摘要概况
近日，微软研究院刘铁岩团队在Nature Machine Intelligence（Top期刊，IF 23.9）发表题为 “Accelerating protein engineering with fitness landscape
modelling and reinforcement learning”
的研究，针对蛋白质工程中组合序列空间过于庞大、上位效应难以预测、实验探索效率低等难题，提出μProtein框架。该框架将高精度突变效应预测模型μFormer与强化学习探索算法
μSearch深度耦合，仅依赖单点突变实验数据，即可高效发现高阶功能突变体，捕捉突变之间的上位效应。在 TEM-1
β-内酰胺酶耐药性优化的应用实例中，μProtein设计了具有超高功能提升的β-内酰胺酶多点突变体，其活性超过已知最高水平，并发现了自然界尚未报道的耐药突变。这为大规模蛋白质序列优化提供了全新而高效的策略。
标题：Accelerating protein engineering with fitness landscape modelling and reinforcement learning
期刊：Nature Machine Intelligence
原文链接：https://doi.org/10.1038/s42256-025-01103-w
代码：https://github.com/microsoft/Mu-Protein
复制链接至浏览器查阅或文末“阅读原文”查看文章内容
背景拓展
蛋白质工程的目标是通过修改天然蛋白质的氨基酸序列，使其在特定条件下（如高温、强酸或存在抗生素）表现出更强的功能。然而，这项任务面临一个根本性挑战：可能的突变组合数量极其庞大。以一个包含300个氨基酸的典型蛋白质为例，即使只考虑其中数个位点的突变，每处有20种氨基酸的可能，组合数也轻松突破万亿级别。而真正具有高功能的突变体在如此巨大的“序列空间”中极为稀少，如同大海捞针。
更复杂的是，多个突变的效果往往不是简单叠加的。有时两个单独效果平平的突变，组合后却能显著提升功能；有时一个看似有害的突变，在特定背景下反而成为关键。这种非线性相互作用被称为上位效应（epistasis），使得最佳突变体的进化路径难以预测，而传统逐个筛选测试的方法效率极低。
目前，高通量实验技术（如深度突变扫描）通常只能系统评估单点突变——即每次只改变一个氨基酸。要全面测试所有双点甚至三点突变，实验成本几乎不可承受。因此，如何仅凭有限的实验数据，准确预测复杂突变的功能，并高效锁定最有潜力的组合，成为蛋白质工程的核心瓶颈。
图1 蛋白质适应度景观
人工智能辅助蛋白质工程的新思路：不止于预测，更要主动探索
近年来，人工智能被广泛用于辅助蛋白质工程。主流预测模型构建方法通常是将氨基酸序列转化为数值向量，再训练模型学习“序列—功能”之间的映射关系。这类预测模型能在输入新序列后预测其功能强度，但存在明显局限：一是预测精度仍有不足，尤其在面对多点突变时难以捕捉上位效应；二是大多无法主动提出值得实验验证的候选序列。
回到本文中，微软研究院刘铁岩团队近期在《Nature Machine Intelligence》发表的研究，提出了一种名为 μProtein
的新框架，试图同时解决上述问题。其核心思路是将高精度的突变效应预测模型（μFormer）与智能搜索算法（μSearch）深度耦合，形成“预测+探索”的双引擎机制。
具体来说，μFormer负责准确预测每一个可能的突变体的功能——即适应度景观（fitness
landscape），其中每个点代表一个蛋白质序列，高度代表其功能强弱；而μSearch则像一位智能导航员，在这张适应度景观“地图”上主动探索，逐步逼近功能最强的区域，而非盲目尝试所有的可能。因此，该框架的核心在于预测模型有足够的准确度，而智能搜索算法有优秀的探索效率。
图2 μProtein工作流程
1. μFormer精准预测模块：仅用单点数据，也能预测复杂突变
为了获得足够的预测准确度，从而准确预测每一个突变序列的功能。μProtein的预测模块μFormer采用了一种研究团队自己新训练的蛋白质语言模型，沿用了课题组此前提出的成对掩码预训练策略（PMLM），该策略通过模拟进化过程中残基对的协同关系，使模型能够学习氨基酸之间的长程依赖和结构约束。
关键突破在于：μFormer仅需单点突变的实验数据进行微调，就能准确预测包含多个突变（甚至插入或缺失）的序列功能。在多个公开数据集上的评估显示，其预测性能优于当前主流模型如DeepSequence和ProteinNPT。更重要的是，它能有效捕捉突变之间的上位效应——这正是传统线性模型难以处理的痛点。
图3 μFormer在多个基准数据集中的表现优于主流突变效应预测模型
图4 μFormer在多个高阶突变体数据集中的表现优于DeepSequence和ProteinNPT
研究人员还对TEM-1
