AI虚拟筛选能将工业酶研发周期从数年压缩至数月吗？
发布于 2026年7月15日
AI虚拟筛选正成为工业酶研发的核心驱动力。传统酶工程遵循DBTL循环，但受限于序列空间庞大、筛选通量不足、多目标难以协同优化等瓶颈，研发周期往往长达2至5年。AI虚拟筛选依托深度学习模型搭建蛋白质序列、结构与功能的关联模型，可在计算空间内快速锁定高潜力候选变体，推动酶研发从“大海捞针”式随机筛选转向“精准制导”式智能设计。
一、AI虚拟筛选：概念定义与酶工程价值定位
AI虚拟筛选（AI-driven virtual screening）是依托人工智能算法，在计算空间从海量蛋白质序列、结构变异体中快速识别具备目标功能潜力候选分子的技术范式。落地酶工程领域，其核心任务是对酶水解活力、热稳定性、pH耐受性等多维性能，构建端到端序列－功能预测模型，有效缩减传统实验筛选的候选文库规模。
酶是生物催化核心元件，性能评价拥有标准化体系。依据IUBMB酶分类命名规则，酶活力国际单位IU定义为：标准温度、pH、底物浓度条件下，每分钟催化1微摩尔底物转化所需酶量。比活力单位为U/mg蛋白，是评判酶制剂纯度与催化效率的核心指标；催化效率常用kcat/KM表征，综合反映酶的催化周转能力与底物识别能力。脂肪酶、蛋白酶、淀粉酶、PET降解酶等水解酶，均需结合底物特性搭建专属活力检测体系。
AI虚拟筛选的核心价值，是将依赖湿实验试错的功能评价前置至计算预筛选阶段。深度学习模型挖掘蛋白序列、结构与功能的内在关联，可在数十万至百万级虚拟突变文库中，优先筛选水解活力提升潜力最优的少量变体用于后续实验验证，推动研发范式的重要转变。
二、传统酶研发的DBTL循环痛点：筛选通量之困
DBTL Cycle with Efficiency Bottleneck
传统酶工程采用DBTL（Design-Build-Test-Learn）循环：设计突变方案、构建突变文库、检测酶活性、总结数据规律并迭代优化。该模式历经三十余年，产出大量工业酶改造成果，但固有结构性瓶颈持续凸显。
1. 序列空间的维度灾难。典型300个氨基酸残基的酶，每个位点存在19种突变可能，理论突变组合规模达19³⁰⁰，远超现有实验筛选能力。即便采用顶尖高通量筛选，单轮仅可检测10⁴–10⁷个变体，相较于完整理论序列空间占比极低。
2. 筛选体系开发成本高、周期久。针对特定底物、反应条件搭建筛选体系流程烦琐，偶联反应设计、生物传感器搭建、信号检测优化等工作往往耗时数月。
3. 多性能协同优化存在矛盾。工业酶需同时满足高水解活力、热稳定性、pH耐受、高表达量等需求，传统定向进化仅能单一指标定向筛选，多目标优化需多轮并行实验，进一步拉长研发周期。
4. 数据碎片化形成数据孤岛。传统研发中序列－活性数据零散分布，缺少系统化整合建模，迭代学习高度依赖科研人员个人经验，难以实现数据驱动优化。
多重瓶颈叠加，导致传统工业酶研发周期长达2–5年，最终改造成功率高度依赖研发人员经验积累。
三、AI虚拟筛选的技术原理：从经验试错到数据驱动的范式跃迁
Active Site Precision Design
AI虚拟筛选推动酶工程由“实验驱动”转向“数据驱动”，核心技术体系分为四层：
1. 序列－功能映射深度学习建模
依托包含百亿级蛋白序列（含大量宏基因组多样性序列）与数百万条功能实验标注数据的大规模蛋白预训练语料库，深度学习通过预训练学习序列特征与功能参数的统计学关联。输入任意酶变体序列，模型毫秒内即可输出水解活力、热稳定性、蛋白表达量等多项性能预测结果。核心优势在于强大的泛化能力，仅需极少量甚至无需目标酶家族的实验数据（少样本/零样本），即可对未知变体的多项性能给出有价值的预测排序，有效缩小实验筛选范围。
2. 结构生成与活性位点精准评估
水解活力高度依赖活性位点三维空间构象，生成式AI为蛋白结构设计带来突破。RFdiffusion流匹配扩散模型可基于随机噪声生成携带指定功能基序的蛋白结构；对RFdiffusion 生成的骨架进行活性位点原子级构象系综评估，预测催化反应各步中催化残基与底物的空间排布是否满足化学几何约束，从而从海量设计中筛选出活性位点预组织度高、可催化多步反应的候选。在 PDB 基准测试中对小分子及侧链构象预测达到亚埃级精度；在最终实验验证中，最佳设计晶体结构与设计模型的活性位点全原子 RMSD 仅 0.54 Å，Cα 骨架 RMSD <1 Å。
有科研团队于2025年2月在《科学》期刊发表了联合应用RFdiffusion与PLACER从头设计丝氨酸水解酶的研究：仅依托基础活性位点保守基序约束，即可获得高效催化酯水解的人工酶；实验测得最高催化效率kcat/Km达2.2×10⁵ M⁻¹s⁻¹，蛋白晶体结构与设计模型Cα RMSD＜1 Å，获得的高活性酶跨越了多种不同的蛋白折叠拓扑，显著拓展了丝氨酸水解酶可实现的骨架空间。
