AI开始改造生命的工具：新型CRISPR技术，让过去难以编辑的心脏病基因变得可触及

想象一下，你有一把非常先进的钥匙，可以打开人体基因组中的绝大多数锁。

但是，有一些锁的结构比较特殊，无论你怎么调整开锁的位置，这把钥匙都无法顺利打开。

过去，科学家通常需要寻找另一把钥匙，或者想办法改变锁的结构。

现在，一种新的研究思路出现了：

既然现有工具无法适应目标，为什么不直接改造工具本身？

2026年10月30日，莱斯大学（Rice University）的研究团队在《Nature Communications》发表了一项研究。他们利用人工智能辅助的蛋白质进化技术，改造了一种名为 SlugCas9 的基因编辑蛋白，使其能够识别此前难以有效编辑的 DNA 区域。

研究人员进一步在培养的哺乳动物细胞中，对两个与冠心病风险有关的基因 APOC3 和 PCSK9 进行了编辑。

这项研究的意义，不仅是让一种基因编辑工具变得更好用，更重要的是，它展示了一种新的科研方式：利用大规模实验数据和人工智能，反过来设计和进化生命自身的分子工具。

一、CRISPR是什么？为什么它能改变医学？

人体的每一个细胞中，都包含一套非常庞大的遗传信息。

这些信息以 DNA 的形式保存，决定了细胞如何工作、如何生长、如何制造蛋白质，以及身体如何维持正常运转。

如果把人体比作一座高度复杂的工厂，那么 DNA 就像这座工厂的设计图纸。

基因是其中一段段具有特定功能的信息。

但基因也可能出现一些与疾病有关的变异。例如，某些遗传变异会增加心血管疾病、癌症或者其他疾病的风险。

如果我们能够准确地找到这些遗传信息，并对其中某些位置进行修改，是不是就有机会从根源上改变疾病发生的条件？

这就是基因编辑技术的重要价值。

CRISPR/Cas9 是目前最重要的基因编辑工具之一。

它主要由两个部分组成：

• Cas9蛋白： 可以理解为一把分子剪刀，负责识别并切割 DNA。
• 引导RNA： 可以理解为导航系统，负责告诉 Cas9 应该前往哪个 DNA 位置。

科学家设计好引导 RNA 后，就可以让 Cas9 前往特定的基因位置，执行相应的编辑任务。

这项技术的革命性在于：科学家不必再完全依赖传统的随机突变和漫长的筛选过程，而是可以更加有针对性地修改遗传信息。

但是，这套系统并不是万能的。

它还有一个容易被忽略的限制。

二、为什么有些基因位置无法轻易编辑？

Cas9 在寻找目标 DNA 时，并不是只看引导 RNA 指定的序列。

它还需要识别目标附近的一段特殊 DNA 序列，称为 PAM（Protospacer Adjacent Motif，原间隔序列邻近基序）。

可以把 PAM 理解为 Cas9 的停车标志。

只有附近存在它能够识别的停车标志，Cas9 才能在合适的位置停下来，进一步检查目标 DNA，并执行编辑。

不同类型的 Cas9，对 PAM 的要求并不相同。

有些 Cas9 能识别的 PAM 比较多，有些则比较严格。

这就产生了一个问题：

假设科学家发现某个基因位置非常重要，希望修改它，但是附近的 PAM 恰好不是现有 Cas9 擅长识别的类型，那么即使引导 RNA 能够准确找到目标，整个编辑过程仍然可能无法顺利进行。

