AI for Science,浙江工业大学,ACS Catalysis

当 AI for Science 走进生物催化与酶工程，一个非常现实的问题正在被重新改写：能不能更快找到好酶，并把它改造成真正能用于合成生产的高效催化剂？

近日，浙江工业大学团队在 ACS Catalysis 发表研究，围绕手性萘烷基胺的不对称合成，开发出一种活性和热稳定性显著提升的工程化亚胺还原酶，为绿色制药和手性胺合成提供了一条非常漂亮的生物催化路线。

这项工作瞄准的是一个很有分量的合成目标：手性萘烷基胺。

这一类结构在药物化学和有机合成中非常重要。许多临床药物、手性配体、手性助剂和药物候选物中，都能看到萘烷基胺骨架的身影。问题在于，这类分子的高选择性构建并不容易。传统化学还原胺化往往依赖金属催化剂、高压氢气或复杂手性配体，不仅条件苛刻，也会带来分离、回收和环境负担等问题。

相比之下，生物催化具有天然优势：条件温和、选择性高、绿色可持续。但真正难的是，天然酶往往并不是为了“工业合成目标分子”而进化出来的。尤其面对萘环这样体积大、刚性强、空间位阻明显的底物，天然亚胺还原酶通常活性不够、稳定性不足，很难直接支撑高底物浓度和放大生产。

这篇文章的突破，正在于把 AI 辅助酶发现、理性蛋白工程、结构模拟和工艺放大串成了一条完整路线。

研究团队首先通过系统发育分析，从大量候选亚胺还原酶中进行挖掘筛选。更关键的是，他们进一步引入深度学习方法，对候选酶与底物之间的催化潜力进行预测，从而在海量序列空间中更高效地锁定值得实验验证的酶。

这就是 AI for Science 在酶工程中的价值：不是盲目一个个试，而是让模型先帮科学家判断，哪些酶更可能成为好起点。

最终，团队从 Acidovorax cavernicola 中识别出一条亚胺还原酶 AcIRED。虽然它对目标底物表现出一定催化能力，并且具有极高的 S-选择性，但天然酶的活性和热稳定性都还远远不够。换句话说，AI 帮团队找到了一个“有潜力的原型”，但要让它真正可用，还必须继续改造。

接下来，就是这项工作最精彩的部分：四轮蛋白工程。

研究团队基于 AlphaFold3 结构模型和分子对接结果发现，AcIRED 的催化口袋并不能很好容纳体积庞大的萘基亚胺中间体。于是，他们首先围绕底物结合口袋入口和疏水区域进行突变设计，逐步扩大并重塑催化腔体，让酶能够更好地“抱住”大底物。

第一轮突变提升了酶活；第二轮和第三轮则进一步围绕催化口袋、远端位点和有利突变组合进行迭代优化，使酶的催化性能不断提高。随后，团队又引入计算辅助稳定性设计，通过 PROSS、FoldX 和结构评估筛选潜在稳定突变位点，并通过实验验证和组合突变，最终获得最优变体 M8。

结果非常惊艳。

与野生型相比，M8 的催化效率提升超过 2800 倍，熔解温度提高 11.7°C，同时保持出色的 S-对映选择性。这不是简单“活性高了一点”，而是把一个原本工业适用性有限的天然酶，真正改造成了高效、稳定、可放大的生物催化剂。

从机理上看，团队也没有止步于“突变有效”这一层，而是进一步通过晶体结构、分子动力学模拟和结合口袋分析解释了性能提升的来源。模拟结果显示，工程化突变使底物关键反应位点与 NADPH 烟酰胺环之间的距离从约 5.3 Å 缩短到约 4.1 Å，更有利于氢转移过程；同时，M8 的结合口袋体积从 133.5 ų 增大到 155.2 ų，更适合容纳大位阻萘基底物。

更重要的是，M8 的整体构象更紧凑，局部氢键网络得到重塑，低能构象区域更窄、更深，说明它不仅“更会催化”，也“更稳”。这正是优秀酶工程最理想的结果：活性和稳定性同步提升，而不是顾此失彼。

随后，研究团队系统考察了底物适用范围。M8 能够催化多种大位阻酮和不同胺供体的还原胺化反应，尤其对萘基、取代芳基等结构表现出明显增强的催化效率，并在多个底物上实现高达 99.9% ee 的 S-选择性。这说明它不只是针对单一底物“特调”的酶，而是具有一定通用性的手性胺合成平台。

最能说明问题的，还是放大实验。

在优化条件下，M8 可以在 200 mM 底物浓度下制备 (S)-1-(1-萘基)乙基环丙胺，实现 95% 转化率、99.9% ee，得到克级产物。对于另一个底物 1-萘甲醛，体系甚至可以在 800 mM 高底物浓度下运行，转化率超过 99%，产物达到 15.1 g，空间时间产率最高达到 631.2 g·L⁻¹·d⁻¹，总转化数达到 20420。

这些数据非常硬。

因为对于生物催化来说，真正决定应用潜力的，不只是小试管里能不能反应，而是高底物浓度下能不能稳定跑、能不能高选择性、能不能放大、能不能给出足够高的时空产率和转化数。M8 在这些指标上的表现，说明这条路线已经具备了明显的工艺开发价值。

这篇 ACS Catalysis 的意义，也正在这里。

它不是单纯发现了一条新酶，也不是简单做了几轮突变，而是展示了一种 AI for Science 时代的酶工程新范式：先用系统发育和深度学习缩小酶序列搜索空间，再用结构模型和理性设计锁定改造方向，随后通过迭代突变提升活性与稳定性，最后用分子模拟解释机制，并通过放大反应验证应用价值。

从“找酶”到“改酶”，从“能反应”到“能生产”，这项工作把生物催化研究中最关键的几个环节都打通了。

更重要的是，它体现了绿色制造的未来方向。手性胺是药物合成中极其重要的结构单元，而传统路线往往面临成本、环境和选择性挑战。工程化酶催化提供了一种更温和、更安全、更可持续的替代方案。随着 AI 和计算设计不断融入酶工程，未来我们寻找和优化生物催化剂的速度，可能会被大幅提升。

AI for Science，浙江工业大学，ACS Catalysis。

这项工作让人看到，AI 不是只会做预测，也不是停留在屏幕上的算法。它可以进入酶的序列空间，参与催化剂发现；可以结合结构设计，指导突变优化；最终还可以落到真实反应瓶里，推动高价值手性分子的绿色合成。

当 AI 帮助科学家更快找到好酶，并把它一步步改造成能放大应用的工业催化剂，生物制造的下一站，正在变得更加清晰。

本文不含AI生成内容

欢迎留言分享你的看法