David Baker最新Nature论文：AI从头设计金属水解酶无需实验优化催化效率提升千倍

2025-12-26 06:06:59

　　酶的从头设计，旨在构建含有理想活性位点的蛋白质，这些位点周围的催化氨基酸残基能够稳定目标化学反应的过渡态。此前已有研究利用蛋白质从头设计来生成新的（Metallohydrolase），但这些酶的活性和效率相对较低，需要经过大量的定向进化才能达到天然酶的活性和效率水平。

　　David Baker团队之前开发的用于蛋白质从头设计的生成式 AI 工具——RFdiffusion，可以解决上述难题，但其需要为每个催化氨基酸残基指定序列位置和主链坐标，这限制了设计空间范围。

　　该研究利用新一代 AI 蛋白质设计工具——RFdiffusion2，成功设计了活性极高的锌金属水解酶，其催化效率比之前设计的金属水解酶高出上千倍。更令人惊叹的是，这些高性能酶完全“从头开始”设计，且无需任何实验改造优化，真正实现了“零样本”设计，这预示着我们将迎来新一代强大的定制化催化剂，在工业、医药等领域具有广阔应用前景。

　　金属水解酶（metallohydrolase）是自然界中催化困难水解反应的高手，它们利用金属离子激活水分子，切断底物分子中的化学键。设计这样的酶对降解人造环境污染物至关重要。

　　过去，科学家通过蛋白质工程改造现有酶，或使用早期计算工具进行设计，但往往活性较低，需要经过大量实验筛选和定向进化才能达到实用水平。

　　David Baker团队之前开发的 AI 蛋白质设计工具RFdiffusion，需要预先指定催化氨基酸残基的序列位置和骨架坐标，这大大限制了设计空间的探索。

　　在这项最新研究中，研究团队开发了RFdiffusion2，这个新一代的生成式 AI 蛋白质设计工具解决了上述限制。研究团队同期在Nature Methods期刊发表论文，介绍了 RFdiffusion2 的具体情况【2】。

　　1、原子级子结构支架设计：只需指定与反应过渡态相互作用的关键功能基团位置，而非完整的侧链和骨架构象；

　　RFdiffusion2 采用流匹配（Flow Matching）取代扩散模型（Diffusion Model），在训练过程中提供随机选择的天然原子坐标，从而能够探索更大的设计空间，只需要使用者描述需要完成的设计任务，让 AI 自行决定需要多少氨基酸、位置排列以及如何协作。

　　研究团队选择了设计一种锌金属水解酶，用于催化水解4-甲基伞形酮苯乙酸酯（4MU-PA），首先使用密度泛函理论（DFT）确定了催化反应过渡态的几何结构，获得了锌离子、三个组氨酸咪唑环和过渡态的精确坐标。

　　研究团队进行了 5120 次 RFdiffusion2 推理轨迹，为每个生成的蛋白质支架设计序列，并通过 AlphaFold2 结构预测和 PLACER 活性位点预组织评估进一步优化。

　　在第一轮 96 个设计中，ZETA_1脱颖而出，其催化效率（kcat/KM）高达 16000 M⁻¹s⁻¹，比之前设计的金属水解酶高出三个数量级。此外，其预测结构与设计模型高度一致，表明其设计的高度准确性。

　　基于第一轮的经验，研究团队改进了设计策略，从新的密度泛函理论酶出发，明确包含催化碱基，并使用更大数据集训练的新版 RFdiffusion2。

　　结果更加惊人：在第二轮 96 个设计中，11 个设计显示出显著的锌依赖性水解活性，成功率大幅提高。其中，ZETA_2的催化效率（kcat/KM）高达 53000 M⁻¹s⁻¹，催化速率常数（kcat）达到 1.5 s⁻¹。

　　这些最活跃的设计在底物结合模式上各不相同，表明 RFdiffusion2 能够生成多样化的解决方案。ZETA_2 和 ZETA_3 甚至展示了相反的底物结合模式，体现了设计方法的灵活性。

　　为了验证设计方法的PG电子通信准确性，研究团队解析了 ZETA_2 的蛋白晶体结构。结果显示，实验结构与设计模型高度吻合，骨架几乎可叠加，催化氨基酸残基以设计的几何形状预组织。结合位点与设计模型中的过渡态高度互补，提供了设计准确性的直接结构证据。

　　1、催化效率大幅提升：设计的金属水解酶催化效率达到 10³-10⁴ M⁻¹s⁻¹，与天然金属水解酶相当，远超过所有先前设计的金属水解酶；

　　2、设计成功率显著提高：结合 PLACER 和 Chai-1 的活性位点预组织评估，能有效识别最活跃的设计；

　　3、方法通用性强：RFdiffusion2 设计适用于多种化学反应，有望推动整个酶设计领域的发展。

　　总的来说，这项研究不仅展示了人工智能在蛋白质设计中的强大能力，更开辟了创造全新生物催化剂的可行路径，为合成生物学和绿色化学的发展注入了新的活力。