Chem. Sci. | AI引导的多功能与特异性塑料结合肽理性设计

DRUGONE

微塑料污染由于颗粒尺寸小、成分复杂而难以治理。若能开发出能够对多种塑料成分广谱结合（promiscuous binding），或对特定塑料具有选择性结合（selective binding）的工具，将有助于微塑料的检测、捕获与分离。研究人员提出了一种简洁高效的框架，将长短期记忆网络（LSTM）与模拟退火算法（SA）结合，用于设计具有广谱或选择性结合能力的塑料结合肽（PBPs）。该方法基于PepBD建模数据学习序列—功能关系，能够快速生成针对不同塑料组合的定制结合肽。研究人员利用该框架设计了两类肽：(1) 能结合聚乙烯、聚丙烯、PET、聚氯乙烯和尼龙的广谱结合肽；(2) 对聚丙烯优先结合而区别于PET的选择性结合肽。分子动力学模拟验证了预测结果，显示高亲和性主要来源于强范德华作用。该框架模块化强，可拓展用于不同塑料组合的结合优化，更广泛地也可用于其他固体材料的肽设计。

微塑料污染威胁生物多样性、食品安全、人类健康和海洋环境。塑料结合肽由于具备生物相容性、可化学或生物合成，成为潜在的绿色解决方案。它们能够检测、捕获或促进塑料降解。传统的高通量筛选虽然能发现结合肽，但覆盖有限且缺乏结合机制解释，难以扩展至具有选择性或广谱性的设计。计算方法（如分子对接、分子动力学、机器学习、进化算法等）提供了智能探索手段，但在塑料结合肽领域受限于实验数据稀缺，尤其是多塑料结合的序列数据。因此，开发能同时优化多目标结合能力的计算框架，是实现更高效微塑料治理的关键。

方法

研究人员提出的 LSTM-SA 框架 结合了LSTM神经网络与模拟退火搜索。LSTM在PepBD建模数据上训练，能够基于氨基酸序列预测肽与不同塑料的亲和分值。随后，SA利用该预测器优化目标：要么最大化对多种塑料的平均亲和性（广谱结合肽），要么最大化两种塑料之间的亲和性差异（选择性结合肽）。最终生成的新序列在分子动力学模拟中进一步验证其结合性能与能量特征。

结果

框架性能与优势

LSTM在五种塑料（PE、PP、PET、PVC、尼龙）的预测中均取得高精度，优于GRU、BiLSTM、Transformer等模型。与传统物理建模不同，该方法仅需序列即可预测亲和性，大幅加速并允许同时处理多塑料目标。

广谱塑料结合肽设计

研究人员利用LSTM-SA生成了对五种塑料均有较高亲和性的广谱结合肽。与PepBD中已有的单塑料结合肽相比，新设计的肽在多数塑料上表现出更优的平均亲和性。分子动力学模拟进一步表明，这些肽在PE、PP和PVC上具有显著结合优势，尼龙结果不确定，而PET亲和性较弱。氨基酸组成分析显示，精氨酸、色氨酸和蛋氨酸在广谱结合肽中富集，强范德华作用被认为是其关键驱动力。

选择性塑料结合肽设计

研究人员针对PP与PET，设计了优先结合PP的选择性结合肽。这些肽的氨基酸组成与广谱肽不同，更倾向于使用小体积残基（如丝氨酸、甘氨酸、苏氨酸等），从而提升了对PP的选择性。分子动力学模拟验证了部分肽在PP上的更强结合能力，而对PET亲和性较低。进一步分析表明，选择性主要来源于较小的构象熵变化，而非更强的分子间作用能。

验证与能量分析

无论广谱还是选择性结合肽，分子动力学结果均显示结合自由能与范德华作用显著相关。能量分解显示静电与溶剂化效应虽有差异，但在总体趋势中并非主要决定因素。

讨论

该研究首次提出能够系统设计 广谱与选择性塑料结合肽 的AI框架，为微塑料治理提供了新工具。广谱肽适合于捕获与检测复杂成分的微塑料混合物；选择性肽则有助于塑料分类、分离或辅助酶降解。研究人员指出，尽管模拟结果需谨慎解读，但其预测可有效减少实验筛选负担。未来，该框架可拓展至其他固体材料结合肽的设计，在生物材料与环境治理领域具有潜在价值。

整理 | DrugOne团队

参考资料

Jain, V., Bergman, M. T., Hall, C. K., & You, F. (2025). AI-driven rational design of promiscuous and selective plastic-binding peptides. Chemical Science. The Royal Society of Chemistry.

https://doi.org/10.1039/D5SC04903B

内容为【DrugOne】公众号原创｜转载请注明来源