来源：FEBS Open Bio | 编译：DNA Lab Space
酶的定向进化：传统与创新方法的交汇与演进
导语
定向进化是合成生物学中改造酶功能的核心策略之一。随着连续进化、机器学习等新技术不断涌现，如何与传统随机突变方法有效衔接，成为该领域的重要命题。Tomkova等人在FEBS Open Bio发表的综述中，系统梳理了从易错PCR到噬菌体辅助连续进化、计算辅助设计等多元技术路线，揭示了传统与创新方法在酶工程中的互补关系，为研究者提供了清晰的技术选择框架。
研究背景
酶作为绿色高效的生物催化剂，在工业、医药和环境治理中具有巨大应用价值。然而，天然酶往往不具备理想的活性、稳定性或底物特异性，难以直接满足实际需求。为此，科学家发展了酶工程的两大策略：理性设计和定向进化。其中，定向进化通过在实验室中模拟自然进化的“突变—筛选”循环，在不完全理解酶结构的基础上即可改善其性能，自20世纪90年代起成为蛋白质工程的核心工具。传统定向进化依赖易错PCR引入随机点突变，或通过DNA改组实现片段重组，但这些方法受限于突变偏好性、筛选通量和进化周期，难以触及远距离的适应度景观。近年来，随着合成生物学、微流控、自动化及计算的发展，定向进化进入了“传统与创新”的十字路口：一方面，经典方法仍因其简便性和可靠性被广泛使用；另一方面，连续进化平台、计算机理性设计辅助的突变库构建、机器学习指导的筛选策略等新范式不断涌现，正在重塑酶进化的方式。Tomkova等人的论文正是在这一节点上，对传统方法与新兴技术进行了系统性比较与综合审视，试图回答“如何选择最佳的进化策略”这一核心问题。
研究方法
该论文采用文献综述与案例比较相结合的研究方法，系统检索并梳理了定向进化领域自兴起以来的代表性实验方案。作者将当前主流技术路线归纳为三大类：传统随机突变策略、连续定向进化系统，以及计算与进化相融合的设计路线，并逐一剖析了它们的操作流程、适用条件和局限性。具体而言，传统路线包括经典的易错PCR和DNA改组，作者详细描述了易错PCR如何通过调整镁离子浓度、锰离子替换或使用低保真DNA聚合酶来引入随机突变；DNA改组则通过DNase I随机切割、无引物PCR组装和再扩增实现多亲本序列的体外重组。连续定向进化部分，论文重点介绍了噬菌体辅助连续进化（PACE）技术，该技术将目标基因置于受诱导的噬菌体基因组中，使噬菌体的繁殖依赖于酶突变体的活性，从而将突变、筛选和复制耦联在连续流动的培养系统中，无需人工干预即可实现数十代进化。创新融合路线方面，论文阐述了机器学习如何利用已有突变数据训练模型，预测有益突变位点并设计小型化、高质量的突变库；同时，计算理性设计（如Rosetta设计）可与随机突变结合，先通过结构预测缩小搜索空间，再通过定向进化对候选突变体进行优化。此外，作者还探讨了微流控液滴筛选、细胞表面展示等高通量筛选技术如何与上述进化策略联用，构成完整的“突变—筛选—扩增”闭环。通过对这些技术路线的对比分析，论文总结出在不同研究背景下选择适宜进化策略的决策逻辑。
研究结果
该论文的核心发现并非某一具体实验数据，而是对定向进化领域技术发展规律和组合策略的深刻洞察。作者指出，传统方法虽然看似“老旧”，但其价值并未衰减。例如，易错PCR因操作简单、成本低廉，仍适合对已知活性酶进行局部性能改良；DNA改组则擅长组合多个有益突变，尤其适用于提高酶的热稳定性或催化活性。然而，传统方法存在显著局限：突变偏好性使得某些氨基酸替换难以获得；随机突变的组合爆炸意味着需要依赖大规模筛选，而大多数突变都是中性的甚至有害的，导致筛选效率低下。针对这些瓶颈，连续定向进化展现出巨大潜力。论文以PACE为代表，指出该技术能够实现基因的持续诱变与选择，使得每轮进化只需数分钟，实验周期从传统方法的数周缩短至数天。更重要的是，PACE允许进化“创造性”地探索适应度景观中的局部峰值，能够在没有人工设定筛选目标的情况下演化出新的功能。作者同时强调，机器学习辅助的定向进化正在成为新的“创新引擎”。通过对已知酶变异体的数据训练，模型可以预测突变对酶稳定性和活性的影响，从而指导设计小而精的突变库，将筛选工作量减少几个数量级。论文还报告了几项代表性案例：利用机器学习结合易错PCR，成功将某种酯酶的催化效率提高了数十倍；通过PACE进化出具有非天然底物活性的RNA聚合酶，证明了连续进化平台在催生新酶功能中的独特优势。在技术交叉方面，论文指出将计算机设计用于生成祖先序列或稳定性骨架，再辅以随机突变，可有效拓宽可进化的序列空间，这一策略已在若干抗体和工业酶改良中得到验证。值得注意的是，作者并不认为创新方法将完全取代传统方法，而是强调二者实际上处于互补关系：传统方法提供了广泛而廉价的突变基础，创新方法则提供了精准的导航和高效的自动化筛选。只有根据目标酶的性质、可用平台和筛选能力，灵活选择与组合这些方法，才能在有限时间内获得最优突变体。该观点为合成生物学和蛋白质工程研究人员提供了一份具有操作指导意义的技术地图。
讨论与展望
该综述将定向进化放在“传统与创新”的交叉点上进行审视，具有鲜明的实践指向。传统方法如同“广撒网”，创新方法则如同“钓鱼”。在未来，随着自动化实验设备和计算算法的发展，定向进化将朝向“设计—进化—学习”的闭环迭代模式演进：机器学习持续从实验数据中学习并预测更好的突变组合，而自动化连续进化平台则负责快速验证这些预测。这一模式有望打破当前定向进化在搜索效率和结果可重复性上的瓶颈。然而，作者也提醒，计算预测的准确性高度依赖训练数据的质量，而连续进化系统对不同酶的适配仍存在难题，例如选择压力的设计、基因表达水平的调节以及宿主细胞代谢负荷的控制等。此外，如何建立统一的酶突变数据库和进化实验标准，促进跨实验室数据共享，将是下一阶段的重要议题。总之，定向进化这门“年轻的学科”正在因传统智慧的积累和前沿技术的注入而焕发新的生命力，其在合成生物学、绿色制造和精准医学中的应用前景值得期待。
参考来源
Tomkova M, Mirossay A, Sedlak E. Directed evolution of enzymes at the crossroads of tradition and innovation. FEBS Open Bio. (DOI未在提供信息中给出，检索时请以论文正式版本为准)