Page 53 - 《橡塑技术与装备》2025年1月

综述与专论
SPECIAL AND COMPREHENSIVE REVIEW

4.2.3 遗传算法与进化计算 测能力与实验数据的反馈，使得优化过程更加高效和
通过模仿自然选择的过程，AI 可以演化出新的酶 精确。
结构或序列，不断优化其性能。 4.2.7 AI 多目标优化酶
4.2.4 AI 设计创造新颖塑料降解特性的环境 AI 可以同时考虑多个优化目标，可以同时考虑多
友好型酶 个目标参数（如活性、稳定性、选择性等）进行综合
AI 系统可以通过学习现有的酶数据库、结构信息 优化，这是传统方法难以实现的，通过多目标优化算
以及它们的功能特性，AI 算法能够从无到有设计全新 法找到平衡点，设计出同时满足多种要求的酶，不仅
的酶分子，这包括预测酶的三维结构、序列和功能特 加速了新酶的发现和开发过程，还显著提高了酶的性
性。AI 模型通过学习已知酶的结构 - 功能关系，通过 能和实用性，为生物技术和制药行业带来了革命性的
精确控制 AI 算法的参数、训练数据的质量和多样性， 变革。
以及后续的实验验证，能够持续发现和设计出具有特 4.2.8 AI 酶结构预测与设计
定催化特性的新酶，生成具有新颖特性的酶序列。这 领域的应用正逐步深入各个生物酶技术领域，推
些序列可能具有以前未知的催化活性、更高的催化效 动了生物酶基础科学研究的进步，AI 能够加速酶
率、更强的选择性、或者对特定环境条件的耐受性。 的结构预测过程，这对于理解酶的催化机制至关重
4.2.5 酶的设计与优化 要。通过结构引导的序列优化，AI 能够设计出具有
AI 技术能够通过预测和模拟，设计出具有特定功 理想结构的酶，从而改善其催化性能。开发了一系
能的酶。例如，通过机器学习算法分析大量已知酶的 列专门针对蛋白质结构预测的算法，如 AlphaFold、
结构与功能数据，AI 可以预测新的酶结构，或者对现 RoseTTAFold 等，这些算法利用 AI 技术，能够预测
有酶进行优化，以提高其催化效率、选择性或稳定性。 蛋白质的三维结构，甚至在某些情况下达到实验结构
这种设计过程通常涉及从头设计、序列优化和结构预 的准确性水平。AI 在酶结构预测领域的最新进展主要
测等步骤。 集中在提升预测的准确性和效率上，特别是在蛋白质
4.2.6 酶的结构或序列的优化 结构预测方面取得了显著成就。如晶泰科技与 IDEA
通过 AI 算法，可以优化酶的结构或序列，以提 研究院、中科院天工所生物设计中心等，通过合作和
高其对特定塑料的降解能力。AI 技术通过数据分析、 开源共享，加速了 AI 在酶结构预测领域的应用和发展。
预测和模拟能力，大大加速了酶的设计和优化的过程， 4.2.9 AI 和生物信息学
优化酶的氨基酸序列，以提高酶的活性、稳定性和选 AI 通过深度学习模型，从复杂的生物数据中学
择性。通过 AI 算法，优化酶的结构或序列，以提高其 习，使用机器学习算法分析大量数据，预测酶的结构 -
对特定塑料的降解能力。这包括寻找能够快速降解常 功能关系，指导酶的设计和优化过程预测酶的性能和
见塑料（如聚乙烯、聚丙烯）的酶，或设计能够耐受 催化机制，甚至设计出全新的酶。- ** 深度学习 ** ：
塑料分解过程中产生极端条件的酶。AI 通过机器学习 通过深度学习模型，从复杂的生物数据中学习，预测
或深度学习算法，可以从大量可能的序列组合中筛选 酶的性能和催化机制，甚至设计出全新的酶。
出最优序列，甚至预测特定突变对酶性能的影响。AI 4.2.10 活性预测与模拟
模型可以预测潜在的酶序列，这些序列具有特定的催 AI 模型可以预测酶在不同条件下的活性，包括对
化活性或结构特性。通过训练数据集（通常包含已知 底物的亲和力、催化效率和稳定性。这种预测能力对
的酶序列及其功能属性），AI 能够学习并生成新的序 于指导实验设计和优化过程至关重要。与模拟 AI 技术
列，这些序列可能具有优化的催化效率、稳定性或底 如分子动力学模拟、量子化学计算等，可以帮助科学
物特异性。AI 算法可以搜索庞大的序列空间，找到优 家预测酶在特定环境或条件下的行为，从而指导实验
化后的序列，这些序列在特定条件下表现出最佳的催 设计和优化过程。这不仅包括酶的催化活性预测，也
化性能。这可能涉及调整序列以最小化副反应、提高 包括酶在不同条件下的稳定性、底物结合特性等。
热稳定性或增强与特定底物的亲和力。AI 迭代优化序 4.2.11 跨模态数据整合
列设计。AI 与实验结果进行交互式学习，不断迭代优 AI 系统可以整合蛋白质结构、序列、功能等多种
化过程，逐渐改进序列设计。这种方法结合了 AI 的预 类型的数据，通过多模态学习，提高预测精度。例如，

2025 第 51 卷 ·7·
年