基于机器学习的自驱动实验室平台实现酶催化反应条件自主优化与强化

这篇研究报道了一种集成人工智能与自动化实验的自主实验室（SDL）平台，通过贝叶斯优化（BO）算法高效探索五维参数空间（pH/温度/盐浓度/有机溶剂浓度/辅底物浓度），成功实现了多种酶-底物组合（UPO-ABTS/HRP-ABTS等）反应条件的自主优化。该平台通过10,000次模拟优化验证了Matérn 32核函数结合期望提升（EI）采集函数的BO算法优越性，实验证明仅需11轮迭代即可定位最优条件，较传统方法效率提升显著，为生物催化（biocatalysis）和生物分析领域提供了创新解决方案。

　　

自驱动实验室平台构建与验证

研究团队开发了集成六种实验设备的模块化自驱动实验室（SDL）平台，核心组件包括液体工作站（Opentrons Flex）、六自由度机械臂（UR5e）和多功能酶标仪（Tecan Spark）。该平台通过Python框架实现设备协同控制，并创新性地采用电子实验记录本（ELN）系统实现全流程数据追溯。硬件设计特别针对酶反应特点优化，配备温控模块（20-60°C）和精密移液系统（1-1000μL），可同时处理8组参数组合的并行实验。

机器学习算法筛选与优化

通过线性插值法构建的五维响应面模型（pH 2.4-8.0，温度20-60°C，Na₂SO₄ 0-500mM，乙腈0-30% v/v，H₂2O₂ 0-10mM）作为算法测试基准。在比较遗传算法（GA）、粒子群优化（PSO）、模拟退火（SA）和贝叶斯优化（BO）时，BO算法以Matérn 32核函数配合EI采集函数表现最优，平均仅需10.33轮迭代即可达到696.8 U mg^-1的酶活水平，显著优于响应面法（RSM）的615.9 U mg^-1。关键参数分析显示，pH值对酶活影响呈典型钟形曲线，在pH 3.5时达到峰值（790.4±80.6 U mg^-1），而温度在30°C时呈现最佳活性。

多酶体系实证研究

在真实实验中，平台成功优化了以下酶-底物系统：

1. 链霉亲和素标记的过氧合酶（Twin-Strep-UPO）与ABTS体系：通过11轮迭代将酶活从133.3提升至708.2 U mg^-1，确定最优条件为pH 3.4、20°C、无乙腈添加；

2. 辣根过氧化物酶（HRP）体系：对ABTS底物在pH 3.6、28°C条件下获得1603.9 U mg^-1的高活性，而对TMB底物在pH 4.4、60°C时活性达1960.4 U mg^-1；

3. 邻苯三酚氧化体系显示pH 8.0的特殊最优值，研究者认为这是酶催化与底物自氧化协同作用的结果。

技术优势与局限

该SDL平台每个优化周期仅需75分钟，12轮完整优化可在15小时内完成。实验数据显示平均变异系数（CV）为13.2%，与文献报道值相当。但存在三个主要限制：①目前仅适用于水相体系；②热不稳定试剂需人工更换；③离散化参数空间（pH步长0.2）可能影响优化精度。研究者建议未来整合大型语言模型（LLM）实现自然语言交互，并开发冷却存储系统延长连续运行时间。

应用前景与扩展性

这项研究证实了机器学习驱动的SDL在生物催化领域的巨大潜力，特别适用于需要多维参数优化的场景。研究者强调，建立的算法筛选方法具有普适性，可扩展至蛋白质工程、纳米材料合成等领域。平台展示的"模拟优先"策略——即先通过计算筛选最优算法再实验验证——为复杂生物系统的智能化研究提供了新范式。