Adv Sci丨机器学习赋能蛋白相分离精准调控-开发PScalpel工具解锁免疫细胞精准改造新路径

近日，中山大学崔隽教授团队与深圳大学李坚强教授团队于AdvancedScience在线发表题为MachineLearning-GuidedEngineeringofProteinPhaseSeparationPropertiesinImmuneRegulation的研究论文。该研究开发出基于机器学习的蛋白相分离改造工具PScalpel，突破定向调控蛋白相分离能力的领域难题，实现了固有免疫DNA感受器cGAS的相分离能力精准调控，并基于此技术对巨噬细胞免疫功能进行定向改造，为精准生物分子工程与免疫细胞工程研究提供了全新技术方案。

蛋白相分离是细胞内无膜细胞器形成的核心分子机制，参与免疫、代谢、发育等关键生理过程，其功能紊乱与神经退行性疾病、癌症、病原诱导的过度炎症等多种疾病密切相关。通过改造蛋白相分离能力调控蛋白功能，已成为生物医学与合成生物学的研究热点，但现有预测工具多适用于天然蛋白，无法捕捉单氨基酸突变引发的相分离细微变化，且人工设计突变位点依赖大量实验试错，成为领域发展的核心瓶颈。针对这一问题，研究团队融合蛋白质结构信息与机器学习技术，开发出可指导蛋白相分离定向改造工具PScalpel，填补了突变体蛋白相分离精准预测与工程改造的技术空白。

PScalpel由三大核心模块构成，通过高效提取蛋白三维结构信息、精准预测突变体相分离能力、智能推荐最优突变策略，形成了从“结构分析-突变预测-工程策略”的完整技术链条（图1）。该工具整合了迁移学习方法，可针对特定蛋白实现模型精准优化，显著提升预测准确率。研究团队选取8种参与固有免疫的相分离相关蛋白开展实验验证，结果显示，PScalpel推荐的单位点突变可有效实现蛋白相分离能力的定向改变，优于现有工具在突变体蛋白相分离预测中的表现，证实了该工具的高效性与普适性。

图1 PScalpel工作模型

值得关注的是，研究团队创新性地引入迁移学习方法，为该工具在特定场景的预测准确率的提升提供了有效方案。迁移学习利用模型在大规模通用蛋白数据集预训练获得的深层特征表示，结合少量特定蛋白的已知突变位点数据进行微调，既减少了模型对大量标注数据的依赖，又保留了通用特征提取能力，显著提升了小样本场景下的模型泛化性与预测精准度。通过向模型提供特定蛋白数据的策略突破了传统机器学习模型研究中“数据依赖”的瓶颈，为稀有蛋白、疾病相关蛋白的相分离改造提供了更可靠的技术支撑，经实验验证，改造后的模型对TDP43的相分离突变预测准确率得到显著提升。

作为该工具的核心应用，研究团队将固有免疫关键分子cGAS作为研究模型，通过PScalpel筛选获得多个高分突变体，实现了对cGAS相分离能力的双向精准调控。体外与细胞水平的综合验证显示，cGAS相分离能力突变体在凝聚体形成、动态特性等方面呈现出显著的差异，进而调控了cGAS的酶活性及DNA结合能力，实现了cGAS-STING信号通路激活程度的定向调节；基于改造后的cGAS突变体构建工程化巨噬细胞后，能够有效调节巨噬细胞免疫功能，基于转录组测序分析证实，cGAS相分离能力的稳定对于细胞免疫功能正常发挥具有重要作用。

综上所述，该研究开发出一款全新的蛋白相分离工程化工具PScalpel，建立了“蛋白改造策略-相分离能力-分子功能-细胞表型”的精准调控链条。PScalpel作为一款针对蛋白的相分离能力的预测与改造工具，其开源特性将为广大科研工作者提供高效的研究手段，该工具可扩展应用于非免疫相关蛋白，为神经退行性疾病、癌症等多种与相分离紊乱相关疾病的机制研究与靶点发现提供新支撑。同时，以cGAS为模型的研究证实，通过单氨基酸突变调控蛋白相分离能力可实现免疫细胞功能的精细调控，这为工程化免疫细胞的开发提供了全新思路，相比传统的蛋白功能改造策略，相分离介导的调控方式更精细、更温和，为后续细胞治疗的研发提供了新的技术路径，具有重要的转化研究价值。

中山大学生命科学学院张晨秋博士、深圳大学计算机学院王佳助理教授为论文共同第一作者，中山大学生命科学学院、进化与合成生物学基础科学中心崔隽教授，深圳大学人工智能学院李坚强教授，中山大学附属第一医院伍耀星副研究员为论文共同通讯作者。

原文链接：https://doi.org/10.1002/advs.202520890

制版人：十一

BioArt

Med

Plants

人才招聘

学术合作组织

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。