综述:利用人工智能研发噬菌体衍生酶,助力下一代食品安全保障
《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:Harnessing artificial intelligence to engineer phage-derived enzymes for next-generation food safety
【字体:
大
中
小
】
时间:2026年06月18日
来源:TRENDS IN FOOD SCIENCE & TECHNOLOGY 15.4
编辑推荐:
张峰|高佳旭|马世宇|武世|裴晓东|杨旭|张志平|宋莉莉|魏涛|陈茂桐
中国郑州450001,轻工业大学食品与生物工程学院,教育部冷链食品加工与安全控制重点实验室
**摘要**
**背景**
噬菌体衍生酶(PDEs)包括内溶素、解聚酶以及具有膜活性的孔蛋白/跨膜
张峰|高佳旭|马世宇|武世|裴晓东|杨旭|张志平|宋莉莉|魏涛|陈茂桐
中国郑州450001,轻工业大学食品与生物工程学院,教育部冷链食品加工与安全控制重点实验室
**摘要**
**背景**
噬菌体衍生酶(PDEs)包括内溶素、解聚酶以及具有膜活性的孔蛋白/跨膜蛋白,被视为保障食品安全的极具前景的生物防控剂。这类酶具有高度的目标特异性、良好的生物相容性以及较低的耐药性发展倾向,能够有效应对抗菌素耐药性加剧以及消费者对“清洁标签”产品需求的双重压力。然而,由于宿主范围狭窄、革兰氏阴性菌外膜屏障的存在以及在食品加工条件下的稳定性不足等固有限制,其工业化应用仍停滞在“死亡之谷”中。目前的“工程1.0”策略,如嵌合基因构建、表面电荷改造、结构域截短以及与Artilysin融合等,已达到组合极限,难以同时优化多种特性,传统试错法已无法满足需求。
**研究范围与方法**
本综述深入分析了上述瓶颈问题,主张从传统的试错式改造转向基于人工智能的系统工程框架。我们提出了一种由人工智能和合成生物学驱动的全面“计算赋能框架”,涵盖对宏基因组“暗物质”的智能挖掘、通过AlphaFold进行原子级结构预测、生成式从头设计以及多特性优化。此外,我们还提出了一个完全整合的设计-构建-测试-学习循环,以实现酶类的快速迭代开发。
**主要发现与结论**
人工智能驱动的计算工具为解决酶的功能与稳定性之间的固有矛盾提供了系统化的解决方案。这一理念有望将PDEs从静态的天然分离物转变为可编程的精准抗菌模块。建立设计-构建-测试-学习闭环,有望逐步实现针对特定食品安全场景的按需定制。本综述为下一代PDEs的发展提供了系统的技术路径,同时重新定义了传统的食品抗菌策略,展现了将人工智能融入食品生物技术,构建精准、智能且可持续的食品安全体系的愿景。
**引言**
全球食品行业正处于一个关键的转折点:一方面,消费者对“清洁标签”产品的需求日益增加;另一方面,抗菌素耐药性危机也日益严重。传统的保鲜策略主要依赖于热处理和化学添加剂,存在三重相互关联的局限性。首先,化学消毒剂的亚致死剂量可能诱发适应性耐药性,并选择出抗菌素耐药基因,从而导致多重耐药性食源性病原体的出现(Chaudhary等人,2025;张F等人,2026;张F等人,2023)。其次,热处理虽然能有效杀菌,但往往会损害热敏感食品的营养价值和感官品质。第三,化学消毒剂难以穿透生物膜的外层聚合物基质,导致食品接触表面的耐药微生物群落无法得到有效控制。这些问题的存在促使人们寻求更精准的替代抗菌策略。尽管噬菌体作为一种天然的生物防控手段重新受到重视,但其工业化应用却常常因宿主特异性狭窄、细菌耐药性产生以及活病毒载体应用的监管障碍等固有生物学限制而受阻(Kaneko、Nakatsuka和Tsuneda,2026;王X等人,2026;杨、朱、徐和孙,2024)。相比之下,噬菌体衍生酶(PDEs),尤其是降解肽聚糖的内溶素和降解多糖的解聚酶,展现出更优的性能。与病毒载体不同,PDEs具有明确的化学性质,能快速实现“从内部裂解”的作用机制,且由于作用于进化上保守的细胞壁成分,其耐药性发展倾向极低(Choi D等人,2025;Dos Santos、Youssef、Alvarez、Garcia和Silva,2026;Nazir、徐、刘和陈,2023)。通过精确水解细菌细胞壁中的肽聚糖、降解胞外多糖基质或破坏细胞膜完整性,PDEs能够高效消除病原体,同时基本保留有益微生物群和食品的品质——不过其在复杂食品基质中的效果仍需进一步验证(见第3.1节)。
然而,必须正视当前制约PDEs工业化应用的诸多挑战。首先,作为外源蛋白质,PDEs可能存在免疫原性风险,尤其是在即食产品中,反复接触可能会引发过敏反应(见第5.1.2节)。其次,其生产成本仍远高于普通化学消毒剂,且在热处理、极端pH值以及有机溶剂暴露等常见食品加工条件下的稳定性往往不足,难以直接纳入现有的生产流程。近期有一篇综合综述系统地分析了这些稳定性问题,并探讨了为解决这些问题而开发的分子策略以及人工智能/机器学习辅助方法(Khan,2025a;另见第5.1.3节)。第三,全球范围内对于工程化酶变异体的监管体系尚不完善,主要市场尚未建立明确的审批路径(见第5.1.4节)。与已经在一些食品应用中获得“一般认为安全”认证的全噬菌体制剂或高压处理等物理干预手段相比,PDEs具有更高的目标特异性和更强的工程可塑性(王X等人,2026)。但在监管成熟度方面,它们仍落后于全噬菌体;在成本效益方面,则低于化学消毒剂。只有客观认识其巨大潜力与尚未解决的瓶颈,才能制定出切实可行的转化路径。
因此,将PDEs从“培养皿”应用到“食品基质”中,面临着诸多工程难题:在复杂食品环境中的稳定性差、对革兰氏阴性菌的外膜渗透性有限,以及现有改造策略的试错性质(Choi D等人,2025;Kim Junhwan、Liao、Zhang、Ding和Ahn,2025;Sun、Rutherford、Silhavy和Huang,2022)。这些瓶颈的根本原因在于,我们对序列、结构、功能与环境之间复杂关系的理解仍停留在试错的实验阶段。为打破这一僵局,本综述认为,人工智能、计算生物学和合成生物学的深度融合是一条可行的道路——当然,这种融合仍处于初期阶段,且仍存在不少验证缺口(见第5.3节)。与以往主要侧重于总结治疗效果的综述不同,我们系统分析了PDEs在控制食源性病原体方面的当前应用及其固有局限性。为克服这些操作上的瓶颈,我们深入探讨了从基于深度学习的结构预测(如AlphaFold)到生成式从头蛋白质设计等数据驱动策略如何重塑PDEs的工程开发模式。这一转变反映了整个工业酶工程领域的范式变革:以人工智能为驱动的工作流,结合机器学习、生成模型和高通量实验验证,正在逐渐取代传统的试错方法(Khan和Khan,2026)。通过建立设计-构建-测试-学习闭环,我们可以探索如何合理设计下一代PDEs,以克服现有局限,从而实现从试错式发现向理性设计的转变。最终,本文为加速将PDEs从静态的天然分离物转变为食品行业中可编程的精准抗菌模块提供了全面的理论和技术框架。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号