創造更好用的蛋白質！用 AI 設計細胞的物流加速器「泛素變體」——專訪吳昆峯

細胞裡的貼標籤物流系統

我們體內的細胞是持續運作的小工廠，每天要製造成千上萬的蛋白質，設法運送到目的地。此外，細胞時不時也會檢查哪個化學零件已經損壞，幫忙除舊換新。不禁讓人好奇，這座小工廠的物流系統是如何運作的呢？

細胞的物流有一套精密的標籤管理方式，參與化學反應的蛋白質通常會被貼上一個分類標籤（即修飾分子），並觸發後續對應的化學反應。在眾多分類標籤中，「泛素」（Ubiquitin，簡稱 Ub）尤其特別。

「一般的化學修飾，例如生物課本提到的磷酸化，通常都是小分子，就像在蛋白質上蓋一個小小的印章。」吳昆峯生動地比喻，「磷酸化只加了一個磷原子和三個氧原子，但泛素化（Ubiquitination）的過程，我們是用一個很大的、完整的蛋白質（泛素）作為標籤，去標記另外一個蛋白質。」比起其他的修飾分子來說，泛素作為物流標籤，很大也很複雜。

泛素是 76 個胺基酸所組成的蛋白質，要把這麼大的標籤穩穩地貼在另一個蛋白質上，細胞已經演化出一套嚴密的機制：即泛素與三種酵素的互動。

以本次研究來說，活化酶 E1 會先和泛素結合，活化泛素。接著 E1 會將泛素轉移給結合酶 E2，E2 會把自己接到連接酶 E3 身上，並將泛素轉移給 E3。E3 接收到泛素之後，就會立刻將泛素精準地貼到目標蛋白（註：HECT Domain 機制）。

對泛素而言，E1 通常只有一種，E2 有 30 幾種，E3 則是有 600 多種。「為什麼 E3 需要這個多？因為人體有兩萬個蛋白，大約一半以上都需要泛素標記。每一種 E3 對應多種蛋白質，有的 E3 進入細胞核，有的 E3 會跑到細胞膜附近，功能分化非常複雜。」 吳昆峯解釋。

泛素標籤怎麼貼？貼完之後要幹嘛？

當細胞內的蛋白質零件損壞時，就需要分解與回收，泛素最為人所知的就是作為資源回收的標記功能，當蛋白質貼上泛素標籤之後，就會送去資源回收中心「蛋白酶體」（Proteasome）銷毀。但是，泛素標籤其實還有很多功能！

泛素很少單獨貼在蛋白質上。吳昆峯提到，當泛素接上去之後，下一個泛素會再接在它上面，變成很複雜的長鏈。

雖然我們在圖上把泛素簡單畫成一個球，但是泛素其實是泛素鏈。吳昆峯指出，泛素有八個可以用來串接的位點，不同的串接方式代表不同的指令，例如：

「這就像是同一種貼紙，貼一張、貼兩張，或是貼成圓的、貼成直的，都代表不同的意思，甚至還會出現分岔的鏈狀結構，」吳昆峯說，「這是一個非常複雜的語言。」

除了貼泛素標籤的 E3，細胞內還有約 100 種負責撕標籤的「去泛素酶（DUBs）」，它們可以把標籤修剪、回收，維持系統的平衡。生命的運作就是這麼巧妙和複雜～

既然這個泛素物流標籤系統對細胞這麼重要，吳昆峯心想：我們是否能用 AI 設計出「加速晶片」，組裝到 E3 酵素上，加快 E3 酵素的貼標籤效率？吳昆峯團隊鎖定的 E3 酵素是 Rsp5；而所謂的加速晶片，則是人造蛋白質：「泛素變體（UbV）」。

