Nat. Chem. Biol. | 深度学习驱动的多表位单结构域蛋白设计

DRUGONE

天然蛋白通常在单一结构域中承载多个功能位点，而传统的从头蛋白设计方法多只能精准呈递单一功能基序。研究人员提出了一种基于深度学习的蛋白设计策略，成功在单一、小尺寸结构域中同时精准支架化三个互不重叠的蛋白表位。以呼吸道合胞病毒融合蛋白的三个中和表位为例，研究人员设计的蛋白不仅在结构上高度复现天然表位构象，还在体内实验中诱导出更广谱、更有效的免疫应答。该研究展示了生成式深度学习在解决复杂多表位蛋白设计问题上的强大能力。

近年来，从头蛋白设计在结构预测和功能嵌入方面取得了显著进展，但大多数成功案例仍局限于单一功能位点的支架化。相比之下，自然界中的蛋白往往通过基因融合或结构演化，在一个结构域中整合多个功能位点。

在疫苗设计领域，这一差距尤为突出。病毒抗原通常由多个不连续、构象复杂的表位组成，而传统表位支架化策略往往需要多个蛋白或混合疫苗来实现多表位呈递，增加了设计复杂度并引入大量非目标免疫表面。因此，一个关键问题是：能否在单一人工设计蛋白中，同时精准呈递多个结构和空间上彼此独立的表位？

方法概述

研究人员采用基于深度学习的蛋白生成框架，将三个表位分别作为独立“模板”输入模型，而不预先限定它们之间的空间取向。模型在生成整体蛋白骨架的同时，自主选择三者的相对排列方式，并构建能够稳定支撑这些表位的全新折叠结构。随后，研究人员结合序列设计模型与高精度结构预测，对候选蛋白进行筛选，并通过实验手段验证其折叠稳定性、表位可及性以及抗体结合能力。

结果

单表位支架化的高精度验证

研究人员首先验证了深度学习方法在“难以支架化”的单一表位上的能力。设计蛋白在结构预测和实验结构解析中均显示出与天然表位高度一致的构象，同时具备良好的热稳定性和可溶性。

图 1｜单表位支架化蛋白的计算设计与结构验证。

单结构域中同时嵌入三个非重叠表位

在此基础上，研究人员成功设计出小于 130 个氨基酸的单结构域蛋白，同时呈递三个结构差异显著的中和表位。这些表位在空间上彼此分离，却共同构成了蛋白表面的大部分功能区域，显著减少了无关支架表面的暴露。

图 2｜三表位单结构域蛋白的计算设计流程与整体构型。

体外实验验证三表位同时可识别

实验结果表明，这些多表位蛋白能够同时与三种表位特异性抗体结合，且结合亲和力处于合理范围，证明三个表位在同一蛋白中被正确呈递且互不干扰。

图 3｜多表位蛋白与不同抗体的结合特性分析。

体内免疫反应显著增强

在小鼠免疫实验中，多表位设计相比单表位蛋白诱导了更高水平的病毒交叉反应抗体，并在中和实验中表现出更强的功能性免疫应答，表明多表位共呈递有助于引导更有效的免疫反应。

图 4｜多表位与单表位免疫原的体内免疫效果比较。

晶体结构证实设计的原子级准确性

研究人员解析了多表位蛋白的晶体结构，发现三个表位在原子尺度上均与天然结构高度一致，而整体折叠在已知蛋白结构空间中高度新颖，几乎不存在直接同源。

图 5｜多表位蛋白的晶体结构与天然表位对比。

设计蛋白占据全新结构拓扑空间

系统性结构分析显示，这些多表位蛋白不属于任何已知蛋白折叠家族，说明深度学习方法不仅能精准复现局部功能结构，还能探索自然蛋白结构库之外的全新拓扑空间。

图 6｜多表位蛋白在蛋白结构空间中的新颖性分析。

讨论

该研究首次展示了在单一、小型结构域中同时精准支架化多个复杂蛋白表位的可行性，突破了传统蛋白设计在功能整合数量上的限制。通过不预设表位间几何关系，深度学习模型能够在更大的结构空间中寻找满足多重约束的解决方案，从而实现高精度与高成功率的多表位设计。

在应用层面，这一策略为多表位疫苗、功能蛋白工程以及生物传感器设计提供了全新的技术路径。更广泛地看，该工作凸显了生成式深度学习在解决高度受限、传统方法难以处理的蛋白设计问题中的独特优势，标志着从“单功能蛋白设计”迈向“多功能蛋白理性构建”的重要一步。

整理 | DrugOne团队

参考资料

Castro, K.M., Watson, J.L., Wang, J. et al. Accurate single-domain scaffolding of three nonoverlapping protein epitopes using deep learning. Nat Chem Biol (2025).

https://doi.org/10.1038/s41589-025-02083-z

内容为【DrugOne】公众号原创｜转载请注明来源