这就像你已经知道一扇门在哪里，也知道门锁的结构，但是手里的钥匙无法插进去。

问题不在于你不知道目标在哪里，而在于工具无法适应目标。

过去，研究人员需要寻找其他 Cas 蛋白，或者开发新的编辑策略。

而这次研究采取了另一条道路：

直接进化现有的 Cas9，让它能够识别过去不容易识别的 PAM。

三、AI如何帮助科学家进化蛋白质？

这项研究使用了一种叫作 Sequence Display 的技术。

它的核心思想，是建立大规模的蛋白质序列与功能之间的对应关系，再结合人工智能模型，寻找具有目标功能的蛋白质变体。

要理解它，可以先了解一个基本事实：

蛋白质是由氨基酸组成的。

不同的氨基酸排列顺序，会影响蛋白质的空间结构、稳定性、结合能力和生物学功能。

一个蛋白质可能包含数百个氨基酸。

如果只改变其中几个位置，就可能对它的功能产生明显影响。

但问题是，可能的组合数量极其庞大。

假设一个蛋白质有300个氨基酸位置，每个位置理论上可以选择20种氨基酸，那么可能的序列空间就是：

20的300次方。

这是一个极其庞大的数字，人类不可能通过逐一实验的方式，把所有组合都测试一遍。

那么，能不能让 AI 帮助我们寻找更有希望的组合？

这正是这项研究的技术思路。

研究团队利用 Sequence Display 技术，获得大量不同蛋白质变体的序列及其活性数据。

随后，将这些数据与蛋白质语言模型结合，分析不同氨基酸变化与蛋白质功能之间的关系。

这里的蛋白质语言模型，可以粗略理解为一种学习蛋白质序列规律的人工智能模型。

它与学习人类语言的模型有一些相似之处：

语言模型从大量文字中学习词语之间的关系，蛋白质语言模型则从大量蛋白质序列中学习氨基酸之间的规律。

但是，二者学习的对象不同，生物学功能也不能简单地等同于语言含义。

研究人员希望通过这些数据，让模型帮助寻找哪些序列变化可能提高 Cas9 对特定 PAM 的识别能力。

之后，再通过实验验证候选蛋白是否真的具有预期功能。

整个过程可以概括为：

1. 设计和获得大量蛋白质变体。
2. 通过实验测量不同变体的活性。
3. 建立蛋白质序列与功能之间的数据关系。
4. 利用 AI 模型寻找有潜力的序列。
5. 制造候选蛋白，并通过实验验证。
6. 根据实验结果继续优化。

