最近圈子里有个消息挺有意思Anthropic的团队在宏基因组数据里挖出了一个全新的类CRISPR基因编辑系统。做AI的人看到的是“Anthropic”这几个字做生物的人看到的是“CRISPR”这个关键词但真正值得聊的是这件事背后那条完整的“AI发现→计算验证→湿实验验证”链路。我搞了好几年生信和AI交叉方向看到这个消息第一反应是曾经需要三代人才能完成的基因编辑工具发现现在一个计算团队几个月就能给出候选名单了。这篇就来拆一下这个类CRISPR系统到底“新”在哪、AI是怎么把它从海量序列里捞出来的以及如果你也想做类似的计算挖掘从数据到工具选型到验证每一步该怎么做。1. 项目概述与设计思路1.1 一个AI公司为什么跑去挖类CRISPR系统Anthropic的核心是AI安全和大模型这一点大家都很熟。但大模型的能力边界一直在被重新定义从对话、代码生成到蛋白质结构预测再到生物序列挖掘。如果Anthropic的实验室真的在做类CRISPR系统挖掘那逻辑上是通的——基因编辑工具发现的瓶颈已经不再是“做实验”而是“看数据”。宏基因组数据库里躺着天文数字级的序列传统的基于序列同源性的工具比如BLAST只能找到和已知Cas蛋白很像的序列但类CRISPR系统恰恰是那种“看起来完全不像、功能却是同源”的东西。这种远距离识别正是大规模语言模型擅长的事。更深一层的原因其实也很实际基因编辑工具的上游发现极其值钱。一个全新核酸酶意味着专利、工具链、下游应用和潜在的医学市场。CRISPR-Cas9从发现到应用只用了几年就已经支撑起整个基因治疗赛道。谁能在类CRISPR系统上抢到先手谁就在未来十年掌握了基因编辑领域的话语权。Anthropic押注这条链路的动机与其说是科研好奇心不如说是在为AI在科学发现里的商业化探路。1.2 设计思路从“序列长得像”到“功能长得像”我接触过不少做新酶挖掘的朋友大家公认的痛点就是一个传统方法只能捞“熟脸”。你用BLAST拿Cas9蛋白序列去比对宏基因组出来的几乎全是Cas9同源蛋白顶多换个亚型。但类CRISPR系统的核心特征恰恰是“异源同构”——序列上跟已知Cas蛋白八竿子打不着三维结构却可能有类似的拓扑或者活性位点有相同的化学机制。那怎么用AI绕过序列相似性的限制现在比较成熟的思路是两步走先把氨基酸序列用蛋白质语言模型比如ESM-2那一类编码成高维向量这个向量隐含了结构和功能信息再把向量喂给分类模型目标是学会判断“这个蛋白是不是潜在的核酸酶/RNA引导核酸酶”。分类模型训练的过程中模型不会死盯在某个保守基序上而是学会抽象层面的特征因此能发现那些新的类CRISPR候选。这个设计思路最关键的地方在于它把科学问题转化成了表示学习问题。不用预设“CRISPR是什么”只用告诉模型“什么样的蛋白可能有RNA引导的核酸酶功能”剩下的事交给数据和模型。这也是整个挖掘流程的核心方法论。1.3 “类CRISPR”到底意味着什么类CRISPR这个说法我的理解是它不是我们熟悉的Cas9/Cas12/Cas13中的任何一个但它在功能上承担着和CRISPR类似的角色——在RNA或者蛋白质的引导下实现对核酸靶标的规定位置切割。目前已知的CRISPR系统有两个很烦人的工程问题一个是体型太大导致很难塞进AAV病毒载体用于体内基因治疗另一个是PAM序列限制太严导致基因组上很多位点根本编辑不了。如果新挖掘出来的系统具备更小的分子量、更宽松的PAM识别或者完全摆脱PAM依赖那它就有机会解决这两个痛点。我见过一些早期报道预测这类新系统可能来源于噬菌体或转座子而不是细菌的适应性免疫系统这也符合“类CRISPR”而不是“CRISPR”的命名逻辑——就好比同样是“钉钉子”锤子和射钉枪原理不同但都能干同样的活儿。