机器学习与自动化如何推动酶蛋白设计由经验驱动迈向数据驱动,并实现高活性、高稳定性新型酶的高效构建?
8月16-18日,浙江大学杭州国际科创中心 江玲研究员将出席在浙江·宁波举办的
第5届合成生物绿色生物制造大会(SynBioCon 2026)AI+生物制造专场,分享以《机器学习辅助酶智能改造》为题的演讲。欢迎行业参与交流!
演讲将概述人工智能在酶工程领域的最新进展。报告将回顾酶改造策略从理性设计、定向进化到人工智能驱动设计的发展,展示机器学习为探索庞大的蛋白质序列空间提供的
高效手段。
首先,利用零样本预测模型与监督学习模型,可实现酶突变体活性与选择性的精准预测与优化。基于 FFT-PLSR 的多点突变设计使PyIRS酶活性提升 30 倍并拓宽底物谱。结合自动化实验平台,蛋白质语言模型驱动的自动进化系统(PLMeAE)通过零样本预测与监督学习迭代,仅用
10 天完成四轮优化,使MjTyrRS酶活性提高 2.4 倍,iBioFoundry 平台则能在 60 小时内完成 96 个突变体的构建与表征。
其次,蛋白质语言模型指导酶选择性设计使BsBDH酶选择性大幅提升、完全反转,且针对1,2-二羟基茚满活性提高大于
5000倍。其次,结合深度学习与自由能计算,PedH酶催化 FDCA 产量提升达 348 倍。
最终,江老师将展示基于
ProteinMPNN 与 PROPEND 模型的从头酶设计成果。总体而言,机器学习与自动化正推动酶蛋白设计由经验驱动迈向数据驱动,实现高活性、高稳定性新型酶的高效构建。
SynBioCon 2026
第5届合成生物与绿色生物制造大会