想做一步生物催化反应，却不知道该用哪个酶、能转化什么底物？ 传统方法只能在已知反应附近“小修小改”，99.7%的序列功能未知，海量潜力被深埋。

密歇根大学 + 卡内基梅隆大学团队在Nature发表终极方案： 先通过高通量实验建立215个全新酶-底物配对，再训练AI模型CATNIP，实现底物→推荐酶 / 酶→推荐底物双向精准预测，直接打通化学空间与蛋白序列空间，让生物催化从此“可预测、低风险、高效率”。

一、研究背景：生物催化的世纪痛点

1. 制药与合成大势所趋生物催化绿色、高效、选择性强，可缩短合成路线、提升收率。
2. 核心瓶颈

• 酶底物范围无法预测
• 海量序列功能未知
• 只能在已知点附近局部探索，无法跨空间跳跃

1. 科学问题能否建立通用模型，直接连接“小分子化学空间”与“蛋白序列空间”？

本研究给出答案：能，而且只需两个维度：底物结构 + 酶序列相似度。

二、整体研究内容总览

• 酶家族：α-KG/Fe(II)依赖型非血红素铁酶（NHI），万能C–H官能化
• 酶库：aKGLib1，314个多样性酶，平均同源仅13.7%
• 底物库：111个多样分子（药物、天然产物、杂环、脂肪酸）
• 发现：215个全新生物催化反应
• 模型：CATNIP（梯度提升树），双向预测
• 底物 → 推荐最可能的酶
• 酶序列 → 推荐最可能的底物
• 验证：训练集/测试集/外部序列三重验证成功

三、逐图深度解析

Figure 1｜生物催化发现的现状与本研究范式

核心结论：从“局部摸索”升级为“全域跨空间预测”。

1. 传统路线：已知反应 → 局部化学改造 / 局部蛋白突变
2. 局限：无法跨越巨大的未探索化学与序列空间
3. 本研究路线：
• 高通量建立全新酶-底物配对
• 训练模型连接两大空间
• 实现全域、无前提预测
4. 目标：彻底降低生物催化在合成路线中的风险与试错成本

Figure 2｜aKGLib1酶库构建：覆盖序列多样性

核心结论：构建最大、最多样的α-KG依赖酶库。

1. 基于面部三联体（2His-1羧酸盐）保守位点筛选
2. 序列相似网络（SSN）去冗余，得到27,005个序列
3. 挑选314个酶：
• 102个来自大簇
• 125个未表征
• 87个已知/推测功能
4. 平均同源**13.7%**，覆盖巨大序列空间
5. 78%可溶表达，30%有已知活性

Figure 3｜高通量反应发现：215个全新生物催化反应

核心结论：32%底物被转化，38%酶有活性，以羟化与去饱和为主。

1. 96孔板高通量流程：全细胞粗酶 → 加底物 → LC–MS检测
2. 检测：羟化、去饱和、重排、氯化
3. 结果：
• 111种底物 → 35种被转化（32%）
• 314种酶 → 119种有活性（38%）
• 总计215个新反应
4. 反应类型：羟化64%、去饱和18%、混合18%
5. 底物遍布化学空间，无集中偏向

Figure 4｜机器学习建模：底物↔酶双向预测

核心结论：用化学空间距离 + 序列相似度，构建高精度推荐系统。

1. 数据集BioCatSet1：215新反应 + 139文献反应
2. 底物特征：MORFEUS计算21个参数 → PCA降维
3. 酶特征：SSN提取序列相似度（AS%）
4. 双模型：
• 底物→酶：找近邻底物 → 取对应酶 → 排序推荐
• 酶→底物：找近邻酶 → 取对应底物 → 排序推荐
5. 评价指标：precision@k / recall@k / enrichment@k / nDCG@k
6. 最优模型：GBM梯度提升树，显著优于基线

Figure 5｜CATNIP网页工具实战：训练集/测试集/外部序列全验证

核心结论：输入结构/序列，一键出结果，实验成功率极高。

1. 底物→酶预测：
• 金雀花碱（16）→ 推荐10个酶 → 7个活性，制备35%收率
• 苦参啶（18）→ 7个活性，制备50%收率
• 甾体烯酮（20）→ 7个活性，首次实现氧化切断
2. 酶→底物预测：
• NHI123 → 推荐底物22，7%转化
• NHI177 → 推荐humulene（12），41%转化
• 外部酶TqaL → 推荐底物23，42%转化
3. 结论：跨家族、跨数据集、跨物种通用

四、实验与分析方法流程总结

1. 生物信息学构建酶库收集IPR家族 → SSN网络构建 → 去冗余 → 挑选314个序列
2. 高通量克隆与表达全基因合成 → pET28b → E. coli 96孔表达 → SDS-PAGE验证
3. 高通量生物催化筛选全细胞悬液 → 加底物/α-KG/VC/Fe(II) → 厌氧反应 → LC–MS检测
4. 化学空间表征SMILES → MORFEUS计算21个描述符 → PCA
5. 序列相似度计算SSN比对得分 → 归一化AS%
6. 机器学习与评估构建近邻推荐 → GBM提升 → 五折划分 → 指标评估
7. 网页工具部署CATNIP在线平台：输入SMILES或序列 → 输出排名列表
8. 制备规模反应验证1L发酵 → 裂解液反应 → 分离纯化 → 结构鉴定

五、论文核心结论

1. 首次实现化学空间 ↔ 蛋白序列空间的全域预测
2. 建立314个多样性酶库与215个全新生物催化反应
3. 训练CATNIP双模型，支持底物→酶 / 酶→底物双向推荐
4. 模型精度高、泛化强，可预测训练集外分子与序列
5. 提供免费网页工具，直接用于合成路线设计与筛选
6. 范式可扩展到P450、转氨酶、水解酶、氧化还原酶等全家族

六、研究展望与合成革命

1. 药物合成路线快速设计直接预测关键中间体的一步酶法合成
2. 后期修饰（LSF）药物分子定点C–H羟化/去饱和，快速获得代谢产物
3. 天然产物高效合成复杂萜类、生物碱、生物碱的选择性氧化
4. 酶工程起点优化从CATNIP推荐出发，大幅减少进化轮次
5. 全域生物催化数据库继续扩展酶家族与反应类型，建成生物催化版PubChem

论文信息

题目：Connecting chemical and protein sequence space to predict biocatalytic reactions 期刊：NatureDOI：10.1038/s41586-025-09519-5发表单位：

1. 密歇根大学生命科学研究所、化学系
2. 卡内基梅隆大学化学工程、化学、机器学习系
3. 巴西圣玛丽亚联邦大学
4. 斯科特能源创新研究所