PUREdrop：自动化合成细胞微流控平台，破解计算设计蛋白“涌现功能”的高通量时空筛选难题

TL;DR

• 核心痛点：传统微孔板 Bulk 读数会掩盖微米尺度的空间自组织表型，而超高通量液滴分选（FADS）又缺乏时间分辨率且会丢失基因型-表型映射。
• 创新方案：开发自动化微流控平台 PUREdrop，将微孔板自动进样、DNA与无细胞转录翻译系统（TXTL）动态共封装为皮升级液滴、分级收集与自动化延时共聚焦显微成像深度集成。
• 关键战绩：PURE TXTL 试剂消耗降低 7.4 倍（单反应仅需 0.87 µL PURE 组分生成 ~30 万个液滴），成功实现基于 ProteinMPNN 计算设计的 FtsZ 细胞骨架变体及多组分调节因子的时空动力学表型自动化高通量筛选。
• 学术定位：架起了计算蛋白质设计（In Silico Design）与自下而上合成细胞构建（Synthetic Cells）之间的实验表征桥梁，是首个针对“亚细胞级时空涌现功能”的标准化自动化筛选平台。

痛点与动机：为什么传统 Screening 无法捕获“涌现功能”？

在自下而上（Bottom-up）的合成生物学中，终极目标之一是利用最简化的生化组件从头构建具备自主分裂、代谢和运动的“人造合成细胞”。然而，从天然蛋白质系统中移植的元件在高度简化的无细胞体外环境中往往难以稳定复现生理功能，亟需依赖计算蛋白质设计（Computational Protein Design）进行定制化重构。

当前深度学习辅助的从头设计（如 ProteinMPNN、AlphaFold 等）已能快速生成成百上千种候选序列，但实验测试（Test）环节却遭遇了严重的表型脱节：

1. Bulk 批量筛选的尺度盲区：标准 96/384 孔板批量检测主要针对小分子结合力（Minibinders）或均相催化速率（Enzyme Activity），其测量值是全反应体积的平均值。然而，细胞骨架自组装（如 FtsZ 的 Z-ring 环化）、极性自组织等“涌现功能”（Emergent Functions），其物理本质是微米尺度的受限空间自组织与非平衡态动力学，在宏观 Bulk 溶液中会被均质化，退化为一个毫无区分度的单一读数。
2. 超高通量液滴分选（FADS）的时空维度缺失：基于荧光激活液滴分选的方法虽然吞吐量大（$10^4-10^6$），但通常是基于某个单时间点的荧光强度阈值进行分选，无法追踪从表达启动到动态解聚的连续动态过程（Kinetic Traces），且分选后仍需繁琐的深度测序才能反推序列。

为了打破这一瓶颈，迫切需要一种在保留**孔位-序列明确映射（Sequence-to-Well Identity）的同时，提供单细胞级空间受限（Cell-like Confinement）与高时间分辨率（Time-lapse Imaging）**的全新中通量实验平台。

方法论详解：PUREdrop 平台架构与全自动化流体工作流

为实现单反应体系内数千个合成细胞反应器的高效生成与观测，研究团队开发了 PUREdrop 平台。

1. 流体解耦与芯片设计

如图 1 所示，核心微流控芯片采用多层 PDMS 软光刻技术制造，集成了五通流体聚焦水包油液滴生成结（Pinched-flow Droplet Generation）：

• 内水相 1（IA1 - DNA 模板）：由自动化进样针（Sealing Sipper）从标准 96 孔 DNA 输入板中在正压驱动下抽取。
• 内水相 2（IA2 - TXTL 试剂）：将高成本的 PUREfrex 2.0 转录翻译核心组分（占总体积 ~65%）作为恒定输入源保持在 4°C。
• 流体解耦优势：由于将高价值的 TXTL 反应液与各孔特异的 DNA 进样管路物理隔离，在层流状态下两相直至液滴生成瞬间才完成混合，极大避免了前序孔位 DNA 对整套表达体系的交叉污染，并实现了“按需生成液滴”（Droplets-on-demand）。
• 油相配方优化：为了使液滴可以直接在标准玻璃底 96 孔板底部平铺成像，摒弃了易导致液滴上浮的氟化油，采用了基于矿物油（密度 0.88 g/cm³）复配 Span-80（4.5% v/v）与 Tween-80（1.5% v/v）的配方，保证了液滴在 30°C 下 15 小时孵育不破裂、不融合。

