北京大学伊成器课题组与合作者在Nature发表ContactSeek框架，借助AlphaFold3接触概率赋能精准碱基编辑

碱基编辑器已成为基础研究与疾病治疗的重要工具，但脱靶效应长期构成核心障碍：可编程核酸酶和脱氨酶会识别与靶点相近的序列，造成局部突变或基因组重排，治疗应用必须测量并限制全基因组范围的脱靶活性 ^[1]；胞嘧啶编辑器携带的大鼠 APOBEC1 还会在人类细胞中引发转录组范围的 RNA 脱靶编辑 ^[2]。此前的主流对策是蛋白质工程：向 BE3 引入突变获得高保真版 HF-BE3 ^[3]，改造 APOBEC1 使 RNA 脱靶减少 390 倍乃至 3800 倍以上 ^[2]，重编程 TadA-8e 得到脱靶近乎背景水平的 Td-CBE/Td-CGBE ^[5]，以及基于结构的理性突变 ^[6]。这些工作多针对单一酶逐一设计与筛选，机器学习虽已用于预测编辑产物的纯度与效率 ^[4]，但如何在蛋白序列中系统定位决定特异性的残基、并在降低脱靶的同时保持高编辑活性，一直缺乏通用方案，AI 模型能否提升基因编辑器的特异性也不明确。

据 2026 年 8 月 4 日消息，北京大学伊成器课题组与合作者（据报道合作方包括华东师范大学^[7]）在 Nature 发表研究，建立了 AI 驱动的 ContactSeek 框架：整合 AlphaFold3 预测的接触概率（contact probability, CP）与高通量测序获得的脱靶编辑信息，系统识别 Cas 蛋白和脱氨酶中决定编辑特异性的关键氨基酸残基，并据此对碱基编辑工具进行工程化改造，显著提升了编辑特异性，为基因编辑工具的精准性设计提供了新范式。据报道，在 AlphaFold3 的各类输出中，接触概率比预测的三维结构更能灵敏地检出相关差异^[8]。

相较于以往逐点试错或结构导向的个案改造 ^[3][5][6]，这项工作把 AI 结构预测给出的残基级信息与实验脱靶数据直接耦合，形成一套可系统扫描关键残基并指导工程化改造的流程；与既往用机器学习预测编辑结局 ^[4] 的思路也不同，AI 在此直接服务于酶本身的改造，目标是提升特异性而非预测产物，等于把特异性优化从经验摸索推向了可复用的计算框架。

需要留意的是，消息本身未披露脱靶下降幅度、编辑活性保留程度等定量细节，改造后的编辑器在体内与治疗情境下的表现仍待检验，该框架能否推广到更多编辑系统也有待观察。此外，消息称论文发表于 Nature，而检索显示 Nature Methods 第 23 卷第 1679 页（2026 年）刊有题为 Precise DNA base editing using ContactSeek 的文章^[9]，两处信息存在出入，确切发表期刊应以正式文献为准。