Påskyndad upptäckt av mycket aktiva enzym‑nanohybrider med parallelliserad Bayesiansk optimering i hybridutrymme

Smartare fabriker för naturens små arbetare

Enzymer är naturens mikroskopiska maskiner som tyst driver allt från hur växter fångar solljus till hur våra kroppar bryter ner mat. Industrin skulle gärna utnyttja dessa biologiska verktyg för att framställa bränslen, läkemedel och material på ett renare och mer effektivt sätt. Men enzymer är känsliga: utanför sina naturliga villkor veckas de ofta ut och slutar fungera. Denna studie visar hur en artificiell intelligens (AI)–styrd metod snabbt kan designa skyddande ”nano‑dräkter” som håller enzymer aktiva och återanvändbara under tuffa industriella förhållanden, något som potentiellt kan sänka kostnader och snabba på grönare tillverkning.

Varför enzymer behöver ett skyddat hem

På egen hand flyter enzymer fritt i vatten och rör sig ständigt för att katalysera kemiska reaktioner med anmärkningsvärd hastighet och precision. I fabriker kan dock höga temperaturer, starka lösningsmedel och upprepad användning skada deras känsliga former. En vanlig lösning är att fånga in enzymer i eller på fasta partiklar så att de lättare kan återvinnas och återanvändas. Tyvärr skapar detta ofta en kompromiss: enzymet blir mer stabilt, men dess aktivitet sjunker eftersom det omgivande materialet blockerar molekyler från att nå dess aktiva ytor, eller eftersom de hårda växtförhållandena skadar enzymet under inkapslingen. Att designa rätt ”hem” för varje enzym har därför blivit en långsam, trial‑and‑error‑konst.

Utforska ett enormt designutrymme med AI

Forskarna tacklade detta problem genom att använda små porösa eller amorfa material kallade metall–organiska ramverk (MOF:er) som enzymbärare. Dessa byggs upp av metaljoner (i detta fall zinksalter) och organiska ”länkare” som kopplas ihop som modulära byggstenar. Genom att kombinera 7 olika zinksalter, 17 olika länkare och kontinuerligt justerbara koncentrationer och reaktionstider ställdes forskarna inför ett designutrymme med mer än tio miljoner möjliga experiment—alltför många för att testa för hand. Istället för att försöka testa landskapet med bruteforce skapade de ett AI‑drivet arbetsflöde centrerat kring en ny algoritm kallad parallelliserad hybrid‑utrymmes Bayesiansk optimering (PHBO), som kan hantera både

Citering: Liu, Y., Hu, H., Han, Y. et al. Accelerated discovery of highly active enzyme nanohybrids with parallelized Bayesian optimization in hybrid space. Nat Commun 17, 3634 (2026). https://doi.org/10.1038/s41467-026-70251-3

Nyckelord: enzymimmobilisering, Bayesiansk optimering, metall‑organiska ramverk, biokatalys, maskininlärning i kemi