AI赋能酶工程：如何让脂肪酶的催化效率飙升15倍？

在合成手性药物中间体时，酶催化本应是完美的绿色方案。然而，天然酶往往“挑食”且“效率低下”，难以满足工业级的高浓度生产需求。

最近，《Chemical Engineering Journal》发表了一项关于氟苯尼考关键手性中间体生物合成的研究。研究人员不仅通过挖掘和理性设计找到了合适的脂肪酶，更结合机器学习（ML）和分子动力学（MD）模拟，成功将酶的催化效率提升了15.4倍。

下面，我们就来深度解读这篇论文，看看AI是如何玩转蛋白质工程的。

1. 寻找“天选之酶”：从大海捞针到精准锁定

氟苯尼考是一种重要的兽用抗生素，其关键中间体是具有高光学纯度的(2S,3R)-p-MPSE。为了实现高效合成，研究团队试图寻找能特异性水解非目标构型（(2R,3S)-p-MPSE）的脂肪酶，通过动力学拆分留下目标产物。

研究团队首先基于结构相似性搜索，构建了候选酶的系统发育树，并结合UniKP预测了酶的催化常数（kcat）。

通过理论预测和实验筛选，他们锁定了一种来自枯草芽孢杆菌的脂肪酶 BSL。筛选结果显示，BSL在众多候选酶中脱颖而出，对目标底物表现出极高的转化率和对映体选择性（E值 > 200）。

然而，现实总是骨感的。虽然BSL选择性好，但面对1 M的高浓度工业底物时，野生型BSL显得力不从心，反应10小时后转化率仅为35%。这说明，天然酶距离实际应用还有很大差距。

2. 结构解析与理性设计：给酶动个“微创手术”

为了提高催化效率，研究团队首先通过分子对接分析了酶与底物的“恩爱”程度。

对比两种构型的底物发现，非目标构型 (2R,3S)-p-MPSE 能与酶的氧阴离子空穴（Gly106, Ala107, Ala190）形成更多的氢键，且亲核攻击距离更短（3.2 Å vs 3.5 Å），这解释了BSL为何偏好这一构型。

基于结构分析，研究人员开展了第一轮理性设计：

这一系列操作确实有效，双突变体 E115F/L67D 的活性提升到了野生型的8.76倍。

3. 机器学习加持：从小数据中挖掘大价值

理性设计虽然有效，但遇到多突变组合时，排列组合的数量会呈指数级爆炸。这时候，机器学习（ML）登场了。

研究团队收集了约154个突变体的活性数据作为训练集。由于数据量较小（“小数据”困境），他们比较了不同的编码方式和回归算法。

他们测试了两种主流的蛋白编码方法：

结果显示，在小样本情况下，基于AAindex编码结合偏最小二乘回归（PLS）的效果最好。这有点反直觉——复杂的深度学习模型（如XGBoost）在小数据上容易过拟合，而线性模型PLS反而更稳健。

通过优化的模型，研究人员筛选出了一批潜在的高活性突变体，并在结构保守性分析的基础上，锁定了非保守区域进行预测。

为了让模型更聪明，团队采用了迭代学习策略：将第一轮预测验证后的新数据加入训练集，对模型进行微调（Fine-tuning）。在第二轮预测中，他们成功锁定了四突变体 E115F/L67D/I421Q/P317I。

动力学测试表明，这个“终极怪物”的催化效率kcat/Km达到了野生型的15.4倍！

4. 知其然，更知其所以然：分子动力学揭秘

为什么这个四突变体这么强？MD模拟给出了答案。

5. 工业级应用：不仅高效，还能“变废为宝”

得到了好酶，接下来就是实战。在1 M高底物浓度下，工程酶仅需4小时就能实现完全拆分，产物光学纯度极高（e.e.s > 99%），基于单侧构型理论量的收率高达97.4%。

更有意思的是，对于那些被水解掉的、没有活性的“废品” (2R,3S)-p-MPS，研究人员没有丢弃它们。他们利用二价铜离子介导的化学消旋反应，将这些“废品”重新转化为外消旋体，再酯化后重新投料。这种“酶法拆分-化学消旋”耦合系统，极大地提高了原子经济性。

结语

这项研究展示了“理性设计 + 机器学习 + 分子模拟”这一组合拳的强大威力。面对天然酶的局限性，研究人员没有盲目进行海量筛选，而是利用AI算法在有限的实验数据中精准导航，不仅加速了酶的进化周期，更为手性药物的绿色制造提供了一套高效、经济的工艺方案。

论文信息：Machine learning-driven lipase engineering for highly enantioselective synthesis of chiral florfenicol intermediate via enzymatic resolution-chemical racemization coupling systemChemical Engineering Journal, 2026.