Nature丨开源且自动化的从头蛋白结合物设计流程——BindCraft

摘要：蛋白质的生物学功能往往依赖于复杂的蛋白–蛋白相互作用（PPIs），因此能够设计出特异性调控这些相互作用的蛋白结合物在治疗和生物技术应用中具有巨大潜力。传统方法如免疫、抗体文库筛选和定向进化虽然能够产生结合物，但往往过程繁琐、耗时且对靶点位点的可控性有限。近年来

撰文 | 林无隅

蛋白质的生物学功能往往依赖于复杂的蛋白–蛋白相互作用（PPIs），因此能够设计出特异性调控这些相互作用的蛋白结合物在治疗和生物技术应用中具有巨大潜力。传统方法如免疫、抗体文库筛选和定向进化虽然能够产生结合物，但往往过程繁琐、耗时且对靶点位点的可控性有限。近年来，蛋白计算设计提供了一种新的解决思路，然而基于物理建模的方法如 Rosetta 设计成功率极低【1,2】，并受到刚性骨架和预定义对接模式的限制。随着深度学习模型（如 AlphaFold2【3】）的出现，蛋白质结构预测和从头设计取得了重大突破，但现有方法仍存在骨架生成与功能界面设计脱节的问题【4】。如何开发高效、简便且能直接针对功能界面的结合物设计策略，已成为该领域亟待解决的核心挑战。

近日，瑞士洛桑联邦理工学院蛋白质设计与免疫工程实验室的Bruno E. Correia、Martin Pacesa和麻省理工学院的Sergey Ovchinnikov合作在Nature杂志上发表了One-shot design of functional protein binders with BindCraft的研究文章。研究人员开发了BindCraft，一个开源且自动化的从头开始的蛋白结合物设计流程，其实验成功率可达 10–100%。该方法利用 AlphaFold2 的权重生成高亲和力结合物，无需高通量筛选或实验优化，即使在缺乏已知结合位点的情况下也能奏效。研究团队成功针对多种具有挑战性的靶点（如细胞表面受体、过敏原、CRISPR–Cas9 等）设计出功能性结合物，并验证其在过敏反应调控、基因编辑调节及靶向递送中的应用潜力。该研究标志着计算蛋白设计迈向“一对一设计–结合物”的新阶段，对治疗、诊断和生物技术具有重要意义。

本文针对蛋白–蛋白相互作用设计的复杂性，提出了 BindCraft，一个开源、自动化的 de novo 蛋白结合物设计流程。该方法直接利用 AlphaFold2 的网络权重进行反向传播，在设计过程中能够同时优化结合物骨架与界面结构，避免了传统方法中对预定义骨架、刚性对接的依赖。与依靠高通量筛选和实验优化的传统流程相比，BindCraft 实现了更高效、更可控的结合物生成。

研究团队将 BindCraft 应用于 12 个结构多样、具有生物医学意义的靶点，包括细胞表面受体、常见过敏原、人工设计蛋白以及多结构域核酸内切酶（如 CRISPR–Cas9）。结果显示，该方法的实验成功率为 10–100%，平均达到 46.3%，远高于以往不足 1% 的水平。同时，所获得的结合物多数展现出纳摩尔级亲和力，证明 BindCraft 在无需大规模筛选的情况下即可生成高质量功能性结合物。

在功能验证方面，作者展示了 BindCraft 的多种应用潜力：例如设计的结合物能够减少患者来源样本中过敏原 Bet v1 与 IgE 的结合，从而缓解免疫反应；还可以调节 Cas9 和 Argonaute 等核酸内切酶的活性，并通过与细胞受体的特异结合实现 AAV 衣壳的重新定向，用于靶向基因递送。

总之，该研究团队开发了 BindCraft，一个基于 AlphaFold2 反向传播的自动化从头开始蛋白结合物设计工具，能够在设计过程中同时优化结合物骨架与界面结构，显著提高设计灵活性和成功率。在 12 个具有挑战性的靶点上，BindCraft 实验成功率达到 10–100%，多数结合物展现纳摩尔级亲和力，同时实现了过敏原阻断、核酸酶活性调控以及腺相关病毒（AAV）定向递送等功能验证。该工具解决了传统蛋白结合物设计中高通量筛选繁琐、实验效率低和靶点受限的问题，标志着“一设计一结合物”策略的可行性，为治疗、诊断及生物技术应用提供了高效可行的新方法。

制版人：十一

参考文献

1. Cao, L. et al. Design of protein-binding proteins from the target structure alone.Nature605, 551–560 (2022).

2. Gainza, P. et al. De novo design of protein interactions with learned surface fingerprints.Nature617, 176–184 (2023).

3. Jumper, J. et al. Highly accurate protein structure prediction with AlphaFold.Nature596, 583–589 (2021).

4. Watson, J. L. et al. De novo design of protein structure and function with RFdiffusion.Nature620, 1089–1100 (2023).

学术合作组织

（*排名不分先后）