《Biotechnology Advances》:From traditional to AI-driven: The evolution of intelligent enzyme engineering for biocatalysis
编辑推荐:
酶工程通过多维度技术系统提升酶功能与应用,传统策略包括定向进化、理性/半理性设计、残基共进化与新蛋白设计,而机器学习(尤其是深度学习)通过精准预测突变效应和高效探索序列空间,显著增强上述方法的效率并助力突破局部适应最优陷阱。当前挑战涉及力场精度、突变采样及实验通量限制,未来需通过多模态基础模型整合跨尺度参数及标准化酶学数据库提升预测可靠性,AI驱动酶工程将推动生物催化向可预测、高效化方向转型。
吕菲菲|张嘉兴|尤胜平|魏琦
天津大学化学工程与技术学院化学工程研究中心,中国天津市300350
摘要
酶工程涉及通过多维技术系统来增强酶的功能和应用。其发展包括阐明序列-结构-功能关系、探索适应度景观以及多尺度调控。传统的酶工程策略包括定向进化(DE)、理性/半理性设计、残基共进化和新设计。定向进化模仿自然选择,但受到高通量筛选效率的限制。理性/半理性设计将计算模拟与实验验证相结合以调节酶的性能。残基共进化结合了序列共进化分析和动力学模拟,而新设计则致力于通过物理建模实现精确的蛋白质折叠。近年来,机器学习(ML),特别是深度学习(DL)的突破性进展显著提高了上述所有方法的效率;通过准确预测突变效应并高效探索不连续的序列空间,它为改进或补充这些策略提供了强大的工具,从而帮助避免局部适应度最优陷阱。本综述总结了酶工程中的常见策略,包括定向进化、理性/半理性设计、残基共进化和新设计,并进一步介绍了ML和DL模型在这些领域的最新应用。尽管仍存在一些挑战,如力场精度限制、突变采样限制、实验通量限制和上位效应,但预计未来更全面的多模态基础模型将整合跨尺度参数以实现智能设计,同时标准化酶学数据库的建立将提高预测的可靠性。总体而言,基于AI的酶工程将推动酶设计的可预测性和高效性发生深刻变革,为生物催化提供更精确和强大的解决方案。
引言
酶是一类高效、特异性强且环境友好的生物催化剂,在工业应用中具有显著优势,因为它们在反应条件温和且环保可持续性方面表现优异。2022年全球工业酶市场的价值约为76亿美元,预计到2028年将达到105亿美元,复合年增长率为6.8%,从而支持其下游产业,如生物燃料、制药和食品加工(“到2028年全球工业酶市场将超过105亿美元”,Focus. Catal.,2022)。与传统化学催化剂相比,工业酶在提高生产效率和环境兼容性方面表现出更好的性能。它们多样的天然结构赋予了广泛的催化能力(Ouzounis等人,2003),使得它们能够深入整合到各个行业的产品加工和质量优化中——例如在食品制造、洗涤剂和生物燃料中的淀粉酶(Farooq等人,2021);在纸浆加工和纤维素工业中的木聚糖酶(de Souza等人,2022);在制药和营养保健品中的脂肪酶(Reyes-Reyes等人,2022);以及用于塑料降解、纺织品和包装材料的角质酶(Tournier等人,2020)。
工业生物催化面临的主要挑战是天然酶与环境适应性的差异。自然进化而来的酶通常在恶劣条件下(如高温、极端pH值或有机溶剂)缺乏稳定性(Tang等人,2025),并且对非天然底物的催化选择性有限(Welborn和Head-Gordon,2019)。因此,酶工程已成为提高酶稳定性和催化性能的主流方法(Liu等人,2019)。核心策略包括定向进化(DE)、理性/半理性设计、新设计和机器学习(ML)——所有这些方法都旨在发现能够增强或扩展酶功能的功能序列(Huang等人,2016a)。
该研究领域在过去五十年中经历了巨大的技术进步。作为一种不依赖知识的方法,定向进化利用易出错PCR(epPCR)和DNA重排等技术构建随机突变库,并通过迭代高通量筛选进行功能优化(Arnold,2018;Packer和Liu,2015)。虽然它的优势在于不依赖于蛋白质结构数据,但在库规模和筛选成本方面仍存在局限性。为了克服这些瓶颈,发展出了理性/半理性设计。该方法利用序列保守性、结构分析和机制洞察,借助计算工具(如分子对接、分子动力学模拟)来确定活性位点,构建小型但目标明确的突变库(Korendovych,2018)。新设计则通过计算生成具有预定义结构和功能的新蛋白质分子,超越了天然蛋白质框架。结构生物学、计算生物学和人工智能(AI)的最新进展带来了基于机器学习的工程策略。机器学习方法从DNA序列和蛋白质结构中提取复杂模式,从而加速定向进化、理性/半理性设计和新设计(Yang等人,2024)。这种综合技术框架如图1所示。