提示这里说的“类CRISPR系统”不是我个人的命名而是行业里对“具有类似功能但非同源”系统的一种通俗叫法具体分类学命名要以正式论文为准。2. 核心技术原理解析2.1 先把CRISPR的老底翻出来想理解类CRISPR先得理解CRISPR到底在做什么。我尽量用大白话讲。CRISPR全称是成簇规律间隔短回文重复序列本质上它是细菌和古菌体内的一套“免疫记忆系统”。当一个病毒第一次感染细菌细菌会把病毒DNA的一小段剪下来插到自己基因组里当“通缉令”。下次同一个病毒再来细菌就会转录出一条和通缉令互补的RNA引导一个核酸酶比如Cas9带着这把“剪刀”飞到病毒DNA对应的区域在那里把病毒基因剪碎。这个过程中有两个关键识别机制第一个是RNA引导序列它决定了Cas蛋白往哪走第二个是PAM序列它相当于一个“开火许可”。PAM的全称是protospacer adjacent motif。Cas9只有在目标DNA旁边存在一个特定的PAM比如NGG时才会启动切割这是为了防止系统切割自己的基因组。这两个机制在类CRISPR系统里可能会有变体有些可能改成识别不同的PAM有些不依赖PAM改为依赖结构特征。这也是挖掘类CRISPR系统时特别值得关注的判断点。2.2 类CRISPR新系统的“新”到底新在哪从计算角度所谓的新系统需要满足三个条件功能等价大概率是一种可编程的核酸酶能够对DNA或RNA进行序列特异性切割序列不相似与已知Cas/Cpf1/Cas13等蛋白没有明显的同源序列常规BLAST找不到结构或机制相关可能共享某些结构域比如RuvC样结构域、HNH结构域或者使用全新的催化机制。下面这张表可以把已知的几种系统放在一起对比帮助你理解“类CRISPR候选系统”可能的工程价值。需要说明的是表格里“类CRISPR候选系统”一列是我根据当前公开讨论整理的推测项不代表官方实验数据。特征经典Cas9Cas12aCas13类CRISPR候选系统引导类型sgRNAcrRNAcrRNA待验证RNA或蛋白引导切割底物dsDNAdsDNARNA待验证PAM依赖NGGTTTV无/弱待验证蛋白大小约160 kDa约130 kDa约145 kDa更小推测主要来源细菌细菌细菌/古菌宏基因组/噬菌体这个表格想表达的核心意思是类CRISPR系统的变量维度非常多每个维度的改变都可能带来更优的工程特性。比如如果某个新系统不再依赖严格的PAM那么整个基因组的可编辑位点数量就会多一个数量级这在基因治疗里意义巨大。2.3 AI在整个流程中的角色远不止跑一个模型很多人以为AI就是丢一个序列进去出来一个“是/否”的判断其实真正的挖掘流程要复杂得多。AI在流程里至少承担三个角色第一个角色是特征编码器。用蛋白质语言模型把候选蛋白序列映射到一个稠密的特征空间让模型能够摆脱“序列相似性”的局限性。第二个角色是候选分类器。在编码之后用一个监督学习模型可能是卷积网络、图神经网络或者简单的Transformer分类头判断候选蛋白是否具备核酸酶或引导核酸酶的潜力。第三个角色是结构生成器。对高概率候选用AlphaFold2或者ESMFold批量预测三维结构再通过结构比对比如用Foldseek确认它的折叠类型是否与已知Cas结构相关。这三步走下来候选数量可能从几十万条压缩到几十条真正靠谱的可能就几条。后面再做湿实验验证。所以“AI发现一个类CRISPR系统”这句话背后其实是庞大算力、数据库和实验验证团队协同的结果不是一句提示词就能生成的。3. 实操过程与关键环节实现3.1 数据准备从宏基因组里找“嫌疑犯”第一步是获取数据。当前主流的宏基因组测序数据主要存在NCBI SRA、JGI IMG/M和EMBL-EBI Metagenomics这几个数据库里。我一般会先到IMG/M里筛选高质量的宏基因组项目优先选那些来自极端环境和特殊生态位的样本——土壤、深海沉积物、热泉、动物肠道。