图片
酶是维持人类生命活动和健康不可或缺的生物催化剂。
在生产中，酶也在食品、纺织、造纸等多个重要工业领域广泛应用。
实际上，酶的稳定性和活性之间的关系非常复杂，从头开始设计功能酶是蛋白质工程中的一个重大挑战。
因为设计酶的活性位点的构象必须精准到原子才能发生催化，而从头设计出能够能够催化多步骤化学反应的酶，对于科学家而言则异常艰难。
与天然酶相比，计算设计的酶的效率一直较低。直到最近，机器学习和 AI 的进步为设计酶开辟了新的机会。
近日，David Baker携团队开发了一种用于从头设计酶的计算方法，并成功设计出能够高效催化多步骤化学反应的丝氨酸水解酶。
David Baker于2024年获得诺贝尔化学奖，以表彰他在计算蛋白质设计领域的开创性贡献。
团队称，与之前类似的设计方法相比，新酶在加速反应方面要好 60000 倍。
该研究以“Computational design of serine hydrolases”（丝氨酸水解酶的计算设计）为题，发表在《Science》杂志上。
图片
这项研究的意义是深远的，为AI能够合理设计能够执行复杂、多步骤反应的酶提供了一个新框架。
“这是酶工程的一个里程碑，”伊利诺伊大学厄巴纳-香槟分校的合成生物学家 Huimin Zhao 说。
“这表明，现在可以设计具有天然样活性的酶，并让它们能够实际应用。”
从头设计催化多步骤化学反应的酶
传统方法通常依赖于将活性位点插入现有的蛋白质支架中，由于结构限制，催化效率比不上天然的催化酶。
因此，通过计算方法生成的设计酶，仍然大大低于天然酶所表现出的效率。
最开始，David Baker团队也通过调整现有酶的结构，试图创造出作用更快或具有不同功能的新酶。
 
直到 RFdiffusion 面世，这是David Baker实验室开发的一款基于扩散模型和深度学习的蛋白质设计工具。研究团队能够基于RFdiffusion 的生成能力，能从头设计出具有高精度的蛋白质。
同时，团队创建了一个名为 PLACER的深度神经网络，该模型可以预测设计酶的活性位点构象，来改进酶的结构设计。
PLACER 通过分析蛋白质骨架、氨基酸身份和结合分子的化学结构来做出预测，使得团队能够预先筛选出成功可能性更高的新型酶。
如此一来，AI 就如同一个“过滤器”：检查酶的活性位点是否兼容且排列正确，以进行反应的每个步骤。
这种全面的方法可以更准确地表示酶结构及其相关的催化活性。
利用这种方法，该团队成功设计并筛选了有效催化酯水解的丝氨酸水解酶。
丝氨酸水解酶是一类以丝氨酸残基为核心催化基团的酶，广泛存在于自然界，尤其在哺乳动物中占蛋白质总量的约1%。
根据计算结果，研究团队实验室中共测试了 300 多种计算机生成的蛋白质。其中，一部分显示出与化学探针的反应性，表明成功实现活化催化丝氨酸。
图片
图：计算设计的酶结构
通过迭代轮次的设计和筛选，得到了活性水平远远超过先前计算设计的丝氨酸水解酶。
同时，结构分析表明，设计的酶与其预期的结构非常匹配，晶体结构与其计算模型的偏差小于 1 Å。
此外，通过对产生的丝氨酸水解酶进行实验表征，该团队发现新型酶保留了天然丝氨酸水解酶独有的折叠，具有高催化效率。
打开合成生物学的新大门
尽管研究人员提到，论文中对丝氨酸水解酶的设计只是一项概念验证实验，天然的酶依然非常有各种优势。
但上述研究已经成功证实，人们能够从头设计能够催化多步骤化学反应的酶。
并且显示出了AI在酶工程中的潜力，特别是在制造具有工业和制药应用的生物催化剂方面。
通过将 AI 工具集成到实验方法中，可以用于设计具有定制功能的酶，在合成生物学应用中具有很高的实用性。
团队表示：“我们希望我们在该研究中的概念和方法，未来可以用于设计作用于重要底物或执行新化学的新酶。”
这项工作正在迅速扩展酶设计的可能性，研究的共同第一作者、博士生 Kiera Sumida 已经在应用这些方法来解决塑料降解问题，展示了这种方法的广泛潜力。
“我相信我们离设计出有助于创造更绿色经济的定制酶不远了。”她说。