今年《Nature Communications》上新興發表的一項研究顯示，機器學習與CFPS的結合改變了酶工程范式。傳統定向進化需數月篩選，而研究者通過無細胞系統快速合成數千個突變酶，結合AI模型預測關鍵協同突變，可在一周內同時完成六種酶的改造任務，活性提升高達42倍。例如，抗抑郁藥物莫氯貝胺的合成轉化率從12%躍升至96%。

跨家族功能性蛋白設計曾是行業難題。最新研究利用大語言模型ProGen的建立，從海量蛋白數據庫中學習序列規律，生成全新跨家族功能蛋白。結合CFPS技術對這些生成的序列進行表達和驗證，發現ProGen生成的人工蛋白質不僅表達良好，還具有與天然蛋白質相當的催化活性。這意味著，借助AI和CFPS，科學家們可以突破“算得到卻做不出”的困境，創造出更多具有特殊功能的蛋白質，為生物制藥等領域開拓了廣闊的創新空間。

在抗體發現過程中，傳統方法需要數周時間，而該研究利用無細胞DNA組裝、CFPS系統以及AlphaLISA檢測技術，讓一名研究人員在不到24小時內就能表達和分析數百種抗體的抗原特異性結合情況。這一成果大大加速了抗體的發現和表征，讓抗體篩選從“蝸牛式”的緩慢進程變成了“火箭式”的快速沖刺。

珀羅汀公司敏銳地捕捉到了“AI+CFPS”技術的巨大潛力，推出了“AI預測設計-高效表達篩選-功能驗證”一站式服務平臺。這項服務就像是一個全方-位的蛋白研發助手，為客戶提供了從靶點發現到蛋白應用的全流程解決方案。

例如在抗原/抗體研發上，基于普美瑞核心算法（Codock）及其深度學習模型，通過給定的抗原/抗體序列即可預測其復合物結構，可能的結合界面及對結合有關建貢獻的熱點殘基。配套珀羅汀CFPS技術，可在 24 小時內快速合成目標抗原/抗體，實現 AI 預測與濕實驗驗證的無縫銜接，有效降低抗體開發試錯成本。珀羅汀搭建的高通量自動化蛋白/多肽表達和篩選工作站單日可處理上千樣本，極大地縮短了研發周期。

Codock曾獲CASP15比賽蛋白/RNA-配體復合物結構預測（Ligand）賽道第一名，配體結合構象預測精度 RMSD 低至 0.56Å，能夠提升藥物設計成功率。

能夠實現“AI預測和設計- CFPS快速表達和篩選-反饋優化算法”的快速迭代，縮短研發周期。

支持小分子/ PROTAC /抗體藥物開發、疫苗抗原-抗體相互作用解析，滿足多元化研發需求。

如果您對我們的“AI+CFPS”蛋白表達服務感興趣，歡迎隨時聯系我們，一起探索蛋白表達的無限可能！

1.Landwehr, G.M. et al. Accelerated enzyme engineering by machine-learning guided cell-free expression. *Nat. Commun.* **16**, 865 (2025).DOI: [10.1038/s41467-024-55399-0]

2.Madani, A., Krause, B., Greene, E.R. et al. Large language models generate functional protein sequences across diverse families. Nat Biotechnol 41, 1099–1106 (2023).DOI:[10.1038/s41587-022-01618-2]

3.Hunt, A.C., Vögeli, B., Hassan, A.O. et al. A rapid cell-free expression and screening platform for antibody discovery. Nat Commun 14, 3897 (2023). DOI:[10.1038/s41467-023-38965-w]