- 1次围观
定向进化通过多轮迭代筛选发现适应度更高的蛋白突变体，已广泛应用于腺相关病毒（AAV）衣壳工程。机器学习（ML）可通过优先筛选突变体供实验验证来增强这一过程，但其优势能否抵消构建机器学习设计文库所增加的成本，仍不明确。在此，我们以外泌体包封背景下AAV衣壳制造效率的提升为切入点，探讨了这一问题；外泌体包封是一种改善AAV免疫原性的技术。我们构建了一个定向进化数据集，包含经过三轮筛选获得的53,974个突变体，以及一个由472个机器学习设计突变体组成的独立评估数据集，并对这些突变体进行了详细表征。单独采用定向进化使制造效率提高了3倍，而机器学习辅助的定向进化使制造效率提高了41倍，表明机器学习辅助的定向进化优于单独的定向进化。我们发现，数据质量——具体而言，即筛选轮数和突变体计数的统计效能——对模型性能的影响大于模型架构。最后，我们针对实验设计以及机器学习调优策略的实施提供了实用指导，以增强其在蛋白质工程应用中的模型性能。
定向进化通过迭代选择发现适应性更高的蛋白质突变体，并已广泛应用于腺相关病毒（AAV）衣壳工程。机器学习（ML）可通过优先筛选突变体进行实验验证来增强这一过程，但其收益是否足以抵消构建机器学习设计文库所增加的成本，尚不明确。在此，我们以外泌体封装背景下AAV衣壳生产效率的提升为研究对象，探讨了这一问题；外泌体封装是一种提高AAV免疫原性的技术。我们构建了一个定向进化数据集，其中包含经过三轮筛选获得的53,974个突变体，以及一个包含472个机器学习设计突变体并进行详细分析的独立评估数据集。单独进行定向进化使生产效率提高了3倍，而机器学习辅助的定向进化使生产效率提高了41倍，表明机器学习辅助的定向进化优于单独的定向进化。我们表明，数据质量——特别是筛选轮次以及突变体计数的统计效能——对模型性能的影响大于模型架构。最后，我们针对实验设计以及机器学习调优策略的实施提供了实用指导，以增强其在蛋白质工程应用中的模型性能。
D.G. 是Evox Therapeutic Ltd（英国）的利益相关者；M.J.A.W. 是Evox Therapeutic Ltd（英国）的顾问及利益相关者。其他所有共同作者均报告不存在利益冲突。
感谢您有兴趣传播bioRxiv的相关内容。
注意：要求提供您的电子邮件地址仅用于确认您是本文的发送者。
关键词：机器学习 · 定向进化 · AAV衣壳工程 · 蛋白质工程 · 外泌体包封
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.06.757046v1?rss=1