来源：Semantic Scholar | 编译：DNA Lab Space
**导语**
酶的热稳定性改造是合成生物学与工业生物催化的核心挑战。传统定向进化实验耗时长、通量低，而计算设计方法为理性改造提供了高效路径。Dou 等人发表于《Acta Biochimica et Biophysica Sinica》的综述系统梳理了数据驱动策略在酶热稳定性计算设计中的最新进展，从基于能量函数的方法到基于进化序列的分析，再到新兴的机器学习和深度学习技术，全面总结了每种策略的原理、优势与局限，并指出了多策略集成和可解释性 计算 成为未来突破的关键。本文对该研究进行深度解读，旨在帮助国内学者快速把握这一交叉领域的技术脉络与发展趋势。
研究背景
工业生物催化对酶的热稳定性提出了严苛要求——高温条件不仅加速反应速率，还能提高底物溶解度、降低染菌风险。然而，绝大多数天然酶在中等温度下进化而来，其三维结构的热力学稳定性通常十分脆弱，难以耐受 60°C 以上的工艺环境。因此，提高酶的热稳定性成为酶工程领域的“圣杯”之一。
传统的热稳定性改造主要依赖定向进化和半理性设计。定向进化通过随机突变和筛选，虽然有效，但需要建立高通量筛选体系，实验周期长且文库覆盖率极低。半理性设计则依赖研究者对蛋白结构的经验判断，在少数位点引入突变，成功率很大程度上取决于设计者对结构-功能关系的理解深度。
随着蛋白数据库的急剧膨胀和高性能计算的普及，计算设计逐渐从配角走向中心。其基本思路是：利用计算模型预测突变对蛋白热稳定性的影响（即 ΔΔG 值），从而在虚拟空间中筛选出有益突变，大幅压缩实验验证的序列空间。这一过程本质上是一种数据驱动的研究范式——模型从已有实验数据中学习规律，再推广到未知序列-稳定性映射关系中。
正是在这一背景下，Dou 等的综述应运而生。该文不仅对现有计算设计方法进行了详尽分类，更着重讨论了数据驱动策略背后的数据来源、模型架构、验证方式和应用场景，为理性改造提供了全景式的路线图。文章指出，领域正在从单一物理模型向多特征融合的机器学习，乃至端到端的深度学习快速演进，而数据的质量、数量和公开性正成为制约进一步发展的瓶颈。
研究方法（技术路线解析）
该综述并非一项原始实验研究，而是一篇系统性的方法论梳理。因此，其“研究方法”呈现为一种分析框架：作者团队从**数据、模型和验证**三个维度，对上百篇近年的研究文献进行了归纳与批判性评估。我们可将这一框架拆解为如下技术路线。
**1. 数据层面：构建热稳定性突变数据集**
所有数据驱动方法都依赖于高质量的突变-稳定性关系数据。文章重点剖析了几个核心数据库：
- **ProTherm**：最经典的蛋白热力学数据库，收录数万个突变体的实验 ΔΔG 和 Tm 值，是早期训练模型的基石，但存在数据冗余、测量条件不一致等问题。
- **FireProtDB**：更注重多轮实验验证和同源蛋白数据整合，支持自动检索突变影响。
- **ProtaBank** 和 **VariBench**：分别侧重蛋白设计 benchmark 和对变异效应的多维度标注。
- 作者特别指出，近年来高通量技术（如深突变扫描，DMS）产生的超大规模数据集正成为新的燃料，但其适应性与热稳定性的耦合关系仍需谨慎解耦。
**2. 模型层面：三类核心计算策略**
综述将现有的计算设计方法归纳为三条主要技术路线，每条路线内部又有多个分支：
**（1）基于物理能量函数的方法**
这类方法通过分子力学或统计势函数直接计算突变前后折叠自由能的变化。典型代表包括：
- **Rosetta ddg_monomer**：采用多轮侧链优化和主链微扰，结合全原子能量函数，预测精度较高，但对计算资源消耗大。
- **FoldX**：基于经验力场的快捷工具，擅长蛋白设计中的快速扫描，但对局部构象变化较明显的突变体误差较大。