这些地方物种多样性高最有可能藏着全新的基因编辑系统。数据下载完成后需要做质控和组装。这一套流程基本不会卡人但要注意工具版本。常用的流程大致是# 质控去掉低质量序列和接头 fastp -i reads_R1.fq.gz -I reads_R2.fq.gz \ -o clean_R1.fq.gz -O clean_R2.fq.gz \ --detect_adapter_for_pe # 宏基因组组装最短contig设1000bp megahit -1 clean_R1.fq.gz -2 clean_R2.fq.gz \ -o assembly_out --min-contig-len 1000 # 基因预测meta模式下预测开放阅读框 prodigal -i assembly_out/final.contigs.fa \ -d genes.nuc.fa -a genes.faa -p meta这三步走完你会得到一份全样本的蛋白序列文件里面可能有数十万甚至上百万条蛋白。接下来才是重头戏筛查。提示组装工具的选择会影响最终基因数量。MEGAHIT速度快适合宏基因组如果你更在意contig连续性可以试试metaSPAdes但会慢很多内存也吃得多。我习惯先用MEGAHIT粗跑一遍锁定候选位点后再用metaSPAdes重新组装局部区域。3.2 计算筛查怎么用AI把可疑蛋白捞出来拿到蛋白序列后筛查环节是决定成败的关键。传统做法是用HMMER去比对已有的Cas蛋白HMM模型可以从CRISPRCasFinder或者CasPEDIA里拿现成的模型召回率其实还可以但对“全新系统”基本无效因为模型本身是拿已知Cas蛋白训练出来的。所以我推荐的做法是“双轨筛查”第一轨保守特征筛查。用HMMER比对所有已知Cas蛋白、Cas-like结构域、RuvC/HNH核酸酶结构域、RNA识别结构域先把带有“核酸酶气味”的蛋白都捞出来。这一步不需要太严格的阈值E值可以放到1e-5宁可多捞不能漏。第二轨AI打分筛选。把第一轨捞出来的蛋白序列一般几千到几万条提交给蛋白质语言模型做特征编码再用训练好的分类器打分。如果没有现成分类器也可以用一种更直接的策略分别跑ESMFold批量结构预测然后用Foldseek去和PDB数据库做embedding比对找到与Cas蛋白结构口袋相似但序列差异大的蛋白。这类“结构相似、序列相远”的蛋白就是类CRISPR系统最可能的候选者。两步之后建议把候选序列再和基因组上下文做一次联检。真正的CRISPR系统旁边通常有CRISPR阵列重复-间隔序列或者tracrRNA同源区。用minced工具扫描候选蛋白上下游5-10 kb的基因组区域如果发现了CRISPR阵列候选的置信度会大幅提升。这些步骤不需要写太多代码核心分析用现成工具就行真正耗时的反而是数据的流转和管理。建议每个工具的输出都存成标准格式后面可以同步到一个汇总目录方便排查。3.3 结构预测与功能验证从“纸面候选”到“真家伙”计算筛选完成之后下一个关键环节是结构验证和湿实验验证。结构验证的目的是看看候选蛋白有没有可能具备切割活性。优先做以下三件事用AlphaFold2或ESMFold预测候选蛋白的三维结构注意看pLDDT分数核心位点分数低于70的基本可以先放一边把预测结构和已有Cas9/Cas12a等结构做比对用TM-score判断折叠相似性找出可能的催化口袋分析结构表面的电荷分布RNA和DNA都是带负电的核酸结合界面通常会是正电富集区域。结构上有戏的候选再走湿实验验证。标准的实验路径是体外切割实验、细胞编辑测试、脱靶分析。体外切割实验之前要用目标核酸做底物把候选蛋白纯化出来在不同温度、不同金属离子条件下看能不能发生切割。这一步通常和计算团队是配合关系——计算团队需要在实验结果反馈之后再回头调整候选筛选的阈值和打分策略。