β-内酰胺酶（一种常见耐药酶）的突变体嵌入向量进行了t-SNE降维可视化。结果显示，高活性突变体（如超广谱β-内酰胺酶，ESBL）在低维空间中明显聚集成簇，且沿主成分方向与实验测得的功能梯度高度一致。这表明μFormer并非简单计数突变数量，而是真正学习到了序列与功能之间的深层关联。
图5 从μFormer提取的TEM-1突变体嵌入向量经t-SNE降维可视化。红点代表ESBL，其他点由实验测量的适应度值分位数排名着色。
2. 搜索算法 μSearch：智能探索最优突变体
有了可靠的预测模型，下一步是如何在天文数字般的序列空间中高效搜索。为此，研究团队设计了基于强化学习的搜索算法μSearch。
μSearch的工作方式类似于爬山：从野生型蛋白出发，每次尝试在一个位点替换一个氨基酸，相当于“选择方向走一步”；然后由μFormer立即评估新序列的功能得分。如果得分提升，则继续沿该方向攀登；若得分下降，则及时调整策略，探索其他路径。通过不断试错与策略更新，μSearch能够避开功能低谷，快速逼近高活性区域，登上全局最高峰，即设计出全局最优突变体。
在多种模拟适应度景观上的对比实验表明，μSearch在发现高功能序列的效率上显著优于其他八种现有算法。
图6 μSearch 与主流适应度景观探索算法的性能对比。
a–c 为多轮搜索结果：
分别展示 μSearch 与主流算法在通用景观（a）、
Rosetta 设计景观（b）、
AAV 附加向性景观（c）中的表现、
（d）为单轮搜索结果（以 μFormer 为预测器）
实验验证：超越天然的耐药突变
为了进一步验证整个μProtein框架的实用性，研究团队在TEM-1
β-内酰胺酶上进行了实验验证。目标是提升该酶对头孢噻肟（一种头孢菌素类抗生素）的抵抗能力。他们仅使用约5000个单点突变的实验数据训练μFormer，随后由μSearch生成包含2–3个突变的候选序列，并从中筛选出功能显著增强的组合。
实验结果显示，μProtein设计的双突变体G236S;T261V的耐药活性甚至超过了已知的经典四突变体（A40G;E102K;M180T;G236S），充分体现了上位效应带来的功能跃升。更值得注意的是，该框架首次发现了一个在自然界耐药菌中从未报道过的突变T261I。结构分析显示，该位点位于活性口袋附近，可能通过重塑氢键网络影响底物结合，为理解β-内酰胺类抗生素的耐药机制提供了全新线索。
此外，与随机设计相比，μProtein提出的序列具有更高的实验阳性率，说明其不仅预测准确，而且能有效减少实验负担，提升蛋白质工程效率。
图 7 μProtein 设计高功能TEM-1序列。
a为强化学习与随机设计序列的阳性率对比；
b为突变体相对野生型生长倍数（酶活性）；
c为头孢噻肟压力下与无抗生素的生长倍数比（耐药活性）；
d为ESBL 天然突变（内环）与 RL 设计突变（外环）分布；
e为Thr261 氢键网络；
f为RL 设计与天然突变体对比。
全文总结
1. 核心贡献 μProtein 框架的核心突破在于构建了“高精度预测—高效探索”的协同机制：μFormer 实现了仅基于单点突变数据即可准确预测高阶突变（包括双点、三点甚至插入缺失）的功能效应，有效捕捉了突变间的上位性互作；μSearch
则通过强化学习策略，解决了在超大规模序列空间中低效搜索的问题，显著提升了高功能突变体的发现效率。
2. 局限与未来方向 尽管成果显著，文章在若干关键问题上仍有待深入探讨。结合个人浅见，提出以下几点思考：
小样本适应性论证不足：实验阶段基于约 5000 个单点突变数据对 μFormer 进行微调，这在高通量场景下尚可接受，但在更小样本条件下（如仅数百个甚至数十个实验数据），模型性能是否依然精准，缺乏系统验证。
缺乏多轮主动学习闭环：研究中，预测模型仅经一次微调，后续实验获得的新序列数据未重新纳入循环。而”设计—实验—反馈”式的多轮主动学习策略已在 ALDE、EvolvePro
等策略中被证明可显著降低对数据的需求量，是连接计算预测与湿实验的关键桥梁。
多模态信息整合潜力未释放：未来可进一步融合预测性蛋白质 3D 结构（如 AlphaFold2 输出）、动态构象或能量景观等多模态特征，以增强对功能机制的物理理解。这也是文中在讨论部分提到的。
作者：卞佳豪
编辑排版丨品牌
审核丨市场部、研发中心
图片丨来源于3777金沙官方VIP认证新酶、网络（侵删）
往期专题内容推荐
Previous Featured Content
第八期 | 蓝莓深处的秘密：一个“不守规矩”的酶，如何被浙大团队改造成“超级工匠”？
第七期 | 一次“翻身”，催化效率提升八倍——羟腈裂解酶构象动态机制新发现
第六期 | 无细胞
x 双功能微珠液滴——酶进化的加速器！
第五期 | 一周进化5000倍！这套“超突变系统”让蛋白质进化进入快车道
第四期 | 酶制剂保鲜魔法——解码酶制剂冻干工艺的开发
第三期 | 精准诊断的关键：打造超洁净分子酶——核酸残留的清除秘籍！
第二期 | “粮草先行”
！探寻大肠杆菌高密度发酵培养基的奥秘
第一期 | 特种酶的智造—“酶之舞，需编之”
