酶定向进化：AI能终结“试错时代”吗？

酶是生物催化的核心工具，广泛应用于工业生产、生物医药、环境治理等领域。但天然酶是自然演化的产物，适配生物体内的温和生理环境，并非为工业极端条件而生，普遍存在耐热性差、极端酸碱耐受性弱、对非天然底物催化活性低等问题。如何改造天然酶的固有缺陷、赋予其全新催化功能？酶定向进化技术为此提供了高效的解决方案。

一、什么是酶定向进化

酶定向进化是在实验室中模拟自然选择原理的蛋白质工程策略。其核心逻辑为：对目标酶基因进行人工突变和重组，构建库容庞大的突变文库，再通过高通量筛选，从海量突变体中筛选出催化活性、稳定性、底物特异性等性能显著提升的酶变体。

与传统理性设计不同，定向进化的最大优势是无需事先掌握酶的空间结构或催化机制。研究者仅需构建“突变-筛选”的迭代闭环，通过人工设定的筛选压力，驱动酶分子向预设目标持续优化。该技术可在实验室内完成自然界需要数百万年才能实现的分子进化过程。

从蛋白质工程整体来看，定向进化与理性设计是两大互补策略：定向进化属于“试错型优化”，理性设计属于“精准型改造”。人工智能技术的介入，正在打通两者的壁垒，实现优势融合。

二、传统定向进化的两大瓶颈

The Two Bottlenecks of Directed Evolution

传统定向进化虽已取得大量产业化成果，但仍存在两大核心瓶颈：

筛选通量受限，易陷入局部最优。蛋白质的序列空间极为庞大，长度为N的蛋白存在20ᴺ种可能序列，而具备功能的蛋白仅占极小比例。传统方法多采用'迭代饱和突变+筛选'的局部搜索范式，在存在强上位效应的适应度景观中易陷入局部最优，以天然酶为起点逐轮积累有益突变，仅能探索局部序列空间。尤其在存在上位效应的适应度景观中，突变之间相互干扰，进化过程极易停滞在局部最优，无法达到全局最优。

实验迭代周期长，成本高昂。传统定向进化依赖随机突变和人工筛选，每轮“突变-筛选”循环需数周至数月，完整项目周期可达数年，严重制约新型酶制剂的研发速度。

三、从试错到精准

AI与蛋白质工程的深度融合，从三个维度重构了定向进化技术体系。

3.1主动学习：精简实验轮次

AI-Powered Active Learning Workflow

主动学习辅助定向进化（ALDE）是一套迭代式机器学习工作流：通过模型对海量突变体进行虚拟预测，仅筛选高潜力突变体开展湿实验，再将数据反馈优化模型，形成“预测-验证-迭代”闭环。《Nature Communications》研究证实：针对酶活性中心5个存在上位效应的关键残基，仅用3轮湿实验就将非天然环丙烷化反应的产率从12%提升至93%，让定向进化从“广撒网”变为“精准打击”。

3.2蛋白质语言模型：预测指导实验

发表于《Science》的EVOLVEpro框架，将蛋白质语言模型与主动学习层深度结合。在低样本场景（low-N regime）下，仅需少量初始数据即可启动多目标优化，即可同步优化酶的活性、稳定性、特异性等多维性能，为小样本场景下的酶定向进化提供了全新路径。

3.3 AI重构进化起点：突破天然酶上限

AI Redesigns the Evolutionary Starting Point

2026年《Nature》研究提出新思路：研究者以AI模型ProteinMPNN对肉毒杆菌神经毒素E型蛋白酶（BoNT/E）进行全序列重设计（同时用PROSS工具进行交叉验证），获得稳定性更强且保持催化效率的变体作为进化起点，再开展噬菌体辅助连续进化（PACE）。在靶向ataxin-2的对比实验中，以AI重设计起点进化出的蛋白酶，其靶标选择性相较于野生型BoNT/E起点进化出的最优变体提升79倍以上。（数据来源：Nature, 2026）。

核心结论：定向进化的起点决定了终点的上限。天然酶并非最优起点，AI可构建优于天然的“超级进化起点”，从根源上突破性能瓶颈。

四、AI驱动酶挖掘：筑牢资源弹药库

AI Mining and Evolution Closed Loop

酶挖掘是“发现全新酶”的源头活水，为定向进化提供候选底物。传统挖掘依赖序列同源比对，效率低下。天鹜科技的MatwingsVenus™（晓鹜™）平台，已整合AI挖酶与AI定向进化两大核心功能。据天鹜科技官网信息，平台支持百亿级真实标签蛋白质数据检索，整合200+蛋白质设计工具及30+各领域专家调优的Skills，用户通过自然语言输入任务，系统即可自动完成挖酶、定向进化、从头设计及自动化湿实验协同等全流程。在酶挖掘场景中，平台可直接从序列出发预测蛋白质功能，突破传统的“序列-结构-功能”预测路径，实现从功能需求到原始序列的自闭环设计，高通量挖掘极端耐热、耐酸碱等高性能酶资源，极大丰富工程酶候选库。

AI酶挖掘与AI定向进化形成完整闭环：AI挖酶从海量序列中筛选优质候选，解决“无优质改造底物”的难题；AI定向进化对候选酶精准迭代优化，解决“天然酶性能不达标”的难题，大幅缩短“新酶发现—性能改造—工业化适配”的研发链路。

五、推动蛋白质工程进入智能新时代

AI蛋白质设计、酶定向进化、传统蛋白质工程三大技术体系正走向深度融合。AI重设计既能创造全新蛋白序列，也能为定向进化提供最优起点，实现“设计+迭代”的一体化融合。

以天鹜科技MatwingsVenus™（晓鹜™）平台为例，其在AI定向进化与AI挖酶基础上，更进一步构建了“干湿闭环”研发模式。平台通过AI模型驱动蛋白序列与结构的高通量设计，再由自动化湿实验平台完成精准验证，形成“设计-验证-反馈-升级”的高效循环，将传统蛋白质研发周期从数年压缩至数月。用户通过自然语言提出功能需求，AI完成序列设计后自动衔接自动化实验室，驱动机器人完成样品制备、蛋白纯化、功能检测等关键步骤，实验结果经由AI多轮迭代优化，实现“对话式干湿闭环”的全流程智能化研发。这一模式使研究者无需依赖大量重复试错实验，可在虚拟空间完成绝大部分突变筛选与性能预判，研发效率实现量级提升。

六、展望

酶定向进化正处于范式变革的转折点。传统方法依赖随机突变与人工筛选，存在周期长、成本高、上限低的固有缺陷；而AI的全方位赋能，让进化过程变得精准、高效、可控。从主动学习精简实验轮次，到蛋白质语言模型指导突变设计，再到AI重设计构建优质起点，AI从核心环节重构了定向进化技术体系。

以MatwingsVenus™（晓鹜™）为代表的AI驱动平台，正将智能酶挖掘与AI定向进化深度整合，持续扩充优质酶资源库；AI蛋白质设计技术则不断拔高酶改造的起点与上限。三者相辅相成，构建起“AI挖酶发现候选—AI定向进化优化性能—AI蛋白质设计升级起点”的持续迭代闭环。

这场变革的本质，是将蛋白质工程从劳动密集型的试错研发，升级为算力密集型的智能研发。随着AI预测精度与设计能力的持续提升，酶定向进化的效率、成功率与性能上限将迎来质的飞跃。这不仅是单一技术的迭代，更是整个领域从经验化到智能化的范式重构，将为工业催化、生物医药、绿色制造等产业化应用提供更强有力的技术支撑。