Chem Catalysis｜SubTuner：以物理建模赋能AI，突破酶工程的非天然底物挑战

文章预览

在酶工程领域，有两个研究方向虽常被相提并论，却在本质上大不相同：酶的从头设计（ de novo design ）与功能增强突变挖掘（ function-enhancing mutation identification ）。前者追求在空白序列空间中设计具备催化功能的全新酶，是对自然从未涉足之“蛋白宇宙”的探索；而后者则着眼于在现有天然酶的基础上，通过精确突变实现功能提升，是对进化路径的干预与调控。 值得注意的是， 功能增强突变挖掘并不一定比酶的从头设计容易 。其最大挑战来自突变组合空间的指数增长：哪怕只在一条中等大小的酶链上引入五个位点突变（约占总氨基酸数的 1 – 2% ），可行的氨基酸组合数量就已超过百万。 随着近年来人工智能（ AI ）技术在蛋白质工程领域的广泛应用，通过深度学习与大规模数据训练，人工智能技术在突变体的初步筛选中展现出显著的效率提升。 ………………………………