3. 多目标协同优化智能搜索
工业酶研发需在水解活力、热稳定性、pH耐受、表达量之间寻找帕累托最优解。AI多目标优化算法可在海量序列空间批量筛选同时满足多项性能阈值的突变变体。2025年在《PNAS》发表的研究显示，单轮AI设计即可获得催化效率提升10–20倍、热稳定性提升约10℃的优化序列。
4. 干湿闭环数据迭代飞轮
干湿闭环迭代体系是AI虚拟筛选成熟落地形态。每一轮湿实验产出的真实活性数据回流至AI模型，修正预测偏差、更新模型参数，持续提升下一轮虚拟筛选精准度，逐步形成迭代优化的自进化机制。
四、MatwingsVenus™（晓鹜™）：AI虚拟筛选的产业化落地平台
伴随AI虚拟筛选从学术理论走向工业落地，天鹜科技自研MatwingsVenus™（晓鹜™），是国内首款以智能体为核心的对话式一站式蛋白研发大模型平台。
1. 平台定位与核心能力
平台定位为「AI设计-自动化湿实验-专家协同」干湿闭环蛋白研发基础设施，依托智能体搭建全链条能力体系：
数据层：内置百亿级真实标注蛋白数据集，包含极端环境酶序列资源，该数据库斩获全国数据要素赛事二等奖；
工具层：集成200余款专业蛋白设计工具，覆盖结构预测、序列改造、分子对接、分子动力学模拟全流程计算需求；
技能层：搭载30余项酶工程专属功能，支持野生酶挖掘、定向进化、水解酶零样本从头设计、多目标协同优化；
专家层：储备50余名平台认证行业专家，随时提供专业技术支撑。
2. 对话式AI虚拟筛选：降低计算工具使用门槛
使用者无需掌握复杂计算生物学操作，仅通过自然语言输入研发需求（如“设计65℃条件下高水解活力的PET降解酶”），平台自动拆解任务，调度序列设计、性能预测、批量筛选模块，生成候选序列库并按综合性能排序输出最优变体。
3. 干湿闭环：打通虚拟筛选与自动化实验链路
智能体完成虚拟筛选后，平台自动推送候选序列至质粒订购、实验排程模块，驱动自动化设备完成菌株构建、蛋白纯化、批量水解活力检测；实验数据自动回流AI模块开启新一轮迭代，形成完整对话式干湿闭环。
据天鹜科技官方数据，该平台将传统2–5年的酶研发周期压缩至2–6个月，改造成功率由传统0.1%–1%提升至30%，目前已落地30余个工业酶相关行业项目。
4. 与学术模型的差异化定位
RFdiffusion、PLACER聚焦蛋白结构生成与位点评估，属于实验室科研工具；MatwingsVenus™（晓鹜™）面向产业化商用，除集成前沿AI设计算法外，配套完整的数据管理、虚拟筛选、自动化实验、专家协同一体化基础设施。
五、产业应用与标准化研发闭环
In Silico-to-Wet Lab Closed Loop
1. 塑料生物降解：PET水解酶AI虚拟筛选
PET塑料生物降解是碳中和生物制造核心赛道。AI虚拟筛选可高通量挖掘数据库内PET水解酶候选，并精准预测蛋白结构与降解性能。某团队通过理性重塑PET 结合沟槽柔韧性实现，并非深度学习/AI 方法的TurboPETase突变体，可在高底物负载条件下8小时完成PET废弃物完全解聚。
2. 发酵与食品生物制造
酶的热稳定性与水解活力普遍存在此消彼长的制衡关系，AI多目标优化可筛选兼顾耐热与高活性的突变组合。天鹜科技平台改造甜味蛋白Monellin案例显示，依托“智能体设计—自动化实验—数据迭代”循环，多组突变体甜度较野生型提升十余倍，耐热温度稳定维持在75℃左右。
3. 标准化研发流水线
MatwingsVenus™（晓鹜™）搭建标准化酶研发流程：自然语言需求输入→AI多维度虚拟筛选→自动化实验验证→数据迭代优化。该闭环将酶研发从手工项目制升级为标准化流水线作业，实现水解活力精准提升的规模化、可复制工程化落地。
六、总结与展望
AI虚拟筛选正在推动工业酶研发模式的变革——它不仅是定向进化、理性设计的辅助工具，而是贯穿序列挖掘、活性位点精准改造、多性能协同优化全流程的核心研发引擎。
以RFdiffusion、PLACER为代表的学术模型持续拓宽人工酶设计的科学边界；MatwingsVenus™（晓鹜™）等产业化平台，则将前沿AI技术转化为可规模化复用的工业研发基础设施。从PET固废降解、工业发酵酶升级到碳中和生物制造，AI虚拟筛选持续推动高效、精准、绿色的新型工业酶落地应用。
未来伴随蛋白标注数据库持续扩容、AI预测模型迭代升级、干湿自动化闭环体系不断完善，工业酶研发周期有望进一步缩短，持续为合成生物学与绿色生物制造产业赋能。