来源：FEBS Open Bio | 编译：DNA Lab Space
定向进化通过模拟自然选择在实验室中改造酶，是酶工程的核心方法之一。Tomkova等人近期在《FEBS Open Bio》发表的综述系统梳理了该领域从经典随机突变到连续进化与计算辅助设计的演进路线。文章强调，传统方法与创新技术并非简单的替代关系，而是正在形成互补融合的新格局，一个以“设计—进化—学习”闭环为特征的自动化定向进化时代已经到来。
研究背景
酶是天然的高效催化剂，但自然进化的酶往往无法适应工业催化、环境修复或医疗诊断等非生理条件。为提升酶的活性、稳定性、底物选择性等性质，科学家发展了蛋白质工程的两大策略：理性设计（rational design）与定向进化（directed evolution）。理性设计依赖对蛋白质结构的精确认知，能够针对特定氨基酸位点实施定点改造，然而许多酶的催化机制复杂，结构信息不足，理性设计常常面临“只见树木不见森林”的困境。
定向进化则另辟蹊径，通过反复迭代的随机突变、文库筛选和优势突变富集，在试管中重现自然进化的过程。1993年，Stemmer开创了易错PCR和DNA改组技术，为酶工程带来了革命。此后，定向进化从一项小众技术发展为合成生物学和生物催化的基础工具。2018年诺贝尔化学奖授予Frances Arnold等，进一步肯定了其科学地位。
然而，传统定向进化的效率受制于两个瓶颈：一方面，随机突变文库的序列多样性受限于基因长度和转化效率，搜索空间在庞大的蛋白质序列宇宙中仅相当于沧海一粟；另一方面，常规微量板筛选的通量较低，难以覆盖巨大文库。尤其当需要同时优化多个性状，或者酶需要催化完全不存在的非天然反应时，传统方法往往需要数十轮枯燥的筛选，周期长、成本高、命中率低。因此，如何跨越随机性带来的效率障碍，成为该领域亟待突破的问题。
研究方法
Tomkova等人的综述以“突变—选择—复制”这一定向进化的核心循环为骨架，细致剖析了从传统到现代的技术路线。
传统技术路线的起点是构建突变文库。最经典的易错PCR通过改变Mg²⁺浓度、Mn²⁺添加及核苷酸配比，使DNA聚合酶以高错误率引入随机点突变。DNA改组则通过DNase I将同源基因随机切割成数十个片段，再经无引物PCR进行重组装配，以促进有益突变间的组合。随后，突变基因被克隆到表达载体，导入大肠杆菌或酵母等宿主细胞中表达。筛选步骤常用底物显色法或生长互补策略，例如使突变体在特定底物作为唯一碳源的培养基上生长，以此间接反映酶的活性。最后，从优势克隆中提取质粒、测序识别突变，并经多轮重复循环累积多个有益突变。
在传统框架之上，文章重点介绍了三类创新技术路线。第一类是高精度突变库构建技术：包括简并密码子扫描、多重位点饱和突变（如Combinatorial Saturation Mutagenesis）等，通过针对活性口袋或结合域中的多个氨基酸位点实施系统性饱和突变，减少冗余密码子，使文库质量显著提高。第二类是高通量筛选平台：基于荧光激活细胞分选（FACS）和液滴微流控技术，将单细胞包裹在含有荧光底物的微小液滴中，使每秒可检测数千至数万个突变体，筛选通量较传统微量板提高数个数量级。第三类是连续进化系统：以噬菌体辅助连续进化（PACE）为代表，将酶基因与噬菌体的复制周期相偶联，使突变和选择在流动培养装置中持续发生，无需人工传代，可在数天内完成数以千计的进化“代次”。
值得注意的是，这些技术路线并非彼此孤立。文章描绘了一种集成式范式：首先通过计算机模拟或结构分析预测潜在的关键位点，再以定向饱和突变构建高质量文库；接着利用FACS等平台进行初步筛选，将获得的富集突变体结合下一代测序数据进行群体分析；随后机器学习模型从序列-功能数据中学习规律，预测更优组合，并指导下一轮突变设计。这种“设计—进化—学习”闭环将传统定向进化的随机搜索与理性设计的精准性融合，构成了当代酶定向进化研究的完整实验技术路径。
研究结果
该综述的核心结果可归纳为三点：技术代际的划分、方法融合的优势，以及自动化与计算带来的范式转移。
首先，作者将现有定向进化方法划分为三个层次。第一代以易错PCR和DNA改组为代表，依靠全基因随机突变和表型筛选，操作简便、普适性强，但效率较低