一、為什么“機器學習設計蛋白"，仍然離不開實驗？

近年來，機器學習（Machine Learning, ML）在蛋白科學領域的影響力迅速擴大。從 AlphaFold 帶來的結構預測革命，到各類序列生成模型用于蛋白設計，算法正在以未有的速度探索蛋白序列空間。

然而，一個現實問題始終存在：算法只能“提出假設"，而蛋白功能的優劣，仍然必須由實驗數據來驗證。

尤其是在酶工程和功能蛋白優化中，ML 模型對訓練數據提出了更高要求——不僅要多，還要真實反映蛋白功能差異。傳統依賴細胞表達、純化和動力學表征的流程，往往周期長、通量有限，很容易成為 ML 迭代的瓶頸。

在這一背景下，Thornton 等人在 ACS Synthetic Biology 發表的這項研究，給出了一個具代表性的解決思路：

二、研究思路一覽：一個典型的“Create–Test–Learn"閉環

通過僅兩輪篩選、約百個變體，研究者成功獲得了酶活性提升約 4 倍的突變體，展示了該流程在效率上的顯著優勢。

Create–Test–Learn 工作流程示意圖（Thornton et al., ACS Synth. Biol., 2025）

三、無細胞蛋白合成在這里“厲害"在哪里？

值得注意的是，作者并沒有把 CFPS 當作“傳統細胞表達的替代方案"，而是將其定位為機器學習實驗數據的加速器。

從方法學角度來看，CFPS 在這一工作中體現出三點關鍵價值：

CFPS 與純化蛋白活性對比（Thornton et al., ACS Synth. Biol., 2025）

四、從文獻到產業實踐：穩定 CFPS 平臺的重要性

文中作者也明確指出，如果采用更成熟、標準化的無細胞蛋白合成體系，該流程在通量、重復性和自動化方面仍有提升空間。

這恰恰反映了當前行業的一個重要趨勢：無細胞蛋白合成正在從“實驗室方法"，演進為“工程化工具"。

在這一方向上，珀羅汀生物（PLD Technology）正致力于將無細胞蛋白表達打造成可直接嵌入蛋白設計、篩選和驗證流程的通用工具，服務于酶工程、功能蛋白研究以及 AI 蛋白設計等場景。

當 CFPS 不再需要研究者投入大量精力進行體系搭建，而是能夠穩定輸出高質量蛋白和功能數據時，機器學習模型的優勢才能被充分放大。

珀羅汀生物聯合自動化儀器進行高通量篩選應用

五、總結：蛋白工程的核心競爭力正在發生變化

這項研究傳遞出一個非常清晰的信號：

未來蛋白工程的競爭，不僅是算法的競爭，也不僅是實驗技術的競爭，而是“數據生成效率 × 設計迭代速度"的綜合競爭。

無細胞蛋白合成，正在成為連接“計算設計"與“實驗驗證"的關鍵橋梁。而當這一橋梁足夠穩定、足夠快速，蛋白工程的創新節奏也將被重新定義。