2. 三步式自动化运转循环（Operational Loop）

单孔操作耗时 375 秒，全流程由 Python 驱动的精密压力泵、M-Switch 换向阀与 Flow Sensor 闭环控制（图 2）：

1. Cleaning（清洗，140s）：使用 50% 乙醇与超纯水在 1500 mbar 下对进样针和微流控管路进行反向与正向高压冲洗，彻底消除残留 DNA。
2. Priming（充盈，35s）：进样针刺入下一个目标 DNA 孔，导入新 DNA 溶液并排空死体积（~42 µL）至废液桶。
3. Droplet Production（液滴生成，100s）：以 3 kHz 的生成速率产生约 300,000 个直径 ~20 µm（单液滴体积约 4 pL）的单分散水包油液滴。馏分收集器自动移位至 96 孔目标输出板的指定孔中完成分配。

收集完成的微孔板全程维持在 4°C，转录翻译被瞬时冷冻；随后一次性转移至 30°C 恒温激光共聚焦显微镜（Zeiss LSM980）载物台上，在全板所有孔位同步触发基因表达，开始长达 15 小时的自动化多视野延时成像。

实验与验证：从基准性能测试到计算设计蛋白筛选

1. 系统基准测试与表达动力学验证

为评估板内孔间是否存在交叉污染并验证动力学提取能力，研究人员在 48 孔中交替注入编码 sfGFP 与 mCherry 的 DNA 模板（图 3）。

• 无交叉污染：终点荧光热图显示 sfGFP 与 mCherry 信号严格按孔隔离，液滴粒径呈现高度均匀的单峰分布（$20.5\pm 2\mu extm$）。
• 动力学参数提取：通过五参数 Logistic 方程拟合单液滴荧光强度轨迹，准确提取出半数最大表达时间（$T_{0.5}$）和最大表达速率（Slope at $T_{0.5}$）。sfGFP 的 $T_{0.5}$ 为 $1.67\pm 0.34exth$，mCherry 为 $4.3\pm 0.48exth$，高度复现了两种荧光蛋白折叠与发色团成熟动力学的内在差异。

2. 计算重设计 FtsZ 变体的高通量表型筛选

细菌细胞分裂蛋白 FtsZ 是一种依赖 GTP 聚合的微管蛋白同源物，能在微米尺度自发组装形成原丝并横向交联成束（Bundles）。研究团队探索利用 ProteinMPNN 在保持催化核心的前提下重新设计 FtsZ 序列。

(1) 计算突变策略与文库构建

• 空间与进化约束：通过多序列比对（MSA）信息熵过滤保守残基，并基于 FtsZ 原丝冷冻电镜结构（PDB: 8IBN）锁定 GTP 结合口袋（7 Å 范围内）与原丝聚合界面残基，仅对非功能核心区进行突变（图 5a）。
• 序列采样与结构预测：利用 ProteinMPNN 采样出 96 个变体，经 ColabFold/AlphaFold2 预测单体结构后，依据平均 pLDDT 分数挑选出 24 个候选变体（mpnnFtsZv01-24），平均包含 47~79 个氨基酸突变（序列同源性 73%~86%）。
• 模块化文库组装：结合 Golden Gate 组装（GGA）与 Echo 声波移液系统，将序列分为 3 段，构建包含荧光报告基团 Venus 插入的线性表达盒（图 4）。