- **Eris**：整合了可旋转键熵和疏水作用的能量函数。
- 文章指出，物理方法的优势在于机制可解释，但受限于能量函数的近似性和构象采样的不完备，对柔性区域和 loop 区突变的预测仍不理想。
**（2）基于进化信息与统计势的方法**
进化信息反映的是自然界对稳定性突变的长期选择。这类方法不依赖全原子计算，而是从多序列比对（MSA）中提取共有序列或位点保守性。文中详述了：
- **共识设计**：将目标蛋白的某一氨基酸替换为同源家族中的最保守残基，简洁高效，已成功应用于大量工业酶。
- **进化耦合分析**：利用直接耦合分析（DCA）或 GREMLIN 发现共进化残基对，指导二硫键或盐桥的引入。
- **统计势函数**（如 PROVEAN, PolyPhen-2）：基于同源序列分布评估氨基酸取代的有害程度。
- 这类方法的优势是不需结构信息，但难以捕捉对稳定性的小幅度精细调控，且当同源序列稀少时效果骤降。
**（3）数据驱动的机器学习与深度学习方法**
这是近年最活跃的方向。文章从传统机器学习和深度学习两个层面进行了梳理：
- **传统 ML**：将突变体的物理化学特征（疏水性、体积、电荷）与进化特征（PSSM 评分）组合，使用支持向量机、随机森林或高斯过程预测 ΔΔG。代表性工具有 **MuPro, iStable** 和作者团队前期开发的 **Prethermut** 等。
- **深度学习**：模型直接从蛋白序列或结构图中学习表示。包括：
- **图神经网络（GNN）**：将蛋白质抽象为图，节点为残基，边为空间邻近关系，通过学习消息传递捕捉突变环境效应。
- **3D 卷积神经网络（3D-CNN）**：将蛋白结构体素化后进行三维卷积，提取局部原子环境特征。
- **几何深度学习（如 SE(3)-Transformer, AlphaFold 衍生模型）**：利用等变性网络处理三维坐标，有望实现直接从序列预测热稳定性变化。
- 文章强调，深度模型在多个基准上已超越传统方法，但其“黑箱”特性令很多实验生物学家心存疑虑。
**3. 验证与集成策略**
作者特别关注了验证流程和实用性工具。他们将 FireProt 和 PROSS 等自动化平台作为集成策略的典范——这些平台通过将多种方法（物理能量函数、进化信息和 ML 评分）组合成流水线，在用户上传结构后自动推荐热稳定性突变。综述指出，单一方法难以覆盖所有蛋白场景，组合策略在真实科研项目中展现出最高的成功率。
研究结果：核心数据与发现
尽管是综述，Dou 等仍通过横向比较呈现了多项极具启发性的定量结论：
**1. 预测准确度的基准对比**
文章汇整了在 S2648 或 S669 等标准 benchmark 上主要工具的性能：
- 基于物理的方法如 Rosetta（Pearson r ≈ 0.40–0.50）在不同的测试集上表现稳健，但对暴露于溶剂的大位点突变易出现系统偏差。
- 基于进化的统计方法（如 INPS-MD, PoPMuSiC）对核心残基突变的识别率显著高于表面残基，说明进化约束主要作用于折叠核心。
- 传统 ML 方法在引入结构与序列混合特征后，相关系数提升至 0.55–0.70 区间，但其泛化性受限于训练集的同源性。
- 基于 GNN 的深度模型（如 ThermoNet, DeepDDG）开始将 Pearson r 推高至 0.70–0.80 区间，显著优于单特征方法，但模型对训练蛋白家族的依赖性仍需谨慎评估。
**2. 数据规模与质量的决定性影响**
综述反复强调，模型表现的最大瓶颈是**实验数据的匮乏与噪声**。ProTherm 数据库中超过 60% 的条目来自小于 20 个蛋白家族，导致模型对某些折叠类型高度倾斜。当训练集和测试集的同源性被严格去冗余（如 25% 序列一致性 cutoff）后，几乎所有方法的性能都会出现 10–20% 的降幅。这提示，真正具备普适性的稳定性预测模型需要跨越更多折叠空间的实验数据作为支撑。
