来源：PLoS One | 编译：DNA Lab Space
定向进化是改造生物分子的核心技术之一，但传统的突变-筛选策略往往依赖经验参数，缺乏对进化过程的定量刻画。本研究针对无性繁殖群体，建立了一套描述突变、选择与遗传漂变相互作用的数学框架，揭示了影响定向进化效率的关键参数阈值，并提出动态调控突变率与筛选强度的最优策略。该成果将定向进化从“试错式”实验推向“可计算”的理性设计，为蛋白质工程和菌株改良提供了理论工具。
研究背景
定向进化通过在实验室中模拟自然选择过程，使目标生物分子在人为施加的突变和筛选压力下快速获得期望功能。该方法已在酶催化活性改造、抗体亲和力成熟及代谢途径优化等领域取得广泛应用。然而，在实际操作中，多数定向进化实验仍依赖经验法则：实验者需要自行确定起始突变率、筛选强度、传代周期和群体规模等参数。由于无性繁殖群体在传代过程中不断产生新的突变，同时受到选择清除和随机漂变的共同作用，其进化轨迹具有高度随机性。参数设置不当往往导致进化停滞、有害突变累积，甚至群体崩溃。尽管已有部分理论模型尝试描述实验室进化过程，但大都局限于特定实验体系，缺乏适用于通用无性群体的统一定量逻辑。因此，建立一套能够预测和指导定向进化实验设计的理论框架，对于提高实验效率、降低筛选成本具有重要的现实意义。
研究方法
该研究采用理论建模与数值模拟相结合的技术路线，旨在从群体遗传学第一性原理出发，推导无性群体在定向进化过程中的关键定量关系。作者构建了一个包含连续突变-筛选循环的分组群体模型。模型假设群体由若干适应度类别组成，每个个体的繁殖率由其适应度决定，而突变事件以一定速率改变个体的适应度类别。具体地，模型将突变分为三类：中性突变、有害突变和有益突变，并分别赋予不同的发生概率。选择过程则通过一个可调的筛选阈值来实现，只有适应度高于该阈值的个体才能进入下一轮繁殖。此外，模型还考虑了群体瓶颈效应，即每轮筛选后随机抽取固定数量的个体作为下一轮起始群体，用以模拟实验中的转移步骤。
为了求解模型，作者同时采用了确定性微分方程和随机分支过程两种方法。确定性方程适用于大群体条件下描述平均行为，而随机分支过程则用于刻画有限群体中的随机波动。通过比较两种方法的输出，作者验证了模型在中等群体规模下的可靠性。随后，研究以“获得一个具有特定适应度提升的有益突变”作为进化成功标准，系统扫描了突变率、选择强度、瓶颈大小和循环轮数等参数空间，计算成功概率与这些参数之间的函数关系。研究还设计了几种典型的进化策略，包括恒定高突变率、恒定低突变率以及前期高突变率后期低突变率的动态策略，并对它们的性能进行了对比。模拟实验均以计算机仿真实现，并采用敏感性分析检验模型对参数扰动的稳定性。
研究结果
模拟结果显示，突变率与进化成功概率之间存在显著的非单调关系。在低突变率区间，群体中产生有益突变的频率极低，进化过程受限于突变供给；而在高突变率区间，有害突变和致死突变的大量涌现使得群体平均适应度急剧下降，甚至导致群体灭绝。因此，存在一个最优突变率，该值取决于适应度景观中有益突变所占比例以及有害突变的效应分布。如果有益突变极为罕见，最优突变率会适度升高以增加突变供给，但同时需要配合较强的选择压力以清除有害突变。
选择强度的作用同样依赖于进化阶段。研究发现，在进化的早期阶段，温和的选择强度能够保留更多中等适应度的个体，从而维持群体遗传多样性，为后续的适应性突变提供原材料。而到了进化的后期，当群体中已出现接近目标的优势个体时，增强选择强度可以迅速固定这些个体，阻止竞争性克隆的干扰。这一结果提示，固定的筛选强度并非最优策略，而应根据进化进程动态调整。
群体瓶颈大小对进化结果具有临界效应。模拟表明，当瓶颈大小低于某一阈值时，即使存在强选择，有益突变也会因为随机漂变而大量丢失，最终导致进化失败。而当瓶颈大小高于该阈值时，有害突变会在群体中持续累积，拖慢整体适应度的提升。研究进一步发现，最佳瓶颈大小与选择强度负相关，即强选择可以容忍更大的瓶颈，而弱选择则需要更小的瓶颈来控制有害突变负荷。
策略比较结果表明，动态调节突变率的策略显著优于任何恒定突变率策略。在“前期高突变、后期低突变”策略下，群体首先通过高突变率快速产生多样化组合，随后在低突变率下对已筛选出的优势基因型进行巩固和微调。这种策略既避免了一直维持高突变率导致的有害突变堆积，又防止了低突变率下的多样性不足。值得注意的是，该优势在有益突变比例较低的模拟条件下尤为明显，说明动态策略特别适用于难度较高的定向进化目标。
此外，模型还揭示了突变率-选择强度-瓶颈大小三者之间的协变关系。通过对大量参数组合的模拟结果进行回归分析，作者提出一个无量纲的“进化效率指数”，该指数由有效突变率和选择强度共同决定，能够预测给定参数下获得目标突变的概率。这一指数为实验室参数设计提供了简洁的指导工具：实验者只需估计目标突变率和选择强度，即可初步判断当前条件是否处于有效率区间。
讨论与展望
该研究为无性群体的定向进化提供了系统性的定量逻辑，其核心贡献在于将进化实验中的经验参数转化为可计算的变量，并揭示了它们之间的相互制约关系。与以往依靠直觉调整突变率或筛选压力的做法相比，该模型能够预先评估不同策略的成功概率，从而显著减少实验试错的成本。尤其值得关注的是，动态突变率策略的提出改变了传统恒定诱变剂处理的操作习惯，为实验设计提供了新的思路。
不过，本研究也存在一定的局限性。模型假设适应度景观在进化过程中保持静态，且各个突变位点之间相互独立，没有考虑上位效应和适应性中性的复杂情形。实际生物分子中，突变效应往往具有高度背景依赖性，一个突变在某个基因型下可能是有害的，而在另一个背景下却成为必要的前置突变。未来的工作可以将景观模型拓展至包含上位效应和动态环境变化，以更真实地描述实验室进化过程。此外，将该理论框架与自动化连续进化平台（如液滴微流控、恒化器培养）相结合，有望实现实时反馈控制的闭环定向进化，从而最大化获得理想突变体的概率。
总体而言，这项研究标志着定向进化从经验科学向定量工程迈出了重要一步。通过理解无性群体进化的底层逻辑，研究者现在可以在实验开始之前，就为突变率、选择压力和群体规模设定一个合理的范围，从而将定向进化变成一项更具确定性的生物技术。
参考来源
Park K. Quantitative logics for directed evolution of an asexual population. PLoS One. DOI: 未提供.