(2) 三阶段定量图像筛选与盲测命中

针对 48 个孔位（包含 24 个设计变体、野生型 WT 以及 23 个盲样对照 blindFtsZ），基于 ArivisPro 图像分割管线执行逐级过滤：

1. 阶段 1（液滴响应比例）：筛选在时间序列内成束液滴比例 $>70\%$ 的变体（48 $o$ 14）；
2. 阶段 2（结构尺度阈值）：筛选最大平均束面积 $>8\mu ext{m}^2$ 的变体（14 $o$ 8）；
3. 阶段 3（人工去伪存真）：剔除 2 个假阳性，最终锁定 6 个阳性孔（解盲后确认对应 WT、mpnnFtsZv14、mpnnFtsZv18 的所有平行盲样重复及 mpnnFtsZv08）。

(3) 动力学与空间形态表型分型

通过骨架化分析（Skeleton Length）与荧光强度变异系数（CV，表征聚集紧密度），揭示了不同设计序列完全迥异的自组织物理图景：

• mpnnFtsZv18（高聚集强成束型）：成束启动时间比野生型更早（$T_{extstart}\approx 3.2exth$ vs WT 的 $4.3exth$），且具有显著最高的 CV 值（$0.55\pm 0.10$），形成短而高度致密的粗束。
• mpnnFtsZv14（延迟解聚型）：成束启动明显滞后（$T_{extstart}\approx 5.8exth$），骨架长度短且 CV 值最低（$0.34\pm 0.07$），表型偏向原丝快速周转与解聚。
• WT FtsZ（网络状适度成束型）：形成长而延伸的网状束结构（骨架长度 $26.2\sim 32.8\mu extm$），CV 处于中等水平（$0.40\pm 0.06$）。

3. 多组分合成细胞：FtsZ 调控因子的涌现功能表型图谱

为探索多蛋白协同系统，作者利用 PUREdrop 进行了 FtsZ 与 10 余种天然调控因子的共表达筛选（图 6）。

• 寿命动力学调制（FWHM of Bundle Lifetime）：FtsZ 单独表达时成束半高宽寿命为 6.80 h。加入拮抗因子 MinC 或 cytoFtsN 会使组装寿命缩短至 ~4.0 h；噬菌体来源的 Kil 肽则显著延缓解聚，使寿命延长至 9.03 h。
• 界面自组织突破（ZipA 表型）：膜锚定蛋白 ZipA 在共表达中脱颖而出。尽管水包油微滴仅由表面活性剂稳定（无真实磷脂双分子层），ZipA 表现出优异的界面选择性分配行为，将 FtsZ 强力锚定在相邻液滴的物理接触界面上，自发构象出清晰的环状 Z-ring 表型（CV 高达 $0.50\pm 0.10$），直观复现了细菌分裂环的体外锚定组装过程。

深度洞察与总结

关键贡献 (Key Takeaways)

1. 实验通量与时空维度的双重突破：PUREdrop 首次在 96 孔板尺度上实现了“单孔对应单基因型、孔内数千个单细胞微室重复、连续 15 小时微米级动态追踪”的表征能力。
2. 极高的试剂经济性：通过微流控在线按需生成液滴，相较传统手工乳化法节省了 7.4 倍 的昂贵无细胞表达试剂，大幅降低了合成生物学实验门槛。
3. 闭环验证计算设计：证实了 ProteinMPNN 与 AlphaFold 能够成功改造非保守表面残基以调控蛋白质高级聚集动力学（从极快成束到偏向解聚），为自底向上构建可控的合成细胞分裂机器奠定了元件库基础。

局限性与未来挑战 (Limitations & Future Work)

• 隔室物理化学环境：当前体系基于矿物油与 Span/Tween 表面活性剂构成的单重乳液，与真实细胞膜（脂双层 GUVs）仍有差异。未来需推进至双重乳液模板化的巨型单层囊泡（GUVs）自动化流水线。
• 与主动学习（Active Learning）结合：目前已筛选 48 孔规模，若将输出的形态学 CV、半高宽（FWHM）等定量物理参数实时反馈给 METIS 或 EVOLVEpro 等贝叶斯优化/主动学习算法，可实现完全自主进化的“干湿闭环自驱动实验室”（Self-driving Lab）。
• 抗微生物药物靶点筛选：FtsZ 高阶成束和解聚动力学是极佳的抗菌药物靶点，该平台可直接迁移至从头设计多肽抑制剂或小分子药物的时空表型高通量筛选。