几百个带标签的突变，而不是几百万个，就足够让 AI 引导的进化把一个「平庸」的紧凑型基因编辑器推到 97% 的编辑效率、并在 19 个内源基因组位点上做到平均约 33%。这篇发表于《自然·生物技术》（Wan, Gold, Vure et al., 2026）的研究，把同源蛋白发现、ωRNA 支架工程和一套稀疏数据驱动的自适应框架 EvoMax 结合起来，优化了真核紧凑型 RNA 引导核酸酶 Fanzor2（Fz2）。从单个蛋白学到的适应度规律还能跨支架迁移，把多个天然失活的同源蛋白「唤醒」。转折在于小鼠体内实验：活性最强的版本反而出现了急性毒性——这个结果正在改写 AI 蛋白工程该优化什么。
为什么盯上 Fanzor2：越小越容易进体内
Fz2 的价值在于「小」：通常不足 500 个氨基酸，远小于经典 CRISPR 核酸酶，有可能把完整编辑系统装进单个 AAV 载体实现体内递送。但天然 Fz2 在哺乳动物细胞里活性有限，而且几乎没有现成的突变实验数据——这是典型的「冷启动」蛋白家族，多数 AI 方法连起步都难。
团队先从天然多样性入手：从超过 1600 条 Fz2 样序列中筛出 332 个真核同源蛋白做系统发育分析与功能筛选，最终锁定来自多噬棘阿米巴（Naegleria lovaniensis）的 NaloFz2。序列比对给出一个关键结构发现：催化 RuvC 区和 DNA 结合区相对保守，而约 100 个氨基酸的 N 端结构域（NTD）差异巨大——只删掉 N 端 20–30 个氨基酸，编辑活性就完全消失，说明完整 NTD 是蛋白结构与核糖核蛋白复合物组装的基础，不只是核定位信号。
随后是 ωRNA 工程。结构预测显示天然 120 nt 的 ωRNA 含三个主要茎环；针对 SL3 区域做工程化——用 GAAA 四环替换远端环、截短并强化碱基配对——得到仅 92 nt 的 enωRNA v2（约为天然长度的四分之三），活性明显更高：使相关核酸酶 M7 活性提升 8.7 倍，并在移植 NaloFz2 NTD 后恢复了失活的 M9，说明优化后的 RNA 支架同样可跨同源蛋白迁移。再把人类 La 蛋白（hLa）融合到 Fz2 C 端，形成「核酸酶优化 + ωRNA 工程 + La 融合」的多层设计框架。
EvoMax：209 个标签驱动的三模型闭环
方法上的核心贡献是应对数据稀缺：没有用 209 个带活性标签的单点突变去训练一个复杂深度网络，而是把三类互补信息组合起来：
- GPR（BLOSUM62 编码的高斯过程回归）从 209 个实测突变中学习局部适应度规律——单一学习器里表现最好，R² 达 0.693；
- ESM-2（650M 参数）提供从海量天然蛋白序列中习得的进化先验；
- ESM-IF（逆折叠模型）用 AlphaFold 预测结构做兼容性打分，拦住会破坏折叠的突变。
三类信息的权重不是固定的：早期更信任实验数据做局部优化，后期逐步加大进化先验与结构信息的比重，向更远的序列空间探索。每轮只实验验证 10–20 个候选，用最优变体开启下一轮——这是「实验—模型—实验」的紧闭环，而不是一次性预测整个序列空间。
命中率相当惊人：第一轮里 EvoMax 推荐的突变有 84% 是功能性变体，同一背景下 EVOLVEpro 只有 20%、AiCE 只有 35%。三轮迭代产出 FanzMAX v1→v3，v3 与 enωRNA v2 组合后报告系统活性比天然 NaloFz2+天然 ωRNA 提高 13 倍以上。在真实位点 CXCR4 上，编辑率从天然的约 12% 升到 FanzMAX v3 的 66%，加上 hLa 融合后达到约 97%。扩展到 19 个内源位点，FanzMAX v3-hLa 平均约 33%——相比天然系统（约 3.4%）提升约 10 倍，相比已有工程化紧凑编辑器（enNlovFz2 约 11%、enCnCas12f1 约 12.5%）提升约 2.7 倍。靶向范围也变宽了：兼容更多 5′-ANNG 序列（ACAG、ACTG、AATG）；在 CXCR4 上达到约 97% 在靶编辑时，多数候选脱靶位点低于 1%。
复用而非重启：让失活的同源蛋白「复活」
