通过混合空间并行贝叶斯优化加速高活性酶纳米杂化物的发现

为自然的微小工人打造更聪明的工厂

酶是自然界的微观机器，默默驱动着从植物捕光到我们消化食物的各类过程。工业界希望利用这些生物工具更清洁、更高效地制造燃料、药物和材料。但酶十分脆弱：一旦离开它们的自然舒适环境，常常会变性并失去活性。这项研究展示了一种由人工智能（AI）指导的方法，如何快速设计保护性的“纳米外衣”，在严苛的工业条件下保持酶的活性和可重复使用性，有望降低成本并加速更环保的制造。

酶为何需要保护性的“家”

单独存在时，酶在水中自由漂浮并不断构象变动，从而以惊人的速率和精确度催化化学反应。然而在工厂环境中，高温、强溶剂和重复使用会损害它们脆弱的三维结构。一种常见的解决方法是将酶封装在固体颗粒内部或固定在其表面，以便回收和重复使用。但这往往带来权衡：酶变得更稳定，但活性可能骤降，因为周围材料阻碍底物到达活性位点，或在包封过程中苛刻的条件损伤酶本身。因此，为每种酶设计合适的“居所”已成为一项缓慢的试错工艺。

用人工智能探索巨大的设计空间

研究团队采用一种名为金属—有机框架（MOF）的微孔或无定形材料作为酶的载体。此类材料由金属离子（本研究中为锌盐）和像模块化构件一样组合的有机“连接子”分子构成。通过组合7种不同的锌盐、17种不同的连接子，以及连续可调的浓度和反应时间，研究者面临超过一千万种潜在实验的设计空间——远远超出手工测试的能力。与其穷举式地探索，他们构建了一个以新算法“混合空间并行化贝叶斯优化（PHBO）”为核心的AI工作流程，该算法既能处理“二选一”的离散选择（哪种金属和连接子），又能优化连续变量（用量、时间），并能一次性提出多条有前景的配方。

算法如何学习与改进

PHBO通过建立一个统计模型，将配方与名为“活性恢复”的单一性能得分联系起来，该得分综合反映了有多少酶被包入载体以及包入后仍然能多大程度地发挥作用。算法从一小批初始实验出发，预测在设计空间中哪些区域可能产生高性能材料，并建议并行进行的小批量新实验。关键在于，它把金属和连接子的选择视为概率分布而非固定选择，使得可用通常用于平滑连续问题的基于梯度的方法更高效地朝更优解攀升。一种“近邻欺骗（nearby liar）”策略有助于使每一批建议的实验多样化，避免机器人化学家反复测试几乎相同的条件。

为不同酶量身定制纳米外衣

以葡萄糖氧化酶（GOx）为例——一种在生物传感器和食品加工业中重要的酶——研究者证明了PHBO能够优于人工指导的试错方法和先前的贝叶斯方法。在仅仅数十个实验内，它就找到了能够恢复甚至超越游离酶活性的锌—连接子组合，同时保留固定化带来的优点。显微与结构测量显示，最佳载体并非传统的刚性、高孔隙的晶体，而是更小、较无定形的锌—有机纳米杂化物。这些材料形成松散、富含酶的固体区域，内部孔结构最小化，有利于底物更容易接触酶，同时依然保护酶的三维构象。

从一种酶学到另一种酶的迁移学习

研究团队进一步探究：AI为一种酶学到的知识能否加速对其他酶的优化。他们利用GOx的数据和模型结构为两种截然不同的酶——能够分解过氧化氢的过氧化氢酶（catalase）以及用于精细化学品合成的南极假丝酵母脂肪酶B（Candida antarctica lipase B）——“预热”搜索。借助这种迁移学习，每种新酶的首批建议条件就已表现良好，后续轮次迅速找到了能实现近乎完全活性恢复的载体。有趣的是，不同酶的理想载体配方各不相同，凸显没有一种通用材料适用于所有酶，也强调了灵活、数据驱动设计工具的价值。

这对更绿色化学意味着什么

对非专业读者而言，核心结论是作者们构建了一种用于酶材料的“智能探测器”。研究人员无需花费数月或数年测试上千种配方，就能用这种AI引导的方法在浩瀚的可能性中锁定少数高活性酶—纳米载体组合。研究表明，通过在精细调控的纳米结构中对酶进行宽松约束，可以在不牺牲性能的情况下保持其稳定性，并能快速将该策略适配到新酶和新应用中。就实际应用而言，这可能加速更清洁、更高效的工业流程开发——从制药到可降解塑料——让在工业中部署稳健、高性能酶催化剂变得更容易。

引用: 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

关键词: 酶固定化, 贝叶斯优化, 金属有机框架, 生物催化, 化学中的机器学习