**3. 多策略集成的协同效应**
作者团队引用了多个成功案例，例如对卤代烷脱卤酶和脂肪酶的改造。在这些案例中，单独使用 FoldX 或共识设计仅能鉴定出 20–30% 的显著稳定突变，而结合 FireProt 流水线将成功突变的命中率提升至 50% 以上，且最佳的突变体 ΔTm 提高超过 10°C。更重要的是，集成策略能够筛选出单方法完全遗漏的多点组合突变，这些叠加效应在实验中往往产生 10–20°C 的累积稳定化效果。
**4. 从结构预测到稳定性设计的新范式**
随着 AlphaFold2 等结构预测工具的成熟，文章指出计算设计正经历范式转移：过去，设计的前提是获取高质量的实验结构；现在，高置信度预测结构可以直接用于 Rosetta 或 FoldX 计算，且效果下降有限（ΔΔG 相关性损失 < 0.05）。这极大扩展了可设计酶的范畴，尤其对尚未解析结构的非模式生物来源酶具有颠覆性意义。
讨论与展望
Dou 等的综述不仅停留在技术罗列，更对领域瓶颈和未来方向给出了深刻洞见。
**数据困境与破局之路**
当前最大的挑战是“小数据”问题。实验确定的 ΔΔG 值仍局限于千量级蛋白和万量级突变体，与序列空间的亿万维度相比无异于沧海一粟。作者建议，一方面应推动实验室将深突变扫描等数据标准化并公开共享；另一方面，可采用迁移学习和多任务学习，让模型从海量未标记序列和同源性信息中预训练，再在小规模稳定性数据上调优。这种自监督学习范式有望突破标签稀缺瓶颈。
**可解释性：从黑箱到灰箱**
深度模型虽精度高，但提取其学到的“物理化学规则”极具挑战。综述提出，注意力机制可视化和基于梯度的显著图分析正逐渐揭示：高性能 GNN 模型重新发现了疏水包埋、氢键饱和度和静电互补等已知原理，甚至捕获到了若干未曾被明确描述的局部构象应力模式。可解释 计算（X计算）不仅有助于理性设计，更可能反过来促进对蛋白质热力学稳定机制的深入理解。
**湿实验闭环与主动学习**
作者展望了一个“计算–实验”迭代闭环：利用主动学习策略，让计算模型在每一轮实验后主动选择最有信息量的变异进行测试，从而在最少湿实验轮次下达到目标稳定性阈值。部分课题组已将此框架用于提升 PET 降解酶的 Tm，经过仅 3–4 轮设计-验证循环，即获得了 ΔTm > 20°C 的超级突变体。这种数据高效策略在工业酶定制开发中极具前景。
**稳定性与其他性能的权衡**
酶工程中常在活性与稳定性之间观察到 trade-off。综述强调，未来模型需引入多目标优化框架，在预测稳定性的同时兼顾催化效率和可溶性，甚至通过生成对抗网络或扩散模型直接生成满足多种约束的全新序列。这将是数据驱动酶设计的终极形态。
总之，该综述为酶热稳定性计算设计绘制了一幅从数据到模型再到应用的完整地图，揭示了数据驱动策略正推动这一领域从“凭经验猜”迈入“数据辅助决策、计算 主动设计”的新阶段。对于合成生物学研究者而言，审慎选择并组合这些计算工具，有望显著加速从序列到高性能生物催化剂的研发进程。
参考来源
[1] Dou Z, Sun Y, Jiang X, Wu X, Li Y-J. Data-driven strategies for the computational design of enzyme thermal stability: trends, perspectives, and prospects. *Acta Biochimica et Biophysica Sinica*, 2023. DOI: 10.3724/abbs.2023033.
DOI: 10.3724/abbs.2023033