基因治疗的“导航仪”，AI能行吗？

导语：基因治疗作为前沿医疗技术，正在不断扩展医学认知的边界，从脊髓性肌萎缩症到遗传性视网膜疾病，越来越多被视为无药可医的绝症正在被攻克。但始终有一个瓶颈等待最后突破：如何把治疗基因安全、高效地送到目标细胞？

一、基因疗法的终极难题

怎么突破，答案有了，但还不够完美。

答案是病毒载体。AAV、慢病毒、腺病毒……这些改造过的“基因快递员”是当前的主力工具。但作为一个理想载体，它需要：精准识别靶细胞、高效递送基因、同时避开免疫系统的检查。传统方法不是太慢，就是太贵，理性设计受限于我们对分子机制的理解，文库筛选又会导致实验负担极重。

最近发表于《Biotechnology Advances》的一篇综述，系统梳理了一个有望突破这个难题的新答案：机器引导的病毒载体生物工程，用计算机方法和AI来指导载体设计。

二、两条路线：非ML方法与ML方法1. 非ML方法：物理定律与进化密码

这类方法需要依赖三类工具：

图1 非ML方法分类：基于序列（sequence-based）、基于结构（structure-based）和分子动力学模拟（MD）

· 基于序列：通过多序列比对，分析保守残基，推断哪些位点对功能至关重要。

· 基于结构：利用蛋白质3D模型和力场，评估突变对稳定性与相互作用的影响。

· 分子动力学模拟：模拟原子随时间运动，揭示构象变化中的关键特征。

它的优势在于提供深刻的机制理解，但仍然局限于“评估”已有候选，不能直接设计全新变体。

2.ML方法：让数据自己说话

ML方法能从数据中自动学习复杂模式：

图2 ML方法概览：（A）学习范式；（B）建模目标

· 学习范式：无监督（发现数据内模式）、监督（从标签学习预测）、自监督（通过预训练获取通用蛋白质表示）。

· 建模目标：判断模型预测功能属性，直接生成模型创造新序列。

三、四个关键问题：设计之前先想清楚

开展机器引导载体工程，先要明确四个问题：

图3 四个关键考量：病毒载体、靶蛋白、工程化属性、问题定义与数据规模

·选什么载体？AAV、LV还是AdV？它们的生物学特性差异巨大。

·改哪个蛋白？衣壳、包膜还是辅助蛋白？

·优化什么属性？转导效率、免疫原性、靶向特异性，还是可生产性？

·怎么收集数据？分类还是回归？数据量够吗，质量好吗？

四、喂饱AI模型：数据从哪来？

数据恰恰是最大瓶颈，有三大挑战：

图4 数据生成的三个挑战：基因型-表型关联、通量与生物学相关性、环境依赖性

·基因型-表型关联：混合筛选中必须确保变异与功能一一对应。细胞库格式能提升精度，但复杂度也更高。

·通量vs.相关性：高通量常用简单替代指标，但复杂功能（如体内靶向）很难规模化检测。

·跨环境翻译：体外筛的优秀变体，到体内可能完全不同。

好消息是，蛋白质语言模型等自监督方法能有效缓解数据不足的问题，它已在数百万天然序列上预训练，只需少量实验数据微调，就能输出不错的预测。

五、22项研究盘点：机器引导设计有多强？

论文梳理了近五年22项关键研究，系统对比了非ML与ML方法。

1. 非ML代表成果

· Ho等（2013）用SCHEMA构建AAV2/4嵌合衣壳，创造出具有新功能的杂交变体；

· Zinn等（2015/2022）用最大似然祖先序列重建，开发出转导效率更高的AAV9祖先变体；

· Vu Hong等（2024）用AlphaFold2加Rosetta将TGF-β肽精准嫁接到AAV9衣壳。

2. ML代表性成果

· Bryant等（2021）首次将CNN/RNN用于AAV2衣壳设计，真实预测准确率达58%，开创性意义重大。

· Eid等（2024）用单一模型同时优化AAV9衣壳多个属性，且跨物种验证效果。

· Xiao等（2026）用扩散模型生成衣壳变体，代表了生成式AI在载体设计中的前沿。

· Ferraz等（2026）用蛋白质语言模型结合强化学习，实现AI自主探索设计空间。

趋势很明显：ML已主导功能优化（趋向性、免疫逃逸），非ML更多用于生物物理性质评估。两者各有所长，ML的潜力才刚刚开始释放。

六、前方的路：多蛋白、多目标、更多可能

展望未来，这篇综述给我们指出了三个方向：

图5 挑战与机遇：多蛋白载体、多属性优化、超越蛋白质设计

· 多蛋白载体：载体包含衣壳、包膜、辅助蛋白，组件间相互依赖，未来需要神经网络建模整个"蛋白团队"。

· 多属性优化：载体需要在靶向效率、免疫原性、可生产性之间权衡取舍，这正是多目标机器学习与生成模型的舞台。

· 超越蛋白质设计：还可拓展至RNA结构优化、密码子使用、调控元件设计，甚至脂质纳米颗粒和糖基化工程的智能化设计。

结语：

我们不盲目崇尚AI，而是冷静审视机器引导方法在病毒载体工程中能够做到什么、能够做成什么样子。

基因治疗载体设计正从试错走向预测，从经验驱动走向数据驱动。AI不会取代实验科学家，但它将成为最强导航，帮我们更快找到对的路线。

参考文献：

Rodrigues, A.F., Ferraz, L., Pesquita, C. Machine-guided design for bioengineering gene therapy vectors: Where are we and what lies ahead? Biotechnology Advances, 2026, 90, 108925.

识别微信二维码，添加生物制品圈小编，符合条件者即可加入

生物制品微信群！

请注明：姓名+研究方向！

本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。