一句话概括
Sainsbury实验室（TSL）的Kamoun团队开发了一个叫Structural Novelty Index（SNI，结构新颖性指数）的量化框架，专门用来从AlphaFold 3的预测结构中筛选出偏离已知架构的蛋白质复合物。他们把它用在了植物免疫受体NRC家族上，扫了637个蛋白，结果发现NRC7这个成员根本不按套路出牌——别人都是6聚体，它偏偏组装成了一个11聚体（undecamer）。负染电镜实验证实了这个发现。
背景：NLR免疫受体的"乐高积木"世界
NLR（nucleotide-binding leucine-rich repeat）蛋白是植物和动物共有的一类胞内免疫受体。你可以把它们理解为细胞里的"警报器"——平时安静待着，一旦检测到病原体入侵的信号，就会像乐高积木一样自组装成超分子复合物，在动物里叫炎症小体（inflammasome），在植物里叫抵抗体（resistosome）。
这些抵抗体并不是随便拼的。不同的NLR家族有不同的"说明书"：有的拼成4聚体，有的拼成5聚体、6聚体、甚至8聚体。其中NRC（NLR required for cell death）家族是茄科植物（番茄、烟草、辣椒、马铃薯等）里的明星免疫受体，之前通过冷冻电镜已经解出了三个成员的结构——清一色都是6聚体。
所以学界的默认假设是：NRC家族 = 6聚体。合理推测，对吧？
问题来了：怎么知道谁"不一样"？
NRC家族在茄科植物里极其庞大。这篇文章从346个基因组、85个物种中挖出了197,834个NLR蛋白，其中属于NRC进化支的有2,658条序列，去冗余后保留了637条。
挨个做冷冻电镜？不现实。用AlphaFold 3全部预测成6聚体结构？可以，但问题是——预测出来之后怎么判断谁是"正常"的，谁是"异常"的？人工一个一个看结构？637个蛋白，每个3个重复，将近2000个模型，靠眼睛看不仅慢，还主观。
这就是SNI要解决的问题。
SNI：给"像不像"打个分
SNI的核心思路很直接：先定义"正常"长什么样，然后量化每个预测结构偏离"正常"的程度。
具体操作上，他们为NRC的6聚体抵抗体设计了11个结构参数，覆盖四个维度：
模型置信度与界面质量 — ipTM分数、protomer间接触数、界面埋藏面积
环状对称性 — 顶端距离、旋转角标准差、protomer对称性
关键基序距离 — MHD-P-loop基序之间的距离
N端α1螺旋特征 — 长度、角度、两亲性矩、疏水性
这些参数有一半来自人类结构生物学专家的经验，另一半来自Google的AI Co-Scientist系统——后者独立提出了7个参数，其中3个是专家没想到的。最终两套参数合并使用效果最好。
验证阶段，他们用已知的9个NRC helper（能形成6聚体）和9个NRC-S sensor（不能形成6聚体）做基准测试。结果SNI的层次聚类完美地把两类蛋白分开，没有一个错分。这意味着这套参数确实能识别"谁像正常6聚体，谁不像"。
637个NRC，谁在"翻车"？
验证完毕，正式开扫。637个NRC蛋白全部用AF3建模为6聚体（每个3次重复，加25个油酸模拟细胞膜），计算SNI，按进化支取均值后做聚类。
结果很清晰：含有已知6聚体结构的NRC2、NRC3、NRC4形成了一个核心簇，涵盖18个进化支中的13个。但有5个进化支偏离了核心簇，其中NRC4u和NRC7最为突出——它们的ipTM分数最低，protomer间接触数几乎为零。
有趣的是，NRC4u和NRC7虽然都"分数低"，但原因不同。NRC4u的AF3预测根本没有形成环状结构——这更像是真正的"预测失败"。而NRC7虽然分数低，却仍然呈现出环状组装体的形态。
AF3给NRC7打了低分，不是因为NRC7"不能组装"，而是因为NRC7的组装方式不符合6聚体的模板。低置信度不等于预测失败，它可能恰恰是在告诉你：这个蛋白的真实结构和你给它的模板不匹配。
实验验证：11个亚基的环
NRC7是SNI标记出的最大的"非典型"进化支，所以他们决定用实验验证。
首先，他们在马铃薯NRC7（StNRC7）的MHD基序引入D498V突变使其自激活，确认能触发免疫细胞死亡。然后在MADA基序加上三个突变（L20E/L24E/L28E）消除细胞死亡但保留组装能力，方便纯化。最后通过IP-EM工作流做负染电镜。
电镜照片一出来，答案就明了了——直径~250 Å的大环，比正常6聚体的~150 Å大了将近一倍。2D分类平均像清清楚楚地数出了11个外周密度，对应11个LRR结构域。
NRC7组装成了一个11聚体（undecamer）抵抗体。这在植物NLR领域前所未见。
不是个例：三个物种，都是11聚体
为了排除物种特异性，他们又测了番茄（SlNRC7）和本氏烟草（NbNRC7）的同源蛋白。结果完全一致——三个物种的NRC7全部形成11聚体。
这说明11聚体架构是NRC7进化支的保守结构特征，不是某个物种的偶然变异。考虑到NRC7分支的进化时间跨度，这个非典型组装态已经存在了相当长的时间。
更大的故事：AI×结构发现的新范式
这篇文章最值得关注的不只是"发现了一个11聚体"这个具体结论，而是它背后的方法论创新：
1. 低置信度 ≠ 垃圾模型。传统做法是丢掉AF预测不好的结果，这篇文章把"预测失败"本身当作生物学信号。这反转了结构预测领域普遍存在的生存偏差（survivorship bias）。
2. 从预测到发现。AF不只是用来"验证已知"的，也可以用来"发现未知"。SNI框架提供了一个系统化的方法来实现这一点。
3. 人类专家+AI Co-Scientist协作。两边各有贡献，合并效果最好。Co-Scientist单独使用也能标记出NRC7，但人类经验提供的参数在基准测试中同样不可或缺。这不是AI替代人，而是真正的互补。
开放问题
NRC7的11聚体抵抗体到底做什么用？已知的NRC 6聚体是钙离子通道，那更大的11聚体——孔径更大——是否能通过其他离子或小分子？还是说更大的环意味着完全不同的信号机制？这些问题文章没有回答，留给了后续工作。
另一个值得追踪的方向是：SNI框架是否能推广到NRC以外的蛋白质家族？从方法设计上看，答案很可能是肯定的——只要你能定义"canonical"长什么样，就能量化偏离程度。这对于系统性发现新型蛋白质组装体来说，可能是一个通用工具。
论文信息
Toghani*, Seager* et al. "AI-guided discovery of atypical protein assemblies." bioRxiv (2026).
DOI: 10.64898/2026.05.03.722499
通讯作者：Daniel Lüdke & Sophien Kamoun, The Sainsbury Laboratory (TSL)
图片来源：原论文（CC-BY 4.0）