我看到过不少项目死在这一步计算阶段高高兴兴筛出几百个候选实验团队纯化后一个能切的都没有。反过来想这正是“类CRISPR系统”发表的难度所在不是模型预测出几个蛋白就能叫发现必须要在体外和体内都看到真实的切割活性。4. 常见问题与排查技巧实录4.1 AI预测结果“看起来很美”实际全是幻觉这是我在实际做类似挖掘项目时最深的感受。大模型预测蛋白功能很难避免幻觉有时候一个蛋白被语言模型编码后分类器给到99%的正概率结构预测也给出一个像模像样的核酸酶折角但纯化出来完全没有切割活性。原因主要有三类训练数据偏差、功能与结构解耦、候选上下文缺失。我印象里有个项目就是这种情况。模型给了一个高置信度候选结构预测也显示它有一个HNH样核酸酶结构域但体外实验做了三轮就是没有切割活性。后来重新分析才发现那个结构域严格来说属于解旋酶家族的一个变体催化中心的关键残基和真正核酸酶完全对不上。从这事之后我给自己定了一条规矩单一模型的置信度永远不能作为推进实验的依据至少要用序列比对、结构比对、上下文分析三种方式交叉验证。应对策略可以总结成三条不要迷信单个模型的置信度至少同时跑结构和序列两种方法取交叉验证把基因组上下文信息纳入判断系统周围有没有重复序列、有没有其他CRISPR相关基因这些特征在湿实验里比模型置信度更能说明问题实验验证从小规模开始先验证十几个高置信度候选再决定是否投放更多资源不要一上来就全量验证。4.2 大规模计算时API和算力链路的那些坑蛋白语言模型的特征编码和结构预测都需要大量GPU算力。如果完全依赖云端API尤其是批量提交几十万条序列的时候非常容易碰到连接中断、限流、超时这类问题。最近我频繁看到有人在社区里贴错误日志比如“unable to connect to anthropic services failed to connect to api.anthropic.c”这种情况一般不是模型本身的问题。排查顺序我一般固定这么来先到官方status页面确认服务本身是否正常再确认本地的API Key是否还有效、额度是否用尽然后检查本地到api域名之间的TLS握手和DNS解析是否正常最后检查本地出口防火墙是否拦截了该域名必要时联系管理员调整访问策略。需要提醒的是查问题的时候别总想着在访问链路上走捷径正规的排查路径就是上面几条。借用第三方的绕过工具反而会给项目带来数据安全风险。批量计算的需求我建议要么走本地GPU集群要么走专门的生物信息学云平台这些平台不管调度还是配额都比通用API更适合大规模序列分析。4.3 生物安全评估别等最后一刻才想起挖掘到一个类CRISPR系统不代表可以立刻拿来编辑任何基因。基因编辑工具是典型的“双刃剑”可编程核酸酶一旦被滥用后果非常严重。合格的团队在做这个方向时至少要落实三件事严格的生物安全风险评估涉及人源细胞或病原微生物的实验必须符合所在机构的生物安全等级要求合规的伦理审查特别是如果后续要做动物模型或者涉及人类基因序列相关工作脱靶效应数据库和估计流程所有新系统在应用前必须做系统的脱靶分析。我见过一些初创团队着急从前沿突破到商业化一上来就跳过安全评估最后不仅实验被叫停整个团队的节奏也被打乱。这个领域没有任何捷径安全评估和功能开发必须并行。我做类似计算挖掘项目的次数不算少最大的体会是AI能做的不是替你做实验而是把实验范围从“全基因组瞎试”缩到“几个精准备选”。Anthropic这次类CRISPR系统事件不管最后验证到什么程度至少说明了一件事——把蛋白质语言模型、基因组学和湿实验结合起来的这套流程已经成熟了。最后给大家提个建议不要只盯着新闻标题里的Anthropic和CRISPR真正值得你花时间去复现的是这条从宏基因组到候选蛋白的挖掘pipeline。先拿已经公开的Cas9数据跑通全流程再去追新系统你会少走很多弯路。