技术交流
扫描二维码
无细胞蛋白表达：多肽药物从“受限生产”走向“自由定制”
在生物医药、医美抗衰、精准诊疗飞速发展的当下，多肽早已成为科研与产业的热门赛道。作为介于氨基酸与蛋白质之间的活性分子，多肽兼具分子量小、特异性强、毒性低、易吸收的优势，是生物医药领域的核心分支，2025年全球市场规模已突破800亿美元[1]。
图1：FDA近几年批准上市的治疗性多肽[2]
传统多肽合成瓶颈
制备工艺在多肽药物研发过程中占据着举足轻重的地位，其精细程度直接关系到药物的纯度、稳定性、生物活性以及最终的临床效果。长期以来，传统多肽合成技术始终受限于效率低、难度大、产物活性差等痛点，成为行业发展的瓶颈。 目前多肽合成方法可分为化学合成方法和生物合成方法。化学合成方法主要包括液相合成法和固相合成法，生物合成方法主要包括酶促法，活细胞表达法等[3]。 化学合成法存在一定的局限性，其中固相合成法步骤繁琐、副反应多。液相肽合成过程中需要使用大量的有机溶剂和催化剂，不仅增加了生产成本，还可能对环境造成一定的污染。 生物合成法中活细胞表达法虽然能保证产物天然活性，但很多功能性多肽、抗菌多肽、细胞毒性多肽会对宿主细胞产生杀伤作用，导致细胞死亡、表达失败。此外，细胞培养周期长、条件严苛、易污染，且体系封闭可控性差，很难实现多肽的定点修饰与高通量筛选。酶促法中酶的来源和成本问题限制了其大规模应用。尽管一些酶可以通过基因工程技术进行重组表达，但生产成本仍然较高[4]。
告别“束缚”，开启“设计即生产”时代
无细胞蛋白表达（CFPS）通过在体外环境中重构转录与翻译体系，直接利用细胞来源的核糖体、酶系、tRNA及能量系统，以DNA模板合成目标多肽。只需将PCR产物或线性DNA作为模板投入反应体系，短短数小时内即可实现真正意义上的“设计即生产”。
1.突破毒性多肽、难表达多肽的合成壁垒
传统细胞表达无法合成抗菌、抗肿瘤、细胞毒性多肽，这类多肽会直接破坏宿主细胞结构，导致合成终止。而CFPS无细胞体系无活细胞依赖，不存在宿主毒性问题，可高效合成各类高活性、高毒性的功能多肽，填补了特殊多肽合成的技术空白。
2.实现长链、复杂结构多肽的高效合成
化学合成长链多肽产率低、纯度差，而CFPS技术依托生物天然转录翻译机制，可稳定合成长度更长、结构更复杂的多肽分子，同时能精准形成二硫键等天然空间结构，保证多肽的生物活性，产物纯度与活性远优于化学合成产物。
3.AI与CFPS协同加速多肽定向进化
随着人工智能在蛋白质工程领域的深度应用，AI设计出全新多肽序列已不再是科幻，但实验验证环节却往往成为制约迭代速度的短板。传统细胞表达体系通常需要几天甚至数周才能完成一个设计方案的验证，而CFPS恰好填补了这一空白。凭借高通量和短周期，CFPS能够在数小时内输出实验结果，契合了AI模型“设计-构建-测试-学习”（DBTL）的高速迭代的需求[5]。
图2：一种由机器学习驱动的无细胞平台[5]
适配高通量筛选与工业化生产
CFPS反应体系可微型化、阵列化，能够同时完成上百种多肽的平行合成，实现多肽分子的高通量筛选，大幅缩短新药靶点验证周期。同时，该技术可规模化放大生产，流程简单、污染率低、环保性强，兼顾科研效率与产业价值[6][7]。
案例分享：
珀罗汀生物基于自主开发的无细胞蛋白表达体系研发的P-recon试剂盒已成功表达多种多肽，如下图所示。
图3：五种多肽表达胶图
未来可期
从无细胞体系的底层重构，到与AI算法的深度交融，再到自动化高通量平台的全面赋能，CFPS技术打破了化学合成与细胞表达的技术壁垒，兼具高效性、灵活性、精准性、绿色化等多重优势，让多肽合成从“受限生产”走向“自由定制”；不仅为结构生物学研究提供了高质量的功能性蛋白样本，更为创新多肽药物的研发按下了“加速键”。 在生物制造飞速发展的新时代，以CFPS为代表的无细胞合成技术，必将持续颠覆传统生产模式，解锁更多多肽应用新可能，为生物医药与大健康产业注入全新活力。
参考文献
[1] 全球及中国多肽药物市场深度调研报告（2025年 057DFT0） [2] Li, Qingmei et al. “Therapeutic peptides: chemical strategies fortify peptides for enhanced disease treatment efficacy.” Amino acids vol. 57,1 25. 8 May. 2025, doi:10.1007/s00726-025-03454-5. [3] 高云龙. "多肽药物合成和纯化方法发展现状." #i{医药前沿} 12.14(2022):3. [4] 郑龙等. "多肽药物制备工艺研究进展." #i{化工学报} 72.7(2021):13. [5] Landwehr, Grant M et al. “Accelerated enzyme engineering by machine-learning guided cell-free expression.” Nature communications vol. 16,1 865. 20 Jan. 2025, doi:10.1038/s41467-024-55399-0. [6] Hunt, Andrew C et al. “A rapid cell-free expression and screening platform for antibody discovery.” Nature communications vol. 14,1 3897. 3 Jul. 2023, doi:10.1038/s41467-023-38965-w. [7] Bruni, Renato et al. “High-throughput cell-free screening of eukaryotic membrane protein expression in lipidic mimetics.” Protein science : a publication of the Protein Society vol. 31,3 (2022): 639-651. doi:10.1002/pro.4259.
粤公网安备 44010602000473号
粤ICP备09063491号
营业执照
