Science｜David Baker新突破，从头设计丝氨酸水解酶

酶作为生物催化剂，在温和条件下能够显著加速化学反应，其设计和优化对于生物工程、药物开发以及环境科学等领域具有深远的意义。近期，诺贝尔奖得主David Baker团队及其合作团队在《Science》杂志上发表的一项题为《Computational design of serine hydrolases》的研究，展示了从头设计丝氨酸水解酶的突破性进展，这不仅为酶设计领域带来了新的希望，也为计算生物学的研究提供了新的思路和工具。

背景：酶设计的挑战与机遇

酶设计的核心目标是构建能够催化特定化学反应的蛋白质。然而，这一过程面临着诸多挑战，包括如何精确地安排催化残基以实现反应过渡态的稳定，以及如何在多步反应中保持活性位点的预组织化。传统的酶设计方法通常依赖于固定骨架（scaffold），这限制了催化几何结构的精确实现。此外，多步反应机制的复杂性使得在计算机上评估设计预组织化的难度进一步增加。

丝氨酸水解酶是一类经典的酶，其催化机制涉及复杂的多步反应，包括酰化中间体的形成和水解。尽管自然界的丝氨酸水解酶已被广泛研究，但从头设计这类酶一直是计算生物学领域的难题。直到最近，研究者们通过结合深度学习和计算方法，成功突破了这一瓶颈。

研究方法：深度学习与计算设计的结合

在这项研究中，作者采用了两种关键的技术：RFdiffusion 和 PLACER。RFdiffusion 是一种基于深度学习的蛋白质设计工具，能够从头生成具有特定活性位点的蛋白质骨架。这一方法通过扩散模型生成蛋白质的三维结构，从而克服了传统方法中固定骨架的限制。PLACER 则是一种用于评估活性位点预组织化的深度神经网络，能够模拟反应路径上各个步骤的结构兼容性。

通过 RFdiffusion，研究者们从简单的活性位点描述出发，生成了一系列具有不同折叠结构的蛋白质。随后，利用 PLACER 对这些设计进行筛选，评估其在反应路径上的结构兼容性。这种方法不仅提高了设计的成功率，还揭示了活性位点几何结构与催化效率之间的关系。

实验结果：从理论到实践的突破

实验结果表明，通过这种结合深度学习和计算设计的方法，研究者们成功设计出了具有高催化效率的丝氨酸水解酶。这些设计的酶不仅在活性上接近甚至超越了一些天然酶，还在结构上展现出与天然酶完全不同的折叠模式。例如，研究中设计的 “win” 和 “super” 两种酶，其催化效率分别达到了 410 M−1 s−1 和 22 M−1 s−1，并且通过 X 射线晶体学验证了其结构与设计模型的高度一致性（Cα RMSD < 1 Å）。

此外，通过对设计酶的进一步优化，研究者们还实现了更高的催化效率。例如，通过对 win 酶的重新设计，其催化效率提升了 15 倍以上，达到了 0.018 s−1 的周转率。这些结果不仅证明了从头设计酶的可行性，还展示了通过计算方法优化酶活性的巨大潜力。

研究意义：为酶设计开辟新道路

这项研究的突破性在于，它不仅成功设计出了具有复杂活性位点的丝氨酸水解酶，还通过深度学习和计算工具实现了对多步反应机制的精确模拟和优化。这种方法为酶设计领域带来了新的思路，尤其是在如何从头生成具有特定功能的蛋白质骨架以及如何评估其在反应路径上的兼容性方面。

此外，这项研究还展示了从头设计酶的广泛应用前景。例如，通过调整设计目标，研究者们成功将设计的酶应用于聚对苯二甲酸乙二醇酯（PET）的水解，为塑料回收等环境问题提供了潜在的解决方案。

总结与展望

从头设计丝氨酸水解酶的成功，标志着计算生物学和生物信息学在酶设计领域迈出了重要的一步。通过深度学习和计算工具的结合，研究者们不仅能够精确地构建具有特定功能的蛋白质，还能够优化其催化效率和结构稳定性。这一成果不仅为酶设计领域带来了新的希望，也为生物工程、药物开发和环境科学等领域的应用提供了新的思路和工具。

未来，随着计算方法的进一步发展和优化，我们有理由相信，从头设计酶的效率和功能将不断提升，为解决更多复杂的生物学问题提供可能。