来源：FEBS Open Bio | 编译：DNA Lab Space
酶分子工程正站在一个十字路口——一边是历经三十年验证的经典筛选策略，另一边是微流控、生物传感器和机器学习驱动的自动化流水线。2025年发表于《FEBS Open Bio》的一篇综述，将这一领域的演进脉络与核心矛盾铺陈开来。作者Tomkova、Mirossay和Sedlak以酶定向进化为焦点，将结合物进化作为对照坐标系，系统梳理了两类平台在方法论上的根本差异与平行进展。
研究背景
定向进化之所以成为蛋白质工程的核心工具，在于它绕开了一个长期困扰结构生物学家的难题：不了解结构，也能改造功能。通过将遗传多样化与筛选或选择反复耦联，研究者可以在缺乏详细结构或机制知识的情况下，实现对蛋白质功能的优化。这一策略的威力已在生物技术、医学和合成化学领域得到充分印证。
然而，酶进化与结合物进化走的是两条不同的技术路线。展示型选择平台（如噬菌体展示）能够从极其庞大的文库中高效富集结合物，其关键在于基因型-表型连锁通过物理连接得以维持。而酶进化则主要依赖定量筛选策略——因为酶的功能是催化转化，而非简单结合，这要求筛选系统不仅识别"是否结合"，还要量化"转化了多少"。
正是这一差异，催生了一系列围绕分隔化（compartmentalization）的技术创新。体外乳液、液滴微流控、超高通量分选、基因编码生物传感器等工具的登场，将筛选容量和分析分辨率推向了新的数量级。但与此同时，稳定性对可进化性的约束、检测设计对转化相关性的限制，以及替代底物偏差、液滴泄漏、追踪错误和过拟合机器学习模型等失败模式，依然像暗礁一样潜伏在每一条进化航线上。
研究方法
这篇综述并非实验研究，而是对酶定向进化领域技术方法的系统性梳理。作者采用比较分析框架，以结合物进化为参照系，从四个维度展开论述。
遗传多样化策略。 综述梳理了从易错PCR到饱和突变等多样化手段的演进。在经典工作流程中，突变库的构建通常涉及将随机突变引入靶基因，随后克隆至表达载体。原文摘要未详述具体突变频率或文库大小的参数，但强调了多样化与筛选之间迭代耦联的核心逻辑——每一轮进化循环都包含"引入多样性-筛选/选择-扩增优胜者"三个步骤。
筛选与选择平台的对比。 这是综述的方法论核心。展示型平台（如核糖体展示、mRNA展示）通过将蛋白质与其编码基因物理偶联，实现了从超大文库（通常可达10¹²以上）中高效富集结合物。而酶进化平台则依赖于维持基因型-表型连锁的定量筛选，最常见的手段是分隔化——将单个基因和其编码的酶封装在独立的微环境中，使催化活性与基因型直接挂钩。体外乳液技术利用油包水液滴实现这一目的，每个液滴成为一个独立的反应器。
微流控与超高通量分选。 综述重点介绍了液滴微流控技术的进步。该技术能够在微秒至毫秒时间内生成数百万个皮升级液滴，每个液滴包含一个基因-酶对。结合荧光激活液滴分选（FADS），系统可在每小时数千至数万个液滴的通量下，根据荧光信号对催化活性进行定量排序。原文摘要未提供具体分选速度数值，但指出这一平台"大幅扩展了筛选容量和分析分辨率"。
检测模态的多样化。 除了传统荧光检测，综述还讨论了基因编码生物传感器作为替代检测手段的进展。这类传感器可将目标代谢物的浓度转化为可读的荧光或生长信号，从而实现在活细胞内的实时监测。其他替代模态包括吸光度、化学发光和质谱检测等。作者特别指出，检测模态的选择直接决定了筛选的保真度和适用范围。
机器学习与数据驱动方法。 综述将机器学习模型视为新兴的进化辅助工具。这些模型通过分析已有突变体的活性数据，预测未知序列的功能潜力，从而指导下一轮文库设计。然而，作者也警告了过拟合模型的危害——当训练数据不足以代表序列空间的复杂性时，模型预测可能将进化引向歧途。
研究结果
综述的核心发现可归纳为四个层面。
技术演进带来的容量跃迁。 从平板筛选到微流控分选，筛选通量提升了数个数量级。体外乳液和液滴微流控技术使研究者能够同时评估数百万个突变体，而传统孔板筛选通常仅能处理数千个。这一容量跃迁的直接后果是：进化实验不再受限于筛选速度，而是受限于文库质量和检测设计的合理性。
稳定性作为可进化性的核心约束。 作者明确指出，蛋白质稳定性是定向进化中最常被忽视却最具决定性的因素。一个酶要获得新功能，往往需要先经历稳定性损失——因为功能位点的突变通常会破坏原有折叠。如果初始稳定性不足，蛋白质就没有足够的"突变耐受空间"来探索新功能。原文摘要未提供具体的热稳定性或半衰期数据，但强调了这一约束的普遍性。
检测设计对转化相关性的制约。 综述揭示了一个领域内普遍存在的困境：实验室筛选所用的替代底物，往往与工业应用中的真实底物存在差异。这种"替代底物偏差"可能导致筛选出的最优突变体在实际应用中表现不佳。作者认为，这是阻碍定向进化成果向工业转化的重要因素之一——原文摘要未提供具体案例的转化率对比数据。
失败模式的系统梳理。 作者列举了四类典型的进化误导因素：替代底物偏差（筛选条件与实际应用条件不匹配）、液滴泄漏（荧光产物在液滴间扩散导致基因型-表型解偶联）、追踪误差（高通量分选中液滴识别错误）以及过拟合机器学习模型（预测偏离真实序列-功能关系）。这些失败模式并非假设——它们是实际进化实验中已被观察到的常见陷阱。
向连续进化与自动化演进。 综述总结认为，将经典策略与新兴的连续进化（continuous evolution）和数据驱动方法整合，正推动酶定向进化走向更可预测、更自动化、更易于工业转化的方向。连续进化系统无需人工干预即可在体内维持多轮突变-筛选循环，而自动化工作站和机器学习指导的文库设计，则进一步减少了人为偏差。
讨论与展望
这篇综述的价值不在于提出新方法，而在于重新校准了领域内对"什么决定进化成功"的认知框架。作者将稳定性置于可进化性核心，这一观点对实践有直接指导意义——在设计突变库之前，先确保模板蛋白具有足够的热稳定性和表达量，可能是提高进化成功率最经济的手段。
检测设计的问题同样值得深思。当实验室筛选与工业应用之间的底物差异成为常态时，开发更接近真实应用条件的检测系统，或许比追求更高的筛选通量更为迫切。原文摘要未提供具体的工业转化案例，但这一逻辑在酶工程领域具有普遍性。
机器学习在定向进化中的角色尚处于早期阶段。过拟合风险提示我们：数据驱动方法的价值，取决于训练数据的质量和覆盖度。在序列空间极其庞大的背景下，如何设计信息量最大化的训练集，可能是未来人机协作进化的关键问题。
向连续进化和自动化工作流的迁移，代表了定向进化的下一个技术前沿。当筛选、突变和选择不再需要人工干预，进化实验的时间尺度将从数月压缩至数天。这不仅是效率的提升，更可能改变我们思考蛋白质进化空间的方式——从离散的轮次走向连续的景观漫步。
参考来源
Tomkova M, Mirossay A, Sedlak E. Directed evolution of enzymes at the crossroads of tradition and innovation. FEBS Open Bio. 2025. PMID: 42124363.
PMID: 42124363