蛋白质是生命的分子机器，在能源、健康和可持续性领域有着广泛的应用。然而，将蛋白质工程改造成具有实际应用所需功能的过程仍然缓慢、昂贵且依赖于人工经验。

近日，美国伊利诺伊大学香槟分校赵惠民研究团队在 Nature Communications 发表了一篇题为“A generalized platform for artificial intelligence-powered autonomous enzyme engineering”的研究。团队开发了一种通用的人工智能驱动自主酶工程平台，通过整合机器学习、大型语言模型和生物铸造自动化技术，该平台能够在无需人工干预的情况下高效优化酶的功能，并实现仅用 4 周时间就使两种重要工业酶的活性分别提升 16 倍和 26 倍，为医药、生物技术、可再生能源和可持续化学等不同行业的快速发展铺平了道路。

该团队曾在 2023 年开发了一款 AI 工具，可以根据酶的氨基酸序列预测其功能。这项研究将他们的 AI 技术更进一步：预测已知蛋白质的哪些变化会改善其功能。

在这项研究中，首先，研究人员向 AI 工具询问如何提升所需酶的性能。AI 工具搜索已知酶结构的数据集，并提出序列修改建议。iBioFoundry 的自动化蛋白质构建机器会生成建议的酶，然后对其进行快速测试以表征其功能。这些测试的数据会被输入到另一个 AI 模型中，该模型会利用这些信息来改进下一轮建议的蛋白质设计。

为了创建一个普遍适用的自主蛋白质工程平台，研究人员采用前沿的蛋白质语言模型 ESM-2 和共进化分析工具 EVmutation 进行初始变体设计，这两种算法分别从全局序列特征和局部进化关系角度预测潜在的有益突变。值得注意的是，ESM-2 作为基于 Transformer 架构的蛋白质语言模型，能够通过分析海量序列数据捕捉氨基酸替代的潜在规律；而 EVmutation 则专注于目标蛋白同源家族的共进化信息，二者优势互补为初始文库设计提供了双重保障。

在实验验证环节，研究团队依托其自主研发的伊利诺伊生物铸造平台（IBioFAB）实现了全流程自动化操作。这个高度集成的系统包含了液体处理机器人、PCR 工作站、高通量培养系统等先进设备，能够 24 小时不间断地进行基因克隆、蛋白表达到功能检测。特别值得关注的是，研究人员开发了基于 HiFi 组装的定点突变技术，通过优化反应条件和引入单链结合蛋白，将突变效率提升至 95% 以上，为连续多轮迭代进化奠定了技术基础。

该平台的另一大创新是开发了基于大型语言模型的自然语言交互界面。通过整合 OpenAI 的助手 API，研究人员设计了出用户友好的操作界面，即使不具备编程背景的用户也能通过简单指令启动工程流程。这种人性化设计大大降低了技术门槛，有望推动人工智能辅助蛋白质工程的广泛应用。

在实际应用中，研究团队选择了AtHMT（拟南芥卤代甲基转移酶）和YmPhytase（耶尔森氏菌植酸酶）两个具有重要应用价值的酶进行验证。AtHMT 能够催化 S-腺苷甲硫氨酸类似物的合成，这类化合物在药物研发中具有广泛应用，但天然酶的活性和特异性往往不能满足需求。通过四轮自主优化，获得的 V140T/I101L/E206D/S63N 突变体不仅将乙基转移酶活性提高 16 倍，更令人惊喜的是其对底物偏好性提高了 90 倍。结构分析表明，这些关键突变位点大多远离活性中心，分布在蛋白质表面，这一发现打破了传统理性设计聚焦活性位点的思维定式，凸显出机器学习在发掘远程调控突变方面的独特优势。

YmPhytase 的优化则瞄准了其在动物饲料中的应用瓶颈——天然植酸酶通常在酸性条件下表现最佳，难以适应动物消化道复杂的pH环境。研究团队通过自主平台获得的 V141M/K226G/IL5V/Q362R 变体在中性 pH 条件下活性提升 26 倍，同时保持了在酸性环境下的优异性能。

上述改造在 4 周内分 4 轮完成，每种酶仅需构建和表征少于 500 个变体。

总之，从技术层面来看该平台代表了自动化实验系统从条件自动化（level 3）向高度自动化（level 4）的重要跨越。系统不仅能自动执行实验流程，还能基于实验结果自主决策下一轮实验方案，实现了真正意义上的“自我驱动”研究。与传统的贝叶斯优化方法相比，这种整合多模态人工智能的策略在探索高维蛋白质序列空间时展现出显著优势，能够更高效地发现具有协同效应的突变组合。

展望未来，研究团队计划将该平台应用于更多重要工业酶的优化，并进一步拓展其在药物研发、生物燃料生产等领域的应用。

参考文献：

1. Singh, N., Lane, S., Yu, T. et al. A generalized platform for artificial intelligence-powered autonomous enzyme engineering. Nat Commun 16, 5648 (2025). https://doi.org/10.1038/s41467-025-61209-y

免责声明：本文旨在传递合成生物学最新讯息，不代表平台立场，不构成任何投资意见和建议，以官方/公司公告为准。本文也不是治疗方案推荐，如需获得治疗方案指导，请前往正规医院就诊。