机器学习辅助蛋白质工程提升立体选择性的创新策略

【编辑推荐】针对酶天然底物特异性限制立体选择性的难题，研究人员通过机器学习辅助蛋白质工程，建立了基于实验数据的监督学习模型，成功预测并优化酶立体选择性（ee和E值）。该研究通过整合ΔΔG≠标准化数据和多模态算法，为高效可持续的不对称合成提供了新范式。

　　

生物催化凭借温和的反应条件和卓越的选择性，已成为手性化合物合成的利器。然而，酶的立体选择性（stereoselectivity）常受限于天然底物特异性，这一瓶颈正被机器学习驱动的蛋白质工程突破。研究者通过分析生物催化反应数据，构建了能精准预测立体选择性的模型——将对映体过量值（enantiomeric excess, ee）和选择性因子（E值）统一转化为相对活化能差（ΔΔG^≠），就像为酶分子装上了智能导航系统。

这项技术的核心在于三大创新：采用蛋白质语言模型与图结构嵌入的多模态算法，让预测跨越酶家族和底物壁垒；利用迁移学习减少实验室试错成本；通过可解释AI揭示关键残基作用机制。就像为酶分子绘制了立体选择性的"热力图"，研究者甚至能反向设计出立体选择性反转的突变体。

尽管面临数据稀缺和模型泛化性等挑战，但融合高质量数据、精确的3D结构描述符和创新算法后，这套系统有望颠覆传统生物催化研发模式。未来，同步优化立体选择性、催化活性和酶稳定性的多目标优化策略，或将催生更绿色高效的手性药物合成生产线。