理论光谱与机器学习设计新型叶绿素：拓展光合作用光谱利用的合成生物学探索

《Photosynthesis Research》：New chlorophylls designed by theoretical spectroscopy and machine learning

本研究针对天然叶绿素光合效率不足的问题，通过机器学习辅助的虚拟筛选技术，系统评估了25万种叶绿素变体的光学特性。研究发现Chl f是单取代红移叶绿素的最佳选择，同时鉴定出DVChl b等多个具有优异绿光吸收能力的变体，并成功调控了三线态能量。该研究为合成生物学改造光合作用系统提供了重要理论依据，发表于《Photosynthesis Research》。

　　

在追求农业可持续发展的道路上，光合作用效率的提升一直是科学家关注的焦点。作为氧气光合作用的主要色素，叶绿素a（Chl a）虽然具有较宽的紫外/可见光吸收范围和较长的激发态寿命，但自然界存在的叶绿素变体是否已达到光合效率的最优状态，近年来受到广泛质疑。研究表明，天然叶绿素变体在适应不同光照环境的同时，可能并未充分发挥其光能捕获潜力，特别是在红光和蓝光波段的吸收特性仍有优化空间。

传统实验方法难以系统评估庞大的叶绿素变体空间，而理论计算与机器学习的结合为这一挑战提供了新的解决思路。德国柏林自由大学的研究团队在《Photosynthesis Research》上发表了一项创新性研究，通过理论光谱和机器学习方法，系统设计了超过25万种叶绿素变体，为合成生物学改造光合作用系统开辟了新途径。

研究团队采用多层级的计算策略，首先通过半经验量子化学（PM6方法）进行结构预优化，随后使用密度泛函理论（CAM-B3LYP/6-31G*）进行精确结构优化，并利用时间依赖密度泛函理论（TD-DFT）计算激发态性质。核心创新在于引入核脊回归（KRR）机器学习模型，通过将昂贵的量子化学计算转化为基于半经验量子化学描述符的快速预测，实现了490倍的计算加速。针对激发态表征的挑战，研究团队开发了特殊的选择标准，确保状态特性的准确识别。

叶绿素变体组的构建与验证

研究团队设计了叶绿素变体组（ChlVS），在六个关键位点（R₂、R₃、R₇、R₈、R₁₂和R₂₃）系统引入八类取代基，涵盖从氢原子到甲酰基的多样化结构修饰。通过对比七个实验表征的天然叶绿素变体，验证了计算方法的可靠性。机器学习模型在预测激发能（ΔE_0→X）和振荡器强度（f）方面表现出色，Q_y态预测的决定系数达到0.947，为大规模虚拟筛选奠定了坚实基础。

红移Q带叶绿素的设计

在突破光合作用"红光极限"的目标下，研究团队发现Chl f是单取代红移叶绿素中的最优选择，其Q_y带在保持高吸收强度的同时实现了最大红移。引人注目的是，通过双取代策略获得的"Chl df"（R₂和R₃位甲酰基）和"Chl f+"（R₂和R₁₂位甲酰基）进一步将吸收红移8-9纳米。这些设计表明，在叶绿素π系统两端引入吸电子基团可有效调控激发态能量，为拓展光合作用的光谱利用范围提供了新思路。

优化B带吸收特性的新变体

针对绿色光谱区域的"光合缺口"问题，研究发现Chl b并非最优解。双乙烯基叶绿素b（DVChl b）表现出卓越的蓝绿光吸收能力，其B带红移达25.8纳米且吸收强度显著增强。此外，"Chl bb"（R₇和R₈位甲酰基）和"Chl bd"（R₃位甲酰基）等变体也展现出优异的性能。这些发现挑战了传统认知，表明自然界可能因生化合成途径限制而未充分利用最优的色素组合。

三线态能量的精准调控

光合作用中的三线态能量转移涉及光保护机制，Chl a的三线态能量（1.338eV）恰好位于氧气两个单线态跃迁之间。研究团队成功筛选出可调控三线态能量而保持Q_y激发基本不变的变体，如"DVChl bf"可将三线态能量提高0.143eV。这种精准调控为研究三线态能量与光损伤之间的关系提供了新工具，有助于设计更安全的光合作用系统。

该研究通过系统性计算设计，突破了传统实验方法的局限性，揭示了叶绿素化学空间中被自然界忽视的优化方向。所提出的新型叶绿素变体不仅为合成生物学改造光合作用提供了具体靶点，也为理解色素进化提供了新视角。特别是机器学习辅助的虚拟筛选策略，为复杂生物大分子的理性设计建立了可推广的研究范式。这些发现将推动光合作用研究从自然观察到主动设计的新阶段，对农业生物技术发展和可再生能源开发具有深远意义。