本研究由Tuoyu Liu、Yiyang Zhang、Yanjun Li、Guoshun Xu、Han Gao、Pengtao Wang、Tao Tu、Huiying Luo、Ningfeng Wu、Bin Yao、Bo Liu、Feifei Guan、Huoqing Huang和Jian Tian等人合作完成，主要作者分别来自中国农业科学院动物科学研究所动物营养与饲料国家重点实验室、中国农业科学院生物技术研究所农业微生物国家重点实验室以及天津大学生命科学学院。该研究于2025年1月9日在线发表于《Advanced Science》，文章标题为“Effective Gene Expression Prediction and Optimization from Protein Sequences”，属于单篇原创研究论文。研究通讯作者为Huoqing Huang、Jian Tian、Bo Liu和Feifei Guan。

蛋白质在异源宿主中的高效可溶性表达是生命科学研究和生物技术应用的基本前提。然而，大量研究表明，只有不到50%的细菌蛋白和不到15%的非细菌蛋白能够在大肠杆菌（Escherichia coli）中成功实现可溶性表达。长期以来，研究者主要关注密码子使用（codon usage）、mRNA结构和转录翻译效率等因素对蛋白表达水平的影响，而蛋白氨基酸序列本身与表达水平之间的关系在很大程度上被忽视。已有的一些提高可溶性表达的策略，如更换表达宿主、使用不同载体、融合可溶性标签或分子伴侣等，往往依赖研究者的经验和试错，难以系统性地优化。近年来，人工智能（AI）和深度学习技术的快速发展为从蛋白序列中挖掘表达相关信息提供了新的契机。在此背景下，该研究旨在建立蛋白序列与可溶性表达水平之间的定量联系，并开发能够预测和优化异源表达水平的深度学习模型。

该研究的整体工作流程主要分为四个阶段。第一阶段是构建蛋白表达水平数据集。研究者从PAXdb数据库下载了170个物种的蛋白丰度数据，经过过滤和分类后，最终获得88个物种的核心数据集，共计305,774条蛋白序列，其中高表达序列150,142条，低表达序列155,632条。每条数据包括蛋白ID、氨基酸序列、丰度值和表达水平标签。第二阶段是分析影响蛋白表达水平的序列因素。研究者从两个角度进行探索：其一是氨基酸生物合成成本（biosynthetic cost），该成本根据合成氨基酸所需高能磷酸键数量计算；其二是基于AAindex数据库的氨基酸理化性质和生化性质。结果显示，在多数原核生物和古菌中，高丰度蛋白倾向于使用生物合成成本较低的氨基酸，而在部分真核生物中则表现出相反趋势。通过计算36个关键氨基酸性质与蛋白丰度的Spearman相关系数，研究者发现与表达水平正相关的性质主要涉及氨基酸频率，而负相关的性质大多与氨基酸疏水性有关。第三阶段是建立数学模型。研究者提出了氨基酸表达指数（AEI，amino acid expression index）和相对氨基酸偏倚强度（SRAB，strength of relative amino acid bias）两个新指标。AEI用于衡量每个物种中每种氨基酸在高表达蛋白与低表达蛋白中的富集程度差异，而SRAB则基于AEI值计算单个蛋白序列的表达倾向。结果表明，赖氨酸、丙氨酸、甘氨酸、天冬氨酸、谷氨酸和缬氨酸在多数物种中AEI值大于1，而色氨酸的AEI平均值最低（0.83）。SRAB值与蛋白丰度之间的Spearman相关系数范围为0.2至0.6，平均值为0.46，说明SRAB能够对蛋白在特定宿主中的表达水平提供初步定性判断。第四阶段是构建深度学习模型。研究者开发了预训练蛋白模型MP-Trans（基于Transformer架构，包含8层、16头注意力机制、隐藏层大小1024、总参数约8716万），利用UniRef50数据库中59,142,917条蛋白序列进行自监督预训练。随后通过迁移学习对88个物种分别微调，构建了88个物种特异性的表达水平预测模型MPB-Exp，并进一步开发了突变生成模型MPB-Mut。

在模型性能评估方面，MPB-Exp在88个物种上平均预测准确率为0.78，其中大肠杆菌、酿酒酵母（Saccharomyces cerevisiae）、拟南芥和人类等常用模式生物的准确率均超过0.75。与支持向量机、K近邻、梯度提升决策树、卷积神经网络、双向长短期记忆网络以及ESM+BiLSTM等模型相比，MPB-Exp在3个评估物种中的平均准确率分别提高了23.8%、8.6%、5%和3%，验证了MP-Trans预训练模型和迁移学习策略的优越性。跨物种预测结果显示，亲缘关系较近的物种之间预测准确率较高，原核生物模型对真核生物数据的预测准确率约为0.7，而真核生物模型对原核生物数据的预测效果较差。在实验验证方面，研究者选择了来自瘤胃纤毛虫的木聚糖酶PM10868作为测试蛋白。MPB-Exp预测PM10868在真核细胞中可溶性表达概率高（酿酒酵母模型HE值为0.93），而在大肠杆菌中表达概率低（HE值为0.26），这与实验结果一致。注意力分析显示，模型主要关注蛋白的碳水化合物结合模块和远离活性位点的区域，而对活性位点及其附近的保守区域关注最低。利用MPB-Mut模型从PM10868的11,645条同源序列中训练后，生成了100,000条突变序列。筛选出的3个突变体PM10868-85、PM10868-11和PM10868-04在大肠杆菌中均实现了可溶性表达，其中PM10868-04几乎完全可溶，酶活力最高（4554.59 ± 90.37 U/L）。突变位点分析表明，这些突变倾向于将氨基酸替换为AEI值较高的氨基酸，如赖氨酸、天冬氨酸和谷氨酸等带电荷氨基酸，以及丙氨酸、甘氨酸和缬氨酸等小侧链氨基酸，从而促进了蛋白的正确折叠和可溶性表达。此外，研究者在纤维素酶Cel5A和PET塑料降解酶LCCICCG_I6M上也验证了该流程的普适性，6个突变体中有5个的SRAB值高于野生型，且模型预测表达倾向与实际表达水平之间的Spearman相关系数约为0.76。

该研究首次系统性地建立了蛋白序列特征与可溶性表达水平之间的定量关系，提出了AEI和SRAB两个易于计算和应用的指标。与以往主要依赖密码子水平的AI方法不同，该研究直接从氨基酸序列出发，利用大规模预训练模型和迁移学习技术，实现了跨88个物种的表达水平预测和突变设计。这不仅为蛋白可溶性表达的预测提供了新的工具，也为异源表达优化提供了一种不依赖密码子优化且具有较强普适性的全新策略。研究结果强调，蛋白序列本身编码了大量与表达水平相关的信息，通过深度学习模型可以有效地提取和利用这些信息。

本研究的亮点在于：（1）提出了AEI和SRAB两个新指标，首次从氨基酸水平量化了序列组成与表达水平的关系；（2）构建了基于MindSpore框架的MP-Trans预训练模型，并通过迁移学习为88个物种分别建立了表达预测模型MPB-Exp，预测性能优于传统机器学习和经典深度学习模型；（3）开发了突变生成模型MPB-Mut，能够在不改变蛋白功能核心区域的前提下生成提高可溶性表达的突变体；（4）通过木聚糖酶、纤维素酶和PET降解酶3种不同类型蛋白的实验验证，证明了该流程的广泛适用性；（5）模型训练和推理全部基于昇腾（Ascend）NPU硬件和MindSpore框架，展示了国产AI软硬件在生命科学领域的应用潜力。