酶工程的进步从根本上反映了“序列-结构-功能”关系的逐步解码:从随机探索(定向进化)到结构引导的优化(理性/半理性设计),最终发展到由AI驱动的酶工程。这种AI驱动的方法利用ML来解析复杂的序列-结构-功能关系,实现突变位点的精确识别,并促进更高精度的蛋白质新设计。这种进化缩小了序列空间搜索范围,提高了设计成功率。
本综述详细阐述了酶工程中的方法学进步和技术创新。以“序列-结构-功能”框架为中心,我们分析了适应度景观在增强酶功能中的作用。我们全面评估了传统策略——定向进化、理性/半理性设计、残基共进化方法和新设计。最后,我们强调了ML/DL在这些方法中带来的变革性突破。我们预计,算法改进、数据积累和跨学科整合将推动生物催化领域的前所未有的进步。
小节片段
序列-结构-功能关系
聚合酶链反应(PCR)和位点特异性突变(SSM)(Hutchison等人,1978)等技术为基因序列的精确操作提供了关键的分子工具。这些方法的有效性源于分子生物学的中心法则,该法则描述了遗传信息从DNA通过RNA传递到蛋白质序列的过程(图2A)。
这一原理与序列-结构-功能关系(图2B)相结合——这一概念起源于
序列空间和适应度景观
蛋白质序列空间包含了所有可能的氨基酸排列组合(Lobkovsky等人,2011),其维度由蛋白质长度(N)和每个位点的残基选项(M = 20)决定。一个典型的200-300个残基的蛋白质的序列空间超过20200,这使得组合探索变得不可能。
适应度景观是进化生物学的基础,它映射了蛋白质的生物物理性质。每个超平面位置对应一个序列,其高度表示
定向进化
Frances Arnold因其在酶定向进化(DE)方面的开创性贡献而获得2018年诺贝尔化学奖。她的团队利用随机突变和位点饱和突变策略改造了P450氧化酶,实现了包括碳-硅键形成(Kan等人,2016)、碳-硼键形成(Kan等人,2017)、反马尔可夫尼科夫烯烃氧化(Hammer等人,2017)、碳烯C-H插入(Zhang等人,2019)、对映选择性C(sp3)-H胺化(Yang等人)等非自然反应(理性/半理性设计
传统的随机突变技术通过无方向突变构建大规模突变库,但由于库规模庞大,筛选效率受到限制。从另一个角度来看,提出了理性/半理性设计策略,该方法结合结构生物学洞察和合理密码子选择来构建“小型但高度聚焦”的库。该方法利用序列保守性、晶体学数据和催化机制研究共进化效应简介
在蛋白质工程中,残基共进化效应包括全局补偿性突变和有害突变(Tokuriki和Tawfik,2009b)、进化耦合(Lockless和Ranganathan,1999)以及上位效应(Starr和Thornton,2016),这些共同塑造了序列空间的复杂拓扑结构,并深刻影响了进化轨迹的可预测性。
全局有害突变主要通过破坏ΔG导致功能丧失。研究表明约36%的氨基酸
新设计
传统的酶工程依赖于定向进化或天然蛋白质的理性设计,但自然进化效率低下,难以在极端条件下生成催化活性或新的底物转化(Povolotskaya和Kondrashov,2010)。因此,新蛋白质设计应运而生——利用物理化学原理和工程策略“从零开始”构建全新的酶分子,以超越进化的限制。机器学习
近年来,由于计算资源的快速发展和大规模数据集的出现,机器学习(ML)已成为一项关键技术。通过分析内在数据模式来调整模型参数以预测未知样本,当高维复杂特征或大量数据阻碍手动解释时,ML提供了高效的自动化解决方案(Greener等人,2022)。在酶工程中,ML在突变效应预测方面显示出独特优势:生成模型可以从DNA序列和蛋白质结构中提取复杂模式结论与展望
经过五十年的发展,酶工程已经从定向进化发展到理性/半理性设计和新设计,形成了一个多层次的技术框架,包括高通量筛选、计算机辅助设计和结构生物学分析。所有这些方法都与序列-结构-功能关系和适应度景观相关。传统的工程策略,特别是定向进化和理性/半理性方法,已经取得了重大成功
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了国家自然科学基金(编号32501130、22278314)和国家重点研发计划(2022YFC2106300)的支持。