这是一种实验与人工智能相互促进的研究模式。

AI 不只是分析实验结果，还帮助科学家决定下一步应该研究哪些分子。

四、研究人员到底取得了什么成果？

研究团队选择了一种体积较小的 Cas9 蛋白，名为 SlugCas9。

它原本就能够识别多种 PAM，但是对于 NNAN 这一类 PAM 家族中的四种序列，识别和编辑能力相对较弱。

这四种序列分别是：

• NNAA
• NNAT
• NNAC
• NNAG

这里的 N 表示任意一种 DNA 碱基。

研究人员通过 Sequence Display 和蛋白质语言模型，找到了能够改善这些识别能力的 SlugCas9 变体。

值得注意的是，研究团队在一周内就找到了有潜力的候选蛋白。

随后，他们在培养的哺乳动物细胞中进行了实验，验证改造后的 Cas9 能够在此前较难触及的基因位置实现更好的编辑效果。

研究选择了两个与冠心病风险有关的基因。

第一个：APOC3

APOC3 与人体甘油三酯代谢有关。

如果 APOC3 的功能降低，在一定条件下可以帮助降低血液中的甘油三酯水平。

某些天然存在的 APOC3 功能缺失变异，与较低的心血管疾病风险有关。

第二个：PCSK9

PCSK9 是调节低密度脂蛋白受体的重要蛋白。

它会影响肝脏清除血液中 LDL 胆固醇的能力。

降低 PCSK9 的功能，可以增加 LDL 受体的可用数量，从而帮助降低血液中的 LDL 胆固醇。

目前已经有针对 PCSK9 的成熟药物，例如 PCSK9 单克隆抗体，以及其他降低 PCSK9 功能的治疗方式。

研究团队通过改造后的 SlugCas9，在培养细胞中成功编辑了此前不容易编辑的相关位点，并引入了可能具有保护作用的遗传变化。

这说明，经过改造的基因编辑工具，可以把原本难以实现的编辑任务变得更加可行。

但必须强调：这只是细胞实验层面的概念验证，不是已经能够用于患者的冠心病基因治疗。

五、未来的医学可能从治疗疾病走向改变疾病的遗传基础

这项研究让人联想到一个更大的医学发展方向。

传统医学主要通过药物、手术和其他治疗手段，干预身体已经出现的问题。

例如：

• 血糖升高，就使用药物控制血糖。
• 胆固醇过高，就通过药物降低胆固醇。
• 肿瘤出现，就尝试切除、化疗、放疗或者免疫治疗。

这些方法非常重要，但很多时候，治疗需要持续进行。

而基因编辑技术提供了另一种可能性：

如果某种疾病与特定的遗传因素有关，我们能否通过一次或有限次数的基因编辑，从更底层改变疾病发生的条件？

例如，PCSK9 已经成为这一方向的重要研究对象。

传统药物可以抑制 PCSK9 的作用，而基因编辑则有可能让人体细胞长期降低 PCSK9 的功能。

这两种方式有明显区别。

药物通常需要反复使用，而成功的体细胞基因编辑可能产生更持久的效果。

当然，持久并不意味着一定更安全。基因编辑一旦产生错误，也可能难以逆转。

因此，未来真正需要解决的问题包括：

1. 如何提高基因编辑的准确性？
2. 如何避免编辑到不应该修改的位置？
3. 如何把编辑工具安全地送到人体需要治疗的组织和细胞？
4. 如何确保编辑效果长期稳定？
5. 如何评估长期风险，以及在出现问题时如何应对？

这些问题都需要经过大量研究和临床试验。

六、真正值得关注的，是AI正在改变科学发现的方式

我认为，这项研究最值得关注的地方，其实还不只是 CRISPR 技术本身。

它揭示了一种可能改变未来科学研究方式的范式。

过去，科学家研究一种蛋白质，通常需要先理解它的结构和作用机制，再根据已有知识提出假设，设计实验，最后验证结果。

这种方法非常重要，但也有明显局限。

生命系统太复杂了。

一个蛋白质可能涉及数百个氨基酸，多个蛋白质之间又存在复杂的相互作用。

人类即使掌握了大量生物学知识，也不一定能够准确预测每一种序列变化会产生什么结果。

现在，AI 提供了另一种研究路径。

科学家可以先建立大规模的实验数据集，让 AI 从中寻找人类难以直接发现的规律。

然后根据模型提出的预测，设计新的实验。

实验产生新的数据，再反过来改进模型。

这形成了一个不断循环的过程：

实验产生数据 → AI发现规律 → AI提出设计 → 实验验证 → 产生更多数据。

这意味着，AI 不再只是科学家的辅助工具，也开始成为科学探索过程中的参与者。

更进一步，研究对象也不再局限于已经存在的自然蛋白质。

未来，科学家可能根据具体需求，设计具有特定功能的蛋白质。

例如：

• 能够更高效分解污染物的酶。
• 能够识别特定癌细胞的蛋白质。
• 能够更精确地编辑某些遗传变异的基因编辑工具。
• 能够改善细胞代谢过程的人工蛋白质。
• 能够参与制造新型药物和生物材料的分子机器。

这些方向并不意味着都已经实现，但它们展示了蛋白质工程和人工智能结合后的发展空间。

七、人类未来能否像设计软件一样设计生命？

软件工程有一个重要特点：

我们可以根据需求，设计程序的结构和功能，然后通过运行、测试、修改，不断提高它的性能。

生命科学过去很难做到类似的事情。

因为生命系统并不是简单的程序，蛋白质也不是按照人类写好的代码机械运行。

它们受到三维结构、化学环境、细胞状态、进化历史和复杂相互作用的共同影响。

但随着蛋白质结构预测、生成式 AI、实验自动化和基因编辑技术的发展，我们正在逐渐获得一种新的能力：

根据功能需求，设计生命分子，再通过实验让它们真正发挥作用。

这可能带来巨大的变化。

未来，人类或许能够更加主动地设计：

• 更有效的药物。
• 更适合人体需求的生物分子。
• 能够完成特定化学反应的酶。
• 能够修复某些细胞功能的分子工具。
• 更高效的生物制造系统。

不过，生命不是可以随意修改而不产生后果的机器。生物安全、生态影响、伦理规范和技术监管，也必须同步发展。

这项研究只是一个早期但很有启发性的例子。

它告诉我们：

过去，我们主要学习自然界已经创造出来的生命工具。

现在，我们开始利用人工智能和实验技术，主动改造这些工具。

未来，科学研究可能逐渐从发现自然规律，发展到根据目标设计新的自然过程。

而这也许才是人工智能与生命科学结合后，最值得期待的长期变化。

参考资料

1. Cheng, L. et al. (2026). Sequence Display generates large-scale sequence–activity datasets for reprogramming SlugCas9 toward difficult-to-access PAMs. Nature Communications. DOI: 10.1038/s41467-026-79035-1.
2. Rice University, November 4, 2026. New CRISPR proteins expand editing access to heart disease genes.

来源：MedicalXPress
原文链接：https://medicalxpress.com/news/2026-11-crispr-proteins-access-heart-disease.html