MutexaGPT: Multi-Agent LLM System Translates Protein Engineering Intuition into Physics-Based Mutation Proposals
Researchers published a paper in Nature Computational Science describing MutexaGPT, a multi-agent system that translates natural-language protein engineering intuition into physics-based mutation proposals. The system uses interconnected LLM agents to understand user queries, plan computational workflows, run molecular dynamics simulations, and explain results, aiming to automate enzyme engineering. In a retrospective test, it addressed the classic problem of enlarging an enzyme's active-site pocket to accommodate larger substrates.
Coverage timeline
机器之心ScienceAI
编辑丨% 设计一种新的酶，很多时候并不是先有一个明确的计算公式。 经验丰富的蛋白质工程师可能只是观察一个酶的结构，随后他们的直觉开始运作：活性位点是不是太小了？把某几个氨基酸换掉，让口袋变大一些，会不会更适合体积更大的底物？又或者，让两个结构域之间稍微「松」一点，是不是能提高酶在低温下的活性？ 想要验证这些想法的价值，往往需要一整套复杂的计算流程。9 月 10 日，发表于《Nature Computational Science》的「 MutexaGPT: an intuition-to-design translator for physics-based enzyme engineering 」，尝试让 AI 来完成中间这段翻译工作。 研究人员开发了一个名为 MutexaGPT 的多智能体系统：用户只需要用自然语言描述自己的蛋白质工程直觉，系统就能把它转换成物理模型和分子动力学模拟任务，自动运行计算、分析结果，最后给出可以进一步进行实验测试的突变方案。 论文链接： https://www.nature.com/articles/s43588-026-01049-y 自动化酶工程 酶是生命体系中的催化机器。 它们通过精确控制活性位点附近的空间结构、分子运动和化学环境，让特定反应更容易发生。因此，想改变一种酶的功能，本质上就是想办法找到一组新的氨基酸序列，使蛋白质仍能正确折叠，同时拥有希望得到的催化性质。 过去对于酶的调控往往需要研究人员自己调用不同的软件，再手动组织模拟与分析流程。而 MutexaGPT 所做的，就是自动化这个过程。 MutexaGPT 背后是一组彼此连接的 LLM 智能体。 用户首先通过聊天界面提出设计问题。QuestionAnalyzer 负责理解这个问题，并判断还缺少哪些必要信息；随后，WorkPlanningBoard 把科学问题转换成可以实际执行的计算工作流，包括选择相应的物理模型和模拟方案；计算完成后，ResultExplainer 再把结果重新转换成人能够理解的语言，并给出下一步可以测试的突变建议。 图 1：MutexaGPT 的设计。 回顾性测试 研究团队首先进行了一个回顾性测试。 他们让MutexaGPT处理一个经典问题：如何扩大酶的活性位点口袋，让它更容易容纳体积更大的底物？ 系统根据已有的突变和活性数据建立设计约束，然后通过分
