mRNA Display 数据如何与 AI 多肽设计结合?
mRNA Display负责从大规模分子空间中发现线索,AI帮助整理筛选信号、排序候选并提出下一轮设计,实验验证则决定哪些方向值得继续推进。
mRNA Display可以在超大规模多肽文库中寻找值得继续研究的序列家族。AI则可以帮助整理这些筛选结果、比较候选,并为下一轮实验提供优先级建议。
两者结合的价值,并不只是“数据更多”或“模型更大”,而是形成一个更聚焦的发现过程:实验提供证据,AI帮助理解和利用这些证据,再由新的实验检验设计是否有效。
AI能从筛选结果中学到什么?
mRNA Display带来的不只是一份高丰度序列名单。不同筛选轮次中的变化、对照实验结果、序列家族之间的相似性,以及后续活性测试,都可以帮助判断哪些信号更值得关注。
需要特别强调的是:高富集序列只是候选线索,并不等于已经获得了成熟药物。 富集可能与靶标结合有关,也可能受到实验流程中其他因素影响。因此,结合能力、活性、选择性、稳定性和可合成性仍需通过独立实验确认。
如需了解筛选过程,可阅读《从随机肽库到候选肽:mRNA Display一轮筛选到底发生了什么?》。
AI可以帮助哪些决策?
在实际项目中,AI辅助分析可以支持几类工作:
- 识别反复出现的序列特征和相关候选家族;
- 为重新合成和实验验证安排优先级;
- 围绕已有实验依据的候选提出相近变体;
- 综合考虑活性、选择性、稳定性和可合成性等目标;
- 帮助设计范围更聚焦的下一代筛选文库。
早期更适合做候选排序和家族分析;当可靠实验结果逐步积累后,数据才更有条件支持局部优化和新变体设计。
为什么仍然必须做实验验证?
AI给出的结果本质上是待验证的假设。一个在计算上看起来很好的候选,仍可能遇到合成困难、选择性不足、稳定性不佳或功能活性有限等问题。因此,设计得到的多肽需要回到实验室,经过合成、质量确认和生物学测试。
这个过程可以概括为:
筛选数据 → AI辅助分析与设计 → 候选合成和测试 → 新的实验数据

图1. 实验数据与AI辅助设计可以形成持续迭代的多肽发现循环。
每一轮实验都能让下一次决策更聚焦。AI并不替代筛选或检测,而是帮助研发团队判断哪些实验最值得优先开展。
从筛选线索到更好的多肽候选
对多数项目而言,更实际的起点并不是让模型不受限制地生成大量新序列,而是围绕已有实验线索提出更具体的问题:哪些序列家族值得跟进?哪些位置可能允许变化?哪些变体应优先合成?哪些结果可以指导下一轮文库?
如果项目涉及非天然氨基酸或环肽,设计时还需要考虑相应的化学特征。更多背景可参考《为什么mRNA Display特别适合非天然氨基酸和环肽发现?》和《已有一个多肽,AI可以如何优化它?》。
结语
mRNA Display与AI最有价值的结合方式,是建立一个以实验为基础的学习循环:筛选负责探索更广的分子空间,AI帮助聚焦下一步选择,实验验证则决定哪些方向值得继续推进。
这并不是一步得到“AI设计药物”,而是让大规模筛选结果更快转化为少量、明确、可以验证的多肽候选。
参考文献
- Roberts RW, Szostak JW. RNA-peptide fusions for the in vitro selection of peptides and proteins. PNAS. 1997;94:12297–12302. doi:10.1073/pnas.94.23.12297
- Blanco C, Verbanic S, Seelig B, Chen IA. High throughput sequencing of in vitro selections of mRNA-displayed peptides: data analysis and applications. Physical Chemistry Chemical Physics. 2020;22:6492–6506. doi:10.1039/C9CP05912A
- Kamalinia G, et al. Directing evolution of novel ligands by mRNA display. Chemical Society Reviews. 2021;50:9055–9103. doi:10.1039/D1CS00160D
希望进一步评估和优化筛选候选?
如果您的项目已有mRNA Display筛选结果或候选多肽,我们可支持后续候选分析、设计、合成与实验验证。