综述：用于食品发酵的极端酶：整合人工智能、宏基因组学和蛋白质工程

《International Journal of Biological Macromolecules》：Extremozymes for food fermentation: Integrating AI, metagenomics, and protein engineering

　　•气候变化会损害微生物的稳定性并降低发酵效率
•极端酶能够在恶劣的工业加工条件下保持催化性能
•人工智能平台加速了极端酶的发现和功能表征
•基于人工智能的极端酶识别和整合提升了发酵系统的韧性和一致性

引言
食品发酵系统与微生物群落密切相关，这些微生物的代谢活动决定了产品的质量、安全性和营养特性。这些微生物生态系统的功能受到环境条件的强烈影响，包括温度、pH值、水分活度和盐度[1]。然而，持续的气候变化通过温度波动、pH值动态变化以及农业和加工环境中盐度的升高，引入了这些物理化学参数的不确定性。这种扰动对传统发酵微生物组的稳定性、功能性和可重复性构成了重大风险。

气候变化通过多种相互关联的机制影响食品发酵：温度升高和热应激会损害工业发酵启动菌的生长、代谢和稳定性，降低发酵效率并增加发酵性能的变异性[2][3]；同时，干旱、大气中二氧化碳浓度升高和盐度变化会改变农产品的生化成分（如淀粉、蛋白质和矿物质含量），从而影响底物的质量和后续的发酵过程[4][5]。热浪、干旱事件和极端天气的频率增加导致原材料成分和加工条件的季节性变化加剧，需要更频繁地调整工业发酵操作。此外，微生物群落的组成和相互作用是决定发酵一致性的关键因素，环境条件的变化会破坏这些微生物生态系统，最终影响产品的质量、安全性和可重复性[6][7]。综上所述，这些由气候驱动的变化突显了需要能够在波动的加工条件下保持催化活性的强效生物催化剂。

微生物性能的紊乱会损害发酵效率，改变代谢途径，并最终影响发酵食品的感官和营养特性[8][9][10]。气候变化的后果在多个食品发酵领域日益明显：乳制品发酵容易受到热引起的发酵启动菌活性降低和酸化不稳定的影响；而酿造和葡萄酒发酵则在温度升高时出现酵母代谢、发酵动力学和香气形成的变化。气候变化还通过改变作物组成、水资源可用性和盐度来影响植物基发酵和精密发酵，从而影响底物质量和微生物性能。这些观察结果表明，气候变化已经不仅仅是一个理论问题，而是工业发酵面临的一个实际挑战，突显了需要能够在波动加工条件下保持催化性能的强效极端酶。