团队随后提出了更难的题目：从 NaloFz2 学到的规律能不能迁移到其他 Fz2，甚至复活天然失活的成员？他们把完整 NTD 移植进 NTD 截短或高度分化的失活同源蛋白，配合 enωRNA v2，再让 EvoMax 挑选高潜力突变——每个蛋白只引入 2–5 个突变。
结果多个同源蛋白恢复了可检测的编辑活性，M2、M5、M8 效果最明显；M2、M3 经过第二轮优化（G298A、I368L）又获得约 1.9 倍与 2.5 倍提升；整个过程中 55%–70% 的模型推荐变体优于对应亲本。方法学含义很清楚：适应度约束至少有一部分是「家族级」的，一小批高质量数据不仅能优化一个蛋白，还能成为整个蛋白家族的工程起点。
体内警告：活性更强 ≠ 更安全
Fz2 的紧凑尺寸让单 AAV 系统成为现实。HuH-7 细胞中，逐代开发的 AAV 1.0→2.0→3.0 达到约 50%–68% 的编辑效率；小鼠体内，3.7 kb 的 AAV 1.0 在肝脏产生约 25% 的编辑、使循环 PCSK9 降低约 34%，且未观察到明显毒性。但效率更高的 AAV 2.0 和 3.0 在系统给药后 7–14 天内引发急性发病，并伴随更多大型基因组缺失——过强的核酸酶活性与 DNA 损伤本身就是肝细胞毒性来源。
这直接改写了治疗性编辑器优化的目标：适应度函数不应是「最大化编辑效率」，而要在活性、靶向范围、修复产物与安全性之间寻找窗口。对瞄准单 AAV 体内基因编辑的新一代紧凑编辑器来说，这是论文结果与药物之间的分水岭。
产业含义：蛋白工程进入「少样本时代」
撇开头条数字，三个结构性信号值得单独拎出来。第一，少样本自举开始可行：几百个标签 + 语言模型先验 + 结构过滤器就能在巨大序列空间里导航，无需大规模深度突变扫描，这改变了新发现蛋白家族的工程经济学。第二，跨支架迁移把一份数据变成平台：唤醒失活 Fz2 的同一套打法，理论上可以平移到整族酶和编辑器。第三，目标函数本身在重写：AI 生成的编辑器走向临床时，「活性」不再是唯一指标，体内毒性必须进入模型迭代回路。这些趋势与 AI for Science 的整体演进一脉相承——从生物学的世界模型，到用真实发现而非考试来评价 AI 科学家，能力与评价正在同步成熟。
可以抄的作业
对正在做 AI 引导蛋白/编辑器工程的团队，这项研究几乎就是一份模板：
- 不要等大数据集。几百个高质量实测突变就能撑起一个可用闭环（本篇 209 个标签，GPR 组件 R²=0.693）。
- 融合三类信号：经验回归（GPR）+ 蛋白语言模型先验（ESM-2）+ 结构兼容性过滤（ESM-IF），不要指望单一模型扛起整个回路。
- 迭代中动态调权——早期信实验数据，后期用进化与结构信息拓宽探索；每轮只做 10–20 个实验验证。
- 工程对象不止蛋白：RNA 支架与融合结构域（enωRNA v2、hLa）的贡献不亚于序列突变——优化整个复合物，而不是只改残基。
- 治疗性编辑器重新定义目标：把在靶/脱靶比例、修复产物与体内毒性终点纳入度量，把「活性最强」当作待筛选的假设，而不是要冲刺的指标。
FAQ
只有几百个数据点，AI 凭什么能把蛋白进化得更好？
EvoMax 融合了三类互补信号：209 个实测单点突变上的 GPR（R²=0.693）、来自海量天然序列的 ESM-2 进化先验、以及 ESM-IF 结构兼容性检查；每轮只验证 10–20 个候选，首轮命中率 84%（EVOLVEpro 20%、AiCE 35%）。三轮后 FanzMAX v3 在 CXCR4 上达到约 97% 编辑效率，19 个内源位点平均约 33%。
最活跃的基因编辑器，一定是更适合治疗的那个吗？
不是——论文的小鼠数据正好相反。单 AAV 的 AAV 1.0 实现约 25% 肝脏编辑、循环 PCSK9 降低约 34% 且无明显毒性；活性更强的 AAV 2.0/3.0 却在 7–14 天内引发急性发病，并伴随更多大型基因组缺失。治疗性编辑器必须在活性、特异性、修复产物与安全性之间权衡。
Fanzor2 是什么？和 CRISPR 相比它为什么重要？
Fanzor2 是真核 RNA 引导核酸酶，通常不足 500 个氨基酸——小到可以把整套编辑系统装进单个 AAV 载体。工程化后的 FanzMAX v3-hLa 把 TAM 兼容性扩展到 5′-ANNG 序列（如 ACAG、ACTG、AATG），在 CXCR4 达到约 97% 在靶编辑时，多数候选脱靶位点低于 1%。