生物化學駭客：用 AI 設計蛋白質

為了理解吳昆峯團隊如何運用 AI 設計泛素變體，改變 E3 酵素（Rsp5）的反應速率，我們可以先這樣比喻：

Rsp5 是細胞工廠裡的機械手臂，手臂上有兩個非常關鍵的位置：

而吳昆峯團隊的目標是：用 AI 設計出一顆最強的加速晶片（泛素變體 UbV），讓它緊緊卡在插槽裡面，讓機械手臂進入超級模式，大幅提升工作效率！

在上次的文章「破解 50 年折疊難題之後：AI 如何成為蛋白質設計師？」之中，我們認識了設計序列的 ProteinMPNN，以及預測結構的 AlphaFold2。

要妥善運用這兩個 AI 來打造全新的蛋白質（泛素變體 UbV），不用從零開始，來看吳昆峯團隊是怎麼做的！

研究團隊先丟大的骨架給 ProteinMPNN 看，就是 Rsp5 和原版泛素的 3D 複合骨架。然後，團隊請 AI 幫忙以下：Rsp5 不能動到，並且請維持原版泛素的骨架，幫我重新填入更穩定的胺基酸序列！

也就是說，ProteinMPNN 必須在不改變形狀的前提下，計算出哪一種胺基酸排列，能讓酵素和泛素變體的原子抓得更緊，結合的更緊密。僅僅 10 分鐘，AI 就給了吳昆峯團隊 3000 種可能的胺基酸序列。

研究團隊根據序列恢復率和化學性質，從 3000 個 UbV 名單中篩選出 20 個最有潛力的候選人 R1~R20。現在，我們有蛋白質的設計圖了，但是做得出來嗎？卡得進去嗎？輪到 AlphaFold2 登場！

AlphaFold2 預測 Rsp5 和 UbV 的複合體結構，結果顯示，這 20 個泛素變體 UbV 的信心分數（pLDDT）都非常高（>90 分），結構也跟預期的一樣，可以和酵素緊密結合，團隊才放心去實驗室合成這 20 個 UbV 。

吳昆峯團隊根據序列，合成 20 個候選泛素變體（UbV）之後，他們做了非常詳細的驗證。第一步是確認結構的穩定性，他們發現 R1~R20 的折疊結構正確，即使加熱到 80°C～90°C，結構的光譜沒有明顯變化，有很好的熱穩定性。

第二步是確認親和力，他們發現 R1、R3、R4、R5、R10、R11、R12 和 R20 變體能有效結合 E3 酵素（Rsp5），其中 R4、R10 和 R12 的結合力最強，這些泛素變體的結合力比原版泛素多了 10～25 倍。

第三步是確認是否真的能夠增加酵素活性。我們無法直接量測貼標籤的效率，因為 Rsp5 一旦抓到標籤，就會「立刻」貼出去，快到無法量測。退而求其次，團隊監控泛素標籤 Ub 從 E2 轉移到 E3 (Rsp5）的效率，也就是 E3 抓標籤的能力。

在沒有泛素變體的情況下，Rsp5 的活性極低，但是加入 R4 或 R12 後，Rsp5-UbV 複合體的速率提升了約 6 倍！

最後，團隊再次確認結構正確性，用 X 光繞射解析表現最好的 R4 變體，發現與原版泛素的骨架幾乎沒有差異，且 R4 的原子排列與 AlphaFold2 預測的結構高度一致，證明 ProteinMPNN 在改變序列的同時，也成功維持了骨架。

AI 蛋白質設計：從雜訊中雕刻出生命

隨著 AI 技術的進展，蛋白質設計的研究領域，如雨後春筍般展開。吳昆峯表示，如果把蛋白質設計比喻成藝術，那 AI 正在做的，不再僅僅是修圖或潤飾，而是從一片混亂的雜訊中，把物質的秩序給雕刻出來。

這一切都來自：擴散模型（Diffusion Model）。

物理學中，墨水滴入水中會開始擴散，越來越混亂；而擴散模型做的，就是反方向的過程，它會學習如何從雜亂無章的狀態，慢慢地抽絲剝繭，把一個合理的蛋白質骨架重新建構出來。