尽管对强效生物催化剂的需求不断增长，但传统的酶发现策略在获取微生物酶资源多样性方面仍然有限。然而，普遍认为只有不到1%的环境微生物易于培养，这意味着大部分微生物多样性尚未被探索[11][12]。功能筛选平台通常劳动密集、耗时且成功率相对较低。同时，基于序列的酶发现方法主要依赖于与已知蛋白的同源性搜索，这限制了全新催化功能的识别[13]。在模式宿主中异源表达候选酶时还会出现其他瓶颈，如蛋白质折叠不当或表达水平低导致蛋白质失活[14][15]。因此，人们正越来越多地转向高通量测序技术、计算生物学和人工智能驱动的酶发现与优化策略[13][16]。极端酶是一类在通常会使常规嗜温酶变性的条件下（如极端温度、pH值、盐度、压力和低水分活性）仍能保持结构完整性和催化活性的蛋白质。它们的显著稳定性并非由单一结构特征决定，而是多种序列和结构层面适应性的综合结果，包括特征性的氨基酸组成、增强的疏水核堆积、优化的氢键网络、增加的盐桥和离子相互作用、二硫键的形成、表面电荷分布的改变以及环状结构和构象灵活性的修改。这些适应性在不同类别的极端酶中有所不同，反映了它们对特定环境压力的进化优化，而不是普遍的稳定机制[17]。理解这些多因素决定因素为理性蛋白质工程提供了坚实的基础，使得可以通过结构导向的突变、计算蛋白质设计和定向进化来调整酶的稳定性、催化效率、底物特异性和操作韧性，以适应食品发酵和其他工业应用（Bhardwaj等，2026；Chakravorty等，2017）。极端酶的多样性反映了嗜极微生物所栖息的广泛环境生态位。因此，极端酶可以大致分为嗜冷酶、嗜热酶、嗜盐酶、嗜酸酶和嗜压酶，每种酶都具备在特定物理化学条件下支持催化活性的独特分子适应性。嗜冷酶在低温（通常为-20至10°C）下仍能保持活性，这得益于其更大的结构灵活性、减少的疏水核堆积和较少的稳定相互作用；相比之下，嗜热酶在超过60°C的温度下仍能保持活性，这得益于加强的分子内相互作用（如增强的疏水堆积、广泛的氢键网络和增加的离子相互作用，这些都有助于抵抗热变性）。嗜盐酶具有酸性的表面残基和高度水合的蛋白质表面，从而在高盐度条件下保持溶解性和功能性；嗜酸酶和嗜碱酶则通过稳定蛋白质构象和活性位点完整性来在极端pH环境中维持催化活性。同样，来自深海微生物的嗜压酶具有在高压下保持蛋白质灵活性和酶活性的结构特征。总体而言，这些多样的进化策略使极端酶能够在其他抑制性条件下发挥作用，同时为设计具有增强稳定性和功能的下一代生物催化剂提供了宝贵的分子模板，以应用于食品发酵和其他工业领域[17][18][19][20]。

最近在人工智能（AI）、机器学习（ML）和计算蛋白质工程方面的进展正在将酶发现从主要基于经验的过程转变为一种预测性和设计导向的学科。AI驱动的模型可以分析庞大的基因组和蛋白质组数据集，以预测酶的功能、结构特征、底物特异性和最佳催化条件（如温度和pH值）[21][22]。此外，包括基于结构的建模和生成蛋白质设计在内的新兴计算框架使得能够理性设计出具有定制催化特性和工业加工条件下增强操作稳定性的酶。比较基因组研究表明，嗜极微生物具有独特的序列特征，包括密码子使用偏好、核苷酸组成和氨基酸偏好，这些特征可以被AI辅助的蛋白质工程利用来识别和设计具有增强稳定性和催化性能的酶[23]。

除了酶注释和功能预测之外，机器学习还成为预测和工程化蛋白质热稳定性的强大工具。现代机器学习模型不仅依赖于一级序列信息，还整合了核苷酸、序列和结构层面的蛋白质稳定性决定因素，包括密码子使用偏好、GC含量、氨基酸组成、物理化学性质、疏水堆积、氢键网络、盐桥、芳香相互作用、溶剂可及性和二级结构组织。将这些互补的分子特征整合起来，与单一层次的方法相比，大大提高了热稳定性预测的准确性，并有助于识别与嗜极蛋白质相关的稳定突变和适应性特征[24]。因此，AI辅助的蛋白质工程可以将这些进化特征转化为具有增强热稳定性、催化效率和工业食品发酵适用性的工程化酶。

将基于AI的酶发现与嗜极微生物来源的生物催化剂相结合，对于精密发酵这一新兴领域尤为重要。精密发酵利用工程化的微生物系统高效地产生特定生物分子[25]。当与强效极端酶结合时，这些系统能够在与气候变化相关的波动环境条件下保持稳定的催化性能。此外，将极端酶应用于食品加工有助于实现可持续和清洁标签生产，通过减少能源需求、最小化化学添加剂的使用、提高工艺效率和增强操作稳定性[19]。

