在 COVID-19 大流行期间，我们见证了两条技术路线的辉煌：一是 mRNA-LNP 技术（Pfizer/BioNTech, Moderna），二是重组蛋白纳米颗粒技术（如 Novavax，以及 IPD 设计、SK bioscience 获批的 GBP510）。

　　如果将两者结合会发生什么？

　　华盛顿大学蛋白质设计研究所（IPD）的 Neil King 教授分享了其团队在 "mRNA-launched nanoparticle vaccines"（mRNA 启动的纳米颗粒疫苗） 方面的最新进展。这不仅仅是简单的“加法”，而是一场涉及AI 蛋白设计、从头折叠（De novo design）以及分泌效率优化的系统工程。

　　笔者深度梳理了这份报告，去除了基础背景，重点为大家拆解他们是如何利用 AlphaFold2 和强化学习（Reinforcement Learning）在短短 3 周内完成从 DNA 到电镜验证的闭环，以及这一策略如何显著提升疫苗效力的底层逻辑。

　　01  范式转移：从“体外组装”到“体内发射”

　　在过去的几年里，Neil King 团队最引以为傲的成就是基于 Two-component（双组分） 系统的自组装纳米颗粒。

　　经典的 GBP510（SKYCovione）疫苗就是这一逻辑的产物：

　　Component A：融合了抗原（如 RBD）的蛋白三聚体。

　　Component B：作为骨架的蛋白五聚体。

　　Process：分别在大肠杆菌中表达纯化，然后在体外混合（Mix），通过非共价相互作用自组装成足球状的纳米颗粒。

图1.展示双组分纳米颗粒的体外组装过程

　　虽然这套 CMC 流程已经跑通并商业化，但痛点依然存在：复杂的双流向生产和体外组装步骤。

　　IPD 的新野心在于 "mRNA-launched"——即直接将编码蛋白组分的 mRNA（封装在 LNP 中）打入人体，让人体细胞成为“生物反应器”，在体内直接分泌并组装成 60-mer 的纳米颗粒。

　　这不仅是给药方式的改变，更是对蛋白设计（Protein Design）的极限挑战：我们能否设计出一种蛋白，既能被哺乳动物细胞高效分泌，又能在他/她的血液中精准地找到彼此，完成自组装？

　　02   关键痛点：隐秘的跨膜区与“去油化”行动

　　做 mRNA 疫苗的人都知道，Secretability（分泌能力） 是抗原设计的生死线。如果表达出来的蛋白卡在细胞内出不来，体液免疫反应就会大打折扣。

　　Neil King 团队发现，许多计算设计的理想化蛋白支架（Scaffolds），在计算机里看着完美，但一旦放到哺乳动物细胞中表达，分泌量极低。

　　MoA 解析：

　　问题出在 Hydrophobicity（疏水性）。许多设计出的蛋白界面包含类似跨膜结构域（Transmembrane domains）的疏水片段，团队称之为 "Cryptic transmembrane domains"（隐秘跨膜区）。这些区域会导致蛋白滞留在分泌途径中，无法释放。

图2.展示隐秘跨膜区对分泌的影响

　　解决方案：Retroactive "Degreasing"（回溯性“去油”）这是一个非常形象的工程学术语。

　　通过识别序列中的高疏水性片段（Lowest dG_ins, pred）。

　　对这些区域进行突变，引入极性残基，同时保持结构核心的稳定性。

　　数据说话：

　　经过“去油”处理的 I3-01 变体（Degreased），其分泌产量（Secreted yield）相比原始设计提高了 10-100 倍。这证明了在计算设计阶段引入“生物物理属性过滤器”对于 mRNA 疫苗开发至关重要。

