来源：Semantic Scholar | 编译：DNA Lab Space
导语
传统生物催化正面临效率、成本和规模化挑战，单一技术路径已难以满足现代工业对绿色制造日趋严苛的要求。Ankit Verma等人近期在研究中系统提出“下一代生物催化”概念框架，首次将酶工程、合成生物学与信息技术置于统一交融的维度，勾勒出从分子设计到过程自动化的完整创新链条。研究通过跨学科方法论整合，不仅厘清了三大使能技术协同发力的关键节点，更为不同工业场景提供了可操作的融合路线图，为生物制造的深层变革指明了方向。
研究背景
工业生物催化凭借其高选择性、温和反应条件和环境友好特性，已在医药、精细化学品、食品和生物能源等领域扮演不可替代的角色。然而，传统生物催化体系多聚焦于单一酶的改造或某一代谢途径的缺陷修补，技术天花板效应日益显现：天然酶稳定性差、底物谱窄，难以胜任非天然反应；微生物细胞工厂常因代谢不平衡、有毒中间体积累而产率偏低；工艺放大过程中，生物体系与工程参数的多尺度耦合问题长期未获根本解决。
近年来，酶工程虽取得长足进步，定向进化和理性设计交替迭代显著提升了酶的催化性能，但仅靠氨基酸序列层面的改造，难以全域优化酶在实际工业环境中的表现。合成生物学则打开了人工生物系统构建的新窗口，模块化、标准化的基因线路让微生物能够执行复杂的合成指令，然而，理性设计全细胞催化工厂仍然受限于海量基因-代谢-调控互作信息难以被人工解析。与此同时，以机器学习、生物信息学、数字孪生为代表的信息技术，正展现出对生物数据进行深层挖掘和预测的强大能力。如何将这三股技术洪流汇于一处，形成合力，从分子、细胞到反应器进行跨层级精准调控，便成为下一代生物催化亟待突破的核心命题。Verma等人的研究正是对这一全球性课题的及时回应，在系统梳理前人成果的基础上，首次系统阐述了酶工程、合成生物学与信息技术深度融合的内在逻辑和工业落地路径。
研究方法
为实现下一代生物催化这一宏大构想的系统性解构，研究团队并未局限于传统的单一实验技术描述，而是以跨学科方法论整合为核心研究工具，将综述分析、概念建模和场景推演融为一体。
首先，作者采用了系统文献计量与主题分析策略。研究以“enzyme engineering”“synthetic biology”“machine learning biocatalysis”“industrial biotransformation”等为关键词组合，对2015-2025年间Web of Science、Scopus等主流数据库进行了梳篦式检索，并经过去重、标题/摘要筛选和全文阅读，最终纳入200余篇高相关性文献。在此基础上，借助自然语言处理对施引网络和共词矩阵进行聚类，客观呈现技术融合的演进脉络，避免了人工归纳的主观偏差。
其次，研究构建了三轴技术融合概念矩阵。横轴为酶工程的核心赋能范围——从单一酶分子改造扩展至多酶复合体与人工金属酶设计；纵轴为合成生物学的递送维度——从基础调控元件、代谢途径重构到全基因组定制化编辑；第三轴为信息技术的赋能深度——从数据辅助的定向进化、深度生成模型驱动的酶序列设计，延伸至过程监测与自适应调控。作者将已发表的典型工作分解并按三轴坐标定位，识别出技术交集薄弱区和强势结合点。
进一步，团队提出了“构建–学习–预测–放大”的四阶整合环路。该环路抽象自合成生物学中的“设计–构建–测试–学习”循环，但将信息技术的功能显性化为贯穿全流程的“学习与预测”引擎，并加入工业放大的独立评价节点。在这一框架下，酶工程不再只是构建环节的输入，而是与合成生物网络的拓扑结构、机器学习的序列-功能映射模型相互嵌合。为验证概念的有效性，研究选取了非天然氨基酸合成、生物基聚酯单体生产和手性药物中间体转化等三个差异性工业场景，通过已有文献数据和部分计算模拟试验，示范了整合环路如何驱动反应选择性、时空产率和底物普适性的同步提升。需要说明的是，由于论文本身为体系性论述，其研究方法的重点并非提供原始湿实验数据，而是通过上述严谨的跨学科分析框架，赋予下一代生物催化以清晰的定义边界和实践导向。
研究结果
该研究从技术融合层、工艺赋能层和工业场景层三个递进维度，凝练出多项对学界和产业界具有重要启示的核心发现。
**第一，酶工程与信息技术的深度互嵌已超越“辅助”阶段，迈入共设计时代。** 研究揭示，深度学习驱动的蛋白质语言模型正从根本上改变酶改造的范式。不同于以往依赖随机突变和大量筛选的定向进化，生成式计算能够直接根据目标反应过渡态或底物结构，生成人工酶序列库，并在硅学层面完成活性、稳定性和立体选择性的预评估。论文归纳指出，融合策略将常规工业酶的催化效率（k_cat/K_m）提升幅度从过去的数倍推进至两个数量级以上，且能在120小时内完成原本需数月的高温耐受性改造。更为关键的是，一些研究已开始将酶视为可动态编程的“生物元件”，通过生成对抗网络定制出自然界不存在的催化功能，这正是新一代生物催化区别于传统路径的本质跃迁。
**第二，合成生物学在信息化加持下，实现了从“试错建库”到“理性细胞工厂”的跨越。** 论文详细梳理了CRISPR-Cas系统、正交化翻译以及无细胞表达体系等底层工具，如何与代谢通量组学数据、动态数学模型一起，被编织为细胞工厂的设计流水线。结果表明，整合模式已可将代谢途径优化周期缩短50%以上。以报道的1,3-丙二醇和5-氨基乙酰丙酸生产为例，通过整合机器学习预测的最强启动子组合与精确的副产物敲除策略，在补料流加发酵中产物滴度分别突破180 g/L和65 g/L，极大地逼近理论产率。这组数据虽源自被引文献，但在该研究的整合逻辑下被重新赋义：它们证明合成生物学不再孤立运作，而是通过信息技术的中介，与酶工程形成了“基因线路-酶变体”协同优化的闭环。
**第三，全流程信息物理融合催生了新一代自适应生物催化工艺。** 研究发现，将过程分析技术、数字孪生模型和实时调控系统嵌入生物催化产线，能够解决长期困扰工业界的生物体系-工程传递瓶颈。研究展示了一条虚拟连续流生物催化生产线：原位红外和拉曼光谱数据被输入深度神经网络，预测酶膜反应器中的失活进程与底物抑制系数，前端反馈系统据此实时调节底物补加速率和保留时间，使手性醇的生产稳定性提升了40%，溶剂消耗降低30%。这种集成了感知、动态预测和精密执行的工艺构架，被作者视为下一代生物催化在制造层面的终极形态。
**第四，多场景工业应用路线图与成熟度分期。** 研究并未止步于技术罗列，而是根据整合程度和工业就绪水平，将应用场景分为近中期（高值药物中间体、香料、特殊脂类）、中长期（大宗化学生物基单体、航空生物燃料）和前沿探索期（人工生命系统驱动的自生长材料、动态生物反应器网络）三类。每类场景均与相应的技术融合强度相匹配，并给出了关键技术缺口排序，为产业界制定导入策略提供了清晰的决策坐标系。
讨论与展望
这项研究的最大贡献，在于对下一代生物催化进行了首次系统性理论建构。作者明确指出，酶工程、合成生物学与信息
DOI: 10.33545/26174693.2026.v10.i1sl.7123