Octet® 分子互作分析系统在AI设计蛋白质（Binder / 抗体 / DNA 结合蛋白）验证中的关键作用
近年来，AI 驱动的蛋白质设计呈现爆发式增长。深度学习模型（如 AlphaFold2、RFdiffusion、Rosetta、MAGE 等）不仅能预测结构，更能“从零生成”自然界从未出现过的新型蛋白质。2024年诺贝尔化学奖授予 David Baker，宣告AI蛋白质设计已从技术趋势晋升为科学范式。AI 设计带来的改变是颠覆性的：过去需要数月的 Binder 设计，现在几小时即可完成；更可以构建天然不存在的结构域、序列特异性 DNA 结合蛋白、光响应系统，乃至抗病毒抗体；药物、疫苗、材料、生物制造全面受益。
AI 再能打，实验室验证才是终局。蛋白质最终必须回答两个基本问题：
- 能不能结合？
- 结合得有多强、多特异？
这些答案只能通过实验给出，而Octet® 非标记分子互作分析系统以其高通量、高灵敏度、高准确度，以及能够快速获得kon / koff / KD等动力学参数的能力，正成为全球 AI 蛋白设计研究中最常用、最核心的验证平台。AI 越火，Octet® 用得越多。在 Science、Nature、Cell 等顶刊的多篇 AI 蛋白设计论文中，Octet® 经常作为功能验证的关键环节。接下来，跟着陈老师看看全球顶级团队如何用Octet® 给 AI 设计蛋白“盖章”。
华盛顿大学David Baker课题组
Science正刊[1]
蛋白质用途：针对 GPCR 配体、胰岛素相关肽、癌症相关受体等复杂 IDR 区域设计 binder
AI设计平台：RFdiffusion, Rosetta
蛋白功能表征方法：Octet®分子互作分析系统（主要手段），X射线共晶体学，CoIP,线粒体共定位等
| 图1. 靶向天然生物活性肽和 IDR（内在无序区域）的亲和力（粗体表示目标序列片段）。Octet®分子互作系统获得的最佳KD值从低到高排名，命中率hit%是500 nM binder的结合信号>0.1nm的百分比。 |
华盛顿大学（David Baker）课题组
Nature子刊[2]
蛋白质用途：序列特异性 DNA 结合蛋白 （DBP）
AI设计平台：RFdiffusion
蛋白功能表征方法：Octet® 分子互作分析系统，X射线共晶体学，蛋白质结合微阵列，活细胞中的转录等
图2. 用Octet®检测蛋白和DNA的亲和力，证明设计的DBP与其预期靶位点具有高亲和力和特异性结合
瑞士洛桑联邦理工学院
Nature正刊[3]
蛋白质用途：针对各种具有挑战性的靶标的binder，包括细胞表面受体、常见过敏原、从头设计的蛋白质和多结构域核酸酶，如CRISPR-Cas9
AI设计平台：BindCraft，这是一种用于从头蛋白质binder设计的开源自动化管道，实验成功率为 10-100%
蛋白功能表征方法：根据靶点的不同而不同，比如BLI技术分子互作，核酸酶活性，AAV转染靶向性等
图3. Octet® 检测的靶向细胞表面受体的binder的亲和力
范德比尔特大学
Cell正刊[4]
蛋白质用途：针对呼吸道病毒的中和抗体
AI设计平台：MAGE（单克隆抗体生成器），一种基于序列的蛋白质语言模型 （PLM），经过微调，用于针对感兴趣靶标生成配对的人类可变重链和轻链抗体序列
蛋白功能表征方法：BLI，ELISA，病毒中和实验，冷冻电镜
图4. 用Octet®检测的AI设计的针对新冠病毒抗体与spike蛋白的亲和力
西湖大学曹龙兴组
Nature子刊[5]
蛋白质用途：光响应性可逆形成蛋白质组装体
AI设计平台：RifGen计算方法来设计由非经典氨基酸调节的蛋白质-蛋白质相互作用，重点关注光响应苯丙氨酸-4'-偶氮苯（AzoF）的异构化，使得蛋白复合物解聚（图5）。
蛋白功能表征方法：Octet®分子互作分析系统（主要手段），X射线共晶体学，CoIP,线粒体共定位等
|
|
| 图5. 蛋白功能表征方法：Octet®分子互作分析系统，SEC（尺寸排阻色谱法,size exclusion chromatography）,水凝胶实验，受体配体介导的信号转导实验 | 图6. Octet®检测的复合物亲和力实验，在光响应后复合物亲和力变弱（绿色线） |
大坪医院创伤医学中心科
Nature子刊[6]
蛋白质用途：gasdermin D（GSDMD-NT）形成膜孔导致细胞因子的释放和炎症细胞死亡，称为细胞焦亡。阻塞GSDMD-NT毛孔是一种有吸引力且有前途的减轻炎症的策略。本文用AI设计阻塞GSDMD-NT毛孔的多肽。
AI设计平台：基于深度学习的交互式界面原子生成模型进行虚拟肽筛选
蛋白功能表征方法：Octet®分子互作分析系统，各种细胞焦亡实验，小鼠败血症预防实验
图7. Octet® 分子互作证明，AI筛选出的多肽与靶点GSDMD的结合能力
其它近期大量使用Octet®的AI设计蛋白研究：
腾讯人工智能生命科学实验室用腾讯AI设计抗体:
A Generative Foundation Model for Antibody Design | bioRxiv
David Baker组凋亡蛋白BAK和BAX的有效和选择性binder的Science子刊文章:
https://www.science.org/doi/10.1126/sciadv.adt4170
AI 设计 TCR，促进 T 细胞杀伤（Science，搭配 Incucyte）:
De novo-designed pMHC binders facilitate T cell–mediated cytotoxicity toward cancer cells | Science
无论设计多么前沿、多么富有创造性，所有 AI 设计蛋白最终都要落在实验验证上。无论是binder、抗体、光控酶，还是TCR、DNA结合蛋白等，只要涉及相互作用，Octet® 就是目前最实用兼顾高通量检测和定量化分析的验证方式。AI 越强，生成的候选越多；候选越多，验证越忙；验证越忙，Octet® 就越不可替代。
Octet® 分子互作分析系统在检测分子互作的优势在于：
- 非标记Direct Binding是趋势，它的结果更准确
- 万金油技术，小到化合物，大到病毒颗粒等都可以检测；如第六篇文章进行了多肽的测定、第二篇文章做了DNA的测定
- 快速测定亲和力，更加定量化对互作进行表征
- 通量高，如第一篇文章使用Octet®的通量对binder进行了筛选，并作为分子互作的主力
- 实验形式多样化：定性，两者结合，协同/竞争实验，垂钓等；如第五篇文章就属于复合物测定（类似于协同/竞争实验）
- 使用方便，成本相对低
- 写入了美国药典，文章>20,000篇，认可度广
-参考文献-
[1] Design of intrinsically disordered region binding proteins | Science
[2] Computational design of sequence-specific DNA-binding proteins | Nature Structural & Molecular Biology
[3] One-shot design of functional protein binders with BindCraft | Nature
[4] Generation of antigen-specific paired-chain antibodies using large language models: Cell
[5] De novo design of light-responsive protein–protein interactions enables reversible formation of protein assemblies | Nature Chemistry
[6] Delaying pyroptosis with an AI-screened gasdermin D pore blocker mitigates inflammatory response | Nature Immunology