擴散模型「去噪」（denoising）的能力，讓科學家第一次擁有可靠的生成工具，不用依賴自然界現成的蛋白質，可以直接打造全新的蛋白分子。

吳昆峯繼續說道，蛋白質設計的化學革命，由 David Baker 團隊的 RFdiffusion 開始引爆，新秀 Boltz 則緊跟其後。AI 模型的生產力極高，只要設定想要的蛋白質大小（例如 50 個胺基酸）、結構偏好或功能需求，AI 便能在幾秒鐘內產生數千甚至上萬個骨架。研究人員再用 ProteinMPNN 填上胺基酸序列，就能批量製造出驚人的小蛋白質資料庫。

他強調，如果十年前有人說建立蛋白庫這件事可以從半年縮短到一天，大概沒人會相信。而且令人驚訝的是，現在的 AI 除了設計，還會自己驗證作品。

RFdiffusion 的產出會被自動送往 AlphaFold2 或 AlphaFold3 做結構預測，再比對兩者的吻合度。AI 工具之間的自動化流程已經建立：製造 → 檢查 → 篩選，一氣呵成！原本需要科學家花上數月試錯的過程，如今也只需要幾週。

吳昆峯分享，最近 AI 的精密程度已經不可同日而語，它還可以幫抗體做微觀的改造。抗體最重要的結合區域叫 CDR，它們像觸手一樣負責抓住病毒或抗原。現在的 AI 工具可以在不動到骨架的前提下，重新改造這些觸手，抓得更精準、更牢靠。

不過，吳昆峯也提出心中的隱憂，他說 AI 畫出的結構雖然很完美，但是蛋白質是會動的，靜態的結構互相吻合，並不代表它們真的會黏在一起，這是目前所有 AI 設計的盲點。

研究者常常會在模型中看到漂亮的結構對接，卻在實驗中發現其實並不黏。吳昆峯笑著說：「就像人際關係一樣，兩個人看起來很合，不代表真的聊得來。」

他繼續說：在蛋白質世界，我們用「結合常數（K）」來衡量兩者黏在一起的強度。如果把每個胺基酸想成一個人好了。有些人比較內向（類似 I 人），不太想和別人互動；有些人很外向（類似 E 人），喜歡社交、很容易建立連結。

吳昆峯比喻，兩塊蛋白質的表面結構，如果剛好都是一群 E 人，自然會很容易「相互黏住」。但如果超過一半都是 I 人，就算形狀很完美，也未必願意真正靠近。

「這就是為什麼 AI 設計出的結構再漂亮，也可能完全沒有結合（binding）。」吳昆峯說，「因為 AI 捕捉到的是外觀，而不是隨時在變動的『互動意願』。」

傳統的能量計算軟體（例如 Rosetta）試圖用數學去估算這種浮動的「黏著度」，但是準確度往往只有 20–30%。科學家最後還是得用大量實驗試誤（try and error），從上千的候選名單中挑出少數的有效蛋白質。

如此的瓶頸，直到近年才開始真正突破。吳昆峯提到，目前他的實驗室正在開發一套直接預測「結合常數」的機器學習工具，AI 除了畫出正確的蛋白質骨架，還能夠真正預測它們是否真的會黏在一起。

吳昆峯實驗室的 AI 工具，使用圖神經網路（Graph Neural Networks, GNNs）的技術架構，它可以把蛋白質看成一個巨大的社群網路：每個胺基酸是一個節點（像一個人）；化學鍵和交互作用，是人與人之間的關係；結合區域則是兩個群體要不要互相靠近。

GNN 擅長捕捉這種關係緊密程度，也是傳統方法最容易忽略的部分。吳昆峯強調，他們已經把結合常數的預測準確度從 30% 提升到 70%。

從雜訊到生命秩序，從形狀到動態互動，從大量試錯到精準預測，AI 的革命仍在加速，我們此刻正站在它的浪尖之上。