本文综述了当前在极端酶发现和功能整合方面的进展，以开发出具备气候适应性的食品发酵系统。我们研究了基于环境适应性的极端酶的多样性和分类，讨论了新兴的AI驱动的计算框架在酶发现、热稳定性预测和蛋白质工程中的应用，并批判性地评估了机器学习如何整合核苷酸、序列和结构层面的决定因素，以促进强效酶的理性设计。此外，我们还探讨了AI辅助方法在将嗜极微生物适应性转化为精密发酵和可持续食品加工中的下一代生物催化剂中的应用。与以往主要关注极端酶、人工智能或食品发酵个别方面的综述不同，本文将AI驱动的酶发现、理性蛋白质工程、智能发酵启动菌、可编程发酵系统和实时过程监控整合在了一个框架内。同时，还批判性地讨论了将AI驱动的极端酶工业转化应用于气候适应性食品发酵系统所必须解决的生物学、计算、技术经济和监管挑战。

**节选内容**
**食品发酵生态系统中的极端酶**
图1展示了极端酶的结构适应性，使其能够抵御气候变化引起的发酵压力，并强调了它们在AI驱动的酶工程中的重要性。

**温度变异性**
温度是发酵过程中微生物代谢和酶活性的关键决定因素，需要严格控制温度以确保产品质量的稳定性。然而，气候变化引起的波动（包括环境温度升高和不可预测的季节性变化）逐渐扰乱了发酵过程，导致产品质量不稳定和效率降低。来自嗜热和嗜冷微生物的极端酶为此提供了强有力的解决方案。

**AI驱动的极端酶发现**
人工智能（AI）正通过实现更快、更准确和数据驱动的发现和设计策略，不断改变酶工程[86]。图2展示了将气候变化、嗜极微生物和可持续食品发酵联系起来的概念性AI辅助框架，而图3则展示了从环境采样到迭代模型优化的技术性AI驱动的工作流程。

**高通量功能宏基因组学**
高通量功能宏基因组学已成为发现新型极端酶的关键方法，它无需培养微生物即可直接筛查环境DNA，极大地扩展了酶候选者的多样性，超出了传统依赖培养的方法[111]。通过从温泉等极端环境中构建宏基因组文库……

**具有工程化酶模块的智能发酵启动菌**
通过开发基因或合成工程化的智能发酵启动菌，将极端酶整合到精密食品发酵中变得越来越现实，这些启动菌能够表达定制的酶模块，从而提高功能性和流程控制能力。合成生物学、代谢工程和AI驱动的酶设计方面的最新进展使得传统发酵启动菌转变为可编程细胞工厂。

**挑战**
AI驱动的酶发现的一个主要瓶颈是高质量、注释完善的数据库缺乏，这些数据库将酶序列与功能和动力学特性联系起来。当前的机器学习模型依赖于不完整或有偏见的数据库，从而降低了其对酶活性、稳定性和底物特异性的预测准确性。这一挑战在极端酶中尤为突出，因为许多极端酶来源于无法培养或描述不充分的嗜极微生物。

**结论**
极端酶是一类能够在气候变化带来的波动和恶劣条件下保持催化活性的强效生物催化剂。它们在极端温度、pH值和盐度范围内的固有稳定性使它们成为实现韧性和高效生物加工的关键因素。与此同时，人工智能（AI）、机器学习和分子生物学技术的进步正在将酶发现从一个主要基于经验的过程转变为一个更具预测性和设计导向的过程。

**作者贡献声明**
Subuhi Kashif Ansari：撰写——原始草稿、可视化、验证、软件、资源、正式分析、数据管理、概念化
Nusrat Hamid Shah：撰写——原始草稿、软件、资源、方法学、调查、数据管理、概念化
Noureddine Elboughdiri：撰写——修订与编辑、软件、资源、正式分析、数据管理、概念化
Anis Ahmad Chaudhary：资源、项目管理、方法学、资金获取、正式声明

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文所报告的工作。