摘要：人工神经网络为非生物信息处理提供了强有力的工作范式。细胞是能够进行工作分类的小型机器，通过使用不同基因和蛋白的相互作用回路来进行对不同信号线索进行动态响应。举例来说，p53肿瘤抑制因子信号通路能够对细胞所面对的胁迫选择诱导细胞衰老或者细胞坏死【1】。在发育过程

撰文丨十一月

人工神经网络为非生物信息处理提供了强有力的工作范式。细胞是能够进行工作分类的小型机器，通过使用不同基因和蛋白的相互作用回路来进行对不同信号线索进行动态响应。举例来说，p53肿瘤抑制因子信号通路能够对细胞所面对的胁迫选择诱导细胞衰老或者细胞坏死【1】。在发育过程中，神经管中的细胞通过放大BMP以及hedgehog信号通路来特化前体细胞命运【2】。

合成生物学主要目标是设计决策分类回路从而针对不同信号输入控制细胞的信号输出。其中一个非常有力的分类结构被称为“赢者通吃” （Winner-take-all） 神经网络（图1）。在分类结构提供了一个压缩的信号分类机制，只需要单层的信号神经网络，并确保输出为0或者1。

图1 “赢者通吃”模型

那么是否可以在活细胞中对信号设计类似的神经网络分类回路呢？“赢者通吃”信号回路具有三个关键特征：首先，加权求和允许神经网络中每个节点能够对输入分子具以可调节的强度进行响应；其次，输出节点之间的相互抑制会忽略活性丰度较少的信号；第三，每个输出节点的自我激活允许已有的信号放大并维持自己的活性。

为了实现在活细胞中的合成神经网络，美国加州理工大学Michael B. Elowitz研究组与西湖大学陈子博（第一作者/通讯作者） 合作在Science上发文题为A synthetic protein-level neural network in mammalian cells，实现哺乳动物细胞中对多种输入信号分类决策的合成蛋白质网络。

首先，作者们设计了一系列嵌合体蛋白，构建了一组输入从头设计的异二聚体单体。这些输入信号能够结合并激活N-节点蛋白，包含N末端蛋白酶的一半。一旦激活，N末端节点蛋白与C末端蛋白酶的另一半结合形成完整节点。每个节点输入水平代表了不同的浓度也就是重组蛋白酶的活性。这种设计还可以对输入进行加权求和。每个输入信号可以通过对应的从头设计的异二聚体结合伴侣同时与多个N-节点蛋白相互作用。同时，通过表达N-节点蛋白的丰度来控制有效输入。

为了理解该系统在生理相关参数中的预期响应，作者们模拟了对一系列Xi浓度输入值矩阵的响应，从而模拟双输入回路执行“赢家通吃”的分类决策模型。之后作者们在哺乳动物细胞HEK293报告细胞系中进行检测，作者们设计了六个输入感知蛋白元件以及两个输入蛋白。作者们选择了研究较为充分的两个蛋白酶TEVP以及TVMVP作为两个正交蛋白酶，并将其分割成不同的部分融合到头设计的异二聚体结构域、蛋白酶裂解结构域以及降解子元件，从而控制完整蛋白酶的重组。

作者们对“赢者通吃”神经网络中的每个元件进行评估。输入信号引起的蛋白酶活性与阳性对照一致；在没有信号输入的情况下，蛋白酶活性则和阴性对照相似。为了对完整回路进行测试，作者们将报告基因细胞与不同浓度的输入信号，固定量的N-末端以及C-末端节点蛋白以及BFP共转染标记，并对荧光强度进行读取，作者们发现所设计的回路能够进行可调节的决策。

神经网络的关键特征是计算能力能够随网络大小变化。在模拟中，加入一个组成性激活的节点可以作为阈值模块抑制其他的两个节点，从而在双输入器中给出第三个决策结果。为了检测这一预测结果，作者们加入蛋白酶HRV3CP作为的第三个节点，在不同蛋白酶TEVP、TVMVP以及HRV3CP的N末端加上蛋白酶激活的降解子的稳定细胞系，在转染所有蛋白元件质粒后，作者们发现HEK293细胞中的确能够将信号分为三个不同的类别， 与模拟结果相似。

总的来说，作者们的工作通过建立神经网络促进合成生物化学回路，从头设计的蛋白质结构域以及工程话修饰的酶可以与经典的“赢者通吃”神经决策网路相结合，促使活细胞存实现决策的可调节性。

制版人：十一

参考文献

1. A. Hafner, M. L. Bulyk, A. Jambhekar, G. Lahav,Nat. Rev. Mol. Cell Biol.20, 199–210 (2019).

2. M. Zagorski et al.,Science356, 1379–1383 (2017).

BioART战略合作伙伴

（*排名不分先后）

BioART友情合作伙伴

来源：酷奇科学