来源：FEBS Open Bio | 编译：DNA Lab Space
一个蛋白质要获得新功能，自然界需要数百万年；而在实验室里，这个过程被压缩到几周甚至几天。定向进化（directed evolution）做到了这一点——它不依赖科学家对蛋白质结构的深刻理解，而是用“突变—筛选”的循环，让蛋白质在人工选择压力下加速演化。最新发表在 FEBS Open Bio 的综述，系统梳理了酶定向进化从经典策略到前沿自动化平台的演进路径，并直指一个核心矛盾：筛选通量越来越高，但真正能转化为工业应用的酶却依然稀缺。
研究背景
定向进化的底层逻辑并不复杂：人为引入基因多样性，再通过筛选或选择机制富集功能改进的变体。这项技术诞生于上世纪九十年代，如今已成为蛋白质工程的核心工具，在生物技术、医学和合成化学领域均有广泛应用。
但酶的进化与结合蛋白（binder）的进化存在本质差异。结合蛋白的筛选可以依赖物理结合——比如噬菌体展示技术能从数十亿个变体中直接“钓”出高亲和力候选分子；而酶的功能是催化化学反应，无法通过简单的结合事件来评估。催化活性必须被量化测定，且需要保持基因型—表型的关联——即每个变体的DNA序列与其催化性能必须一一对应。这一根本区别，决定了酶定向进化必须依赖定量筛选策略，而这也成为整个领域技术革新的核心驱动力。
研究方法
这篇综述系统梳理了酶定向进化方法论的三个层次：基因多样性引入、筛选平台构建、以及数据驱动的进化策略。
基因多样性的引入方式。 经典方法包括易错PCR（error-prone PCR）和DNA改组（DNA shuffling）。易错PCR通过降低DNA聚合酶的保真度，在扩增过程中随机引入点突变；DNA改组则通过随机片段化与重聚，实现同源基因间的重组。综述指出，原文摘要未详述具体突变频率或反应条件，但强调了这些经典方法至今仍是构建突变文库的基础手段。
筛选平台的演进。 这是综述的重点。体外乳化（in vitro emulsions）技术将单个基因和其编码的酶共同包裹在油包水液滴中，每个液滴构成一个独立的反应腔室，从而在体外维持基因型—表型的关联。液滴微流控（droplet microfluidics）技术则进一步实现了对液滴的精确操控——生成、融合、分选均在微流控芯片上完成。超高通量分选系统（ultrahigh-throughput sorting）结合荧光激活液滴分选（FADS），每秒可评估数千至数万个液滴，大幅提升了筛选通量。
综述特别讨论了基因编码的生物传感器（genetically encoded biosensors）在筛选中的应用。这类传感器将代谢物浓度转化为荧光信号，使筛选不再依赖昂贵的外部分析仪器，而是直接在活细胞内完成“检测—报告”过程。原文摘要未详述具体传感器类型或检测阈值，但指出这一策略显著提升了筛选的时空分辨率。
连续进化与数据驱动方法。 综述将连续进化（continuous evolution）视为下一代定向进化的关键方向。与传统的“突变—筛选—扩增”离散循环不同，连续进化系统将突变和筛选耦联在一个持续运行的体系中，使蛋白质在活细胞内不断演化，无需人工干预。原文摘要未详述具体系统名称（如MAGE或PACE），但明确将连续进化与自动化、数据驱动方法并列为未来发展方向。
机器学习在定向进化中的角色。 综述对机器学习模型的应用持审慎态度。一方面，数据驱动的序列—功能预测模型可以缩小搜索空间，指导理性突变设计；另一方面，过拟合的模型可能产生误导性预测，将实验资源引向无效方向。原文摘要特别警告了“过拟合机器学习模型”可能使进化实验偏离正确轨道。
研究结果
综述的核心贡献在于系统识别了酶定向进化中的关键瓶颈与失败模式。
稳定性是进化能力的核心约束。 综述明确指出，蛋白质稳定性对可进化性（evolvability）具有决定性影响。多数有益突变以牺牲稳定性为代价——一个提高催化活性的氨基酸替换，往往同时降低蛋白质的热稳定性或构象稳定性。这意味着，突变体在获得新功能之前，可能已因折叠不稳定而被细胞降解或形成包涵体。原文摘要将稳定性称为“可进化性的核心约束”，但未提供具体的稳定性测定数据（如Tm值或ΔG变化）。
筛选设计与转化相关性之间的断层。 这是综述最尖锐的批评之一。许多定向进化项目使用底物类似物（surrogate substrate）进行筛选——这类类似物通常经过修饰，便于产生可检测的信号（如荧光或显色反应）。但问题在于，类似物底物的催化效率与真实工业底物往往存在显著差异。一个在筛选条件下表现优异的变体，可能在真实反应体系中活性平平。原文摘要将这一现象称为“替代底物偏差”（surrogate-substrate bias），但未提供具体案例的催化效率对比数据。
技术层面的失败模式。 综述列举了三类技术性陷阱。液滴泄漏（droplet leakage）：小分子荧光产物可能从液滴中扩散至连续相，导致信号串扰，使筛选准确性下降。追踪错误（tracking errors）：在超高通量分选过程中，液滴的生成、孵育与分选之间存在时间延迟，可能导致基因型与表型的错配。机器学习模型过拟合：模型在训练集上表现完美，但在预测新变体功能时严重失真，浪费实验资源。原文摘要未提供各类失败模式的发生频率或具体实验案例。
平台技术的性能边界。 综述对现有平台技术的性能进行了定性比较。展示型筛选平台（如噬菌体展示、核糖体展示）在大文库筛选方面具有优势——可评估的变体数量可达10^9以上；但这类平台主要适用于结合蛋白，对酶催化活性的筛选能力有限。相比之下，液滴微流控平台虽文库容量较小（原文摘要未提供具体数量级），但能够直接定量催化活性，且兼容多种检测模式。原文摘要未提供具体通量数值，仅强调“超高通量分选”已“大幅扩展”了筛选容量与分析分辨率。
讨论与展望
这篇综述的立场鲜明：酶定向进化正站在传统与创新的交叉路口。传统策略——易错PCR、DNA改组、微孔板筛选——依然有效，但通量瓶颈和转化断层限制了其工业价值。新兴策略——液滴微流控、生物传感器、连续进化、机器学习——正在重塑这一领域，但并非所有创新都经得起实践检验。
综述最值得深思的警示在于：技术本身不解决所有问题。筛选通量再高，如果检测信号与真实功能脱节，结果依然可能南辕北辙。替代底物偏差、液滴泄漏、模型过拟合——这些失败模式提醒我们，定向进化的核心挑战不在于产生更多突变体，而在于设计更精准的筛选逻辑。
未来方向是清晰的：经典策略与连续化、数据驱动方法的融合，将推动酶定向进化走向更可预测、更自动化、更贴近工业应用的流程。但这条路上没有捷径——每一个新平台都需要用真实的催化性能来检验，而非仅仅用通量数字来证明。正如综述所强调的，稳定性约束与筛选设计将继续是决定进化实验成败的关键变量。
参考来源
Tomkova M, Mirossay A, Sedlak E. Directed evolution of enzymes at the crossroads of tradition and innovation. FEBS Open Bio. PMID: 42124363.
PMID: 42124363