　　03   效力验证：60-mer 纳米颗粒完胜三聚体

　　解决了分泌问题，这一策略在免疫学上是否真的优越？

　　团队构建了 Rpk9-I3-01（一种展示 60 个 RBD 的 mRNA 纳米颗粒），并与以下两组进行了头对头对比：

　　Membrane-anchored Spike：类似目前主流 mRNA 疫苗的膜锚定全长 S 蛋白（如 S-2P）。

　　Secreted RBD Trimer：分泌型 RBD 三聚体。

图3.展示中和抗体滴度的对比数据

　　关键结论：

　　NP > Spike：分泌型纳米颗粒诱导的中和抗体滴度显著高于膜锚定 Spike。

　　NP > Trimer：同样是分泌型，60 价的纳米颗粒远强于 3 价的三聚体。

　　这意味着，高密度的抗原展示（Valency） 结合 mRNA 的体内递送优势，可以产生“1+1 > 2”的效果。这有力地反驳了“体内自组装不可控”的质疑。

　　04   极速迭代：AI 加持下的“牛仔生化”

　　为了满足未来大流行（Pandemic Preparedness）的需求，传统的理性设计太慢了。PPT 的后半部分展示了 IPD 惊人的工程化能力：3周内从 DNA 订单到电镜验证。

　　他们开发了两套高通量设计流（Workflow）：

　　Approach 1: Dock & Design with AlphaFold2

　　Seed: 利用 PDB 中的嗜热菌（Thermophilic）蛋白作为种子（由于嗜热蛋白通常更稳定，利于折叠）。

　　Prediction: 使用 AlphaFold2 预测结构，筛选高置信度（pLDDT > 85）的寡聚体。

　　Assembly: 使用 RPXDock 进行刚体对接，确定纳米颗粒几何构型。

　　Interface: 使用 ProteinMPNN 重新设计界面序列，驱动组装。

　　科学家笔记： 这里体现了 AI 工具链的强大组合。AF2 负责结构预测，RPXDock 负责几何堆积，MPNN 负责序列反向设计。三者结合，极大地扩展了 One-component 纳米颗粒的设计空间。

图4.展示基于 AF2 的设计流程

　　Approach 2: Top-down Capsid Design (RL + MCTS)

　　这是一种更“硬核”的从头设计方法。利用 蒙特卡洛树搜索（MCTS） 结合 强化学习（Reinforcement Learning），直接在计算机中从无到有地生长出蛋白骨架，使其满足特定的对称性（Symmetry）和几何约束。

图5.展示自上而下的衣壳设计流程

　　05   定制化未来：Antigen-Tailored Scaffolds

　　最后的亮点在于 "Antigen-tailored"（抗原定制化）。

　　传统的做法是：先有一个通用的纳米颗粒骨架，再把抗原“粘”上去。

　　Neil King 提倡的新思路是：利用抗原本身的对称性（如流感 HA 的三聚体结构）作为组装的一部分。

　　通过计算设计，直接设计出能与抗原三聚体完美互补的另一个组分，使其在体内直接组装成笼状结构。这种 One-component scaffold 设计，使得通过一条 mRNA 链编码整个疫苗成为可能，极大地简化了基因递送的复杂性。

　　结语与展望

　　Neil King 的这份报告让我们看到了合成生物学在疫苗领域的下一个里程碑。

　　我们不再仅仅依赖自然界提供的蛋白（如铁蛋白 Ferritin）作为载体，而是可以根据目标抗原的形状，De novo（从头）定制 最完美的纳米载体，并通过 mRNA 技术实现体内的高效工厂化生产。

　　总结三个 Takeaways：

　　分泌是瓶颈：对于 mRNA 递送的蛋白药物，计算设计必须前置考虑疏水性与分泌效率（Degreasing）。

　　效价是王道：高价（60-mer）纳米颗粒在中和抗体诱导能力上，对传统的单体或三聚体抗原具有降维打击的优势。

　　速度是关键：结合 AF2、ProteinMPNN 和强化学习，纳米颗粒疫苗的开发周期已被压缩至周级别，这为应对未知的“X 疾病”提供了强大的技术储备。

　　正如 PPT 结尾所言：“We have only scratched the surface...”（我们仅仅触及了皮毛）。随着计算算力的提升和 AI 模型的进化，未来的疫苗将是完全可编程的纳米机器。

　　引用来源：

　　mRNA-launched nanoparticle vaccines, Neil King, IPD, 2023.

文章来源：AIBio Report，作者xiaomifeng。