮短研發(fā)周期,。

支持小分子/ PROTAC /抗體藥物開發(fā)、疫苗抗原-抗體相互作用解析,，滿足多元化研發(fā)需求,。

如果您對我們的“AI+CFPS”蛋白表達服務感興趣，歡迎隨時聯(lián)系我們,，一起探索蛋白表達的無限可能,！

1.Landwehr, G.M. et al. Accelerated enzyme engineering by machine-learning guided cell-free expression. *Nat. Commun.* **16**, 865 (2025).DOI: [10.1038/s41467-024-55399-0]

2.Madani, A., Krause, B., Greene, E.R. et al. Large language models generate functional protein sequences across diverse families. Nat Biotechnol 41, 1099–1106 (2023).DOI:[10.1038/s41587-022-01618-2]

3.Hunt, A.C., Vögeli, B., Hassan, A.O. et al. A rapid cell-free expression and screening platform for antibody discovery. Nat Commun 14, 3897 (2023). DOI:[10.1038/s41467-023-38965-w]