今天,，小編將和您分享一篇今年發(fā)表于《Nature Communications》上的文獻“Accelerated enzyme engineering by machine-learning guided cell-free expression”，該文獻介紹了一種全新的高通量方法，用于探索化學空間多個區(qū)域的適應度景觀,，以實現(xiàn)生物催化劑的前瞻性設計,。（注：適應度景觀是一種理論模型，它將每個可能的蛋白質(zhì)序列映射到一個適應度值上,。適應度可以理解為該蛋白質(zhì)在特定環(huán)境下的功能表現(xiàn)或生存優(yōu)勢,。）

酶工程旨在通過改造蛋白質(zhì)序列來增強天然功能或賦予新功能,，傳統(tǒng)定向進化方法通過反復突變與篩選優(yōu)化酶性能,，但存在顯著瓶頸：

1.序列空間探索受限，低通量篩選難以覆蓋序列空間,，可能遺漏關鍵協(xié)同突變,；

2.多目標優(yōu)化困難，單一酶需適配多種底物或反應（如合成不同藥物分子）,，但現(xiàn)有方法難以并行優(yōu)化多個功能目標,；

3.數(shù)據(jù)生成效率低，構(gòu)建高質(zhì)量序列-功能數(shù)據(jù)集需合成并測試海量突變體,，傳統(tǒng)方法依賴于體內(nèi)表達系統(tǒng),，但這一過程受到細胞生長周期、穩(wěn)態(tài)條件及生產(chǎn)適應性等多重因素的制約,，導致篩選效率低下且成本高昂,。

圖1:機器學習指導的無細胞酶工程平臺

具體來說,，本研究通過以下創(chuàng)新解決了現(xiàn)有酶工程的技術(shù)難點：

1. 高通量無細胞系統(tǒng)

利用無細胞DNA組裝與表達，用于構(gòu)建定點飽和,、序列明確的蛋白質(zhì)庫,。工作流程包括五個步驟：通過PCR引入突變、DpnI消化親本質(zhì)粒,、 Gibson組裝形成突變質(zhì)粒,、第二次PCR擴增線性DNA表達模板（LETs）、通過CFE（無細胞蛋白表達系統(tǒng)）表達突變蛋白,。該方法可在一天內(nèi)構(gòu)建數(shù)百到數(shù)千個序列明確的蛋白質(zhì)突變體,，并可通過快速迭代積累突變。此外,，使用單體超穩(wěn)定綠色熒光蛋白（muGFP）驗證了該工作流程,，針對四個已知對穩(wěn)定性和熒光重要的殘基進行突變。實驗結(jié)果表明,，該方法對引物設計偏差具有高容忍度,，并且所有預期突變均成功引入。

2. 機器學習模型加速設計

圖2:工作流程示意圖

3. 并行優(yōu)化多反應目標

圖3:用于McbA機器學習引導的蛋白質(zhì)工程策略

本研究將無細胞系統(tǒng)的高通量優(yōu)勢與機器學習的預測能力結(jié)合,，用于生物催化劑的前瞻性設計。實現(xiàn)酶工程從單目標到多任務的跨越式發(fā)展,，為可持續(xù)生物制造注入新動力。不僅突破了傳統(tǒng)酶工程的效率瓶頸,，使其同時具備速度與通量,、精準預測能力等，還顯著提高了生物催化劑的設計與篩選效率,，為綠色化學與定制化生物催化劑開發(fā)提供了全新范式,。隨著技術(shù)的不斷進步和創(chuàng)新，無細胞表達系統(tǒng)有望為生物技術(shù)領域帶來更多機遇和挑戰(zhàn),。

參考文獻：Landwehr, G.M. et al. Accelerated enzyme engineering by machine-learning guided cell-free expression. *Nat. Commun.* **16**, 865 (2025).