A unified pipeline for discovering previously unknown enzyme activities

该研究提出了集成 23 种开源工具并包含两项创新方法（Func-e 和 Oligopoolio）的 Enzyme-tk 统一流程，成功用于发现针对 DEHP 和 TPP 等污染物降解的具有高热稳定性等新特性的未知酶活性。

要点

这篇论文讲述了一个名为 Enzyme-tk（酶工具包） 的“超级寻宝系统”，它帮助科学家更快速、更便宜地找到能分解污染物的“超级酶”。

为了让你更容易理解，我们可以把整个过程想象成寻找一位能解决特定难题的“超级厨师”。

1. 背景：为什么我们需要找新厨师？

想象一下，我们的世界被一些奇怪的“有毒垃圾”（比如塑料增塑剂 DEHP 和阻燃剂 TPP）污染了。自然界里其实有一些“厨师”（酶）能分解这些垃圾，但现有的厨师要么个头太大（像个大胖子，很难在工厂里操作），要么太娇气（怕热，一加热就罢工），要么根本找不到（因为垃圾太新，老厨师没做过）。

以前，科学家找新厨师的方法是：

• 大海捞针：在成千上万的食谱书（数据库）里，凭感觉找长得像的厨师。
• 试错法：把找到的厨师一个个请进厨房试菜，这既花钱又费时间。
• 结果：效率很低，经常找不到合适的。

2. 解决方案：Enzyme-tk（酶工具包）

作者们开发了一个全自动的“寻厨流水线”，叫 Enzyme-tk。它把找厨师的过程分成了三个主要步骤，就像是一个智能招聘系统：

第一步：预测（Predict）—— 用 AI 猜谁能行

• 传统做法：只找做过类似菜的厨师（比如找做过“切苹果”的厨师来切“有毒塑料”），这往往行不通，因为塑料和苹果差别太大了。
• 新做法（Func-e）：作者训练了一个AI 大脑。这个 AI 不看厨师以前做过什么，而是看厨师的“基因食谱”（蛋白质序列）和“有毒垃圾”的化学结构。
  • 比喻：就像 AI 能看出一个从未做过川菜的人，只要他的“手劲”和“刀法”适合，就能让他学会做川菜。AI 能在几万个从未被记录过的“野生厨师”（来自极端环境或污水的微生物）中，精准挑出几个最有潜力的候选人。

第二步：合成（Synthesize）—— 用乐高积木拼出厨师

• 痛点：以前要验证一个厨师，得花钱去“定制”他的完整基因食谱，这非常贵（就像定制一套昂贵的西装）。
• 新做法（Oligopoolio）：作者发明了一种**“乐高拼搭法”**。
  • 比喻：他们不再定制整件西装，而是买一堆便宜的“布料碎片”（短基因片段）。然后，像拼乐高一样，把这些碎片在试管里自动拼成完整的基因。
  • 效果：这种方法把成本降低了 45%，而且一次能拼出很多个不同的厨师，大大降低了试错门槛。

第三步：验证（Validate）—— 进厨房试菜

• 把拼好的基因放入大肠杆菌（相当于让细菌穿上厨师服），然后让它们去分解那些有毒垃圾。
• 科学家通过检测有没有产生“无毒产物”来判断厨师是否合格。

3. 这次他们找到了什么？

作者用这套系统去挑战两个很难的“有毒垃圾”：

1. DEHP（一种塑料添加剂）：
   • 他们发现了一个来自嗜热菌（生活在高温环境下的微生物）的新厨师 Q7SIG1。
   • 特点：它个头小，不怕热，而且能成功把 DEHP 分解掉一步。这是以前在数据库里完全没被注意到的“隐形冠军”。
2. TPP（一种阻燃剂）：
   • 他们找到了另一个新厨师 I3NWL3。
   • 特点：它比以前已知的“明星厨师”（Sb-PTE）要小得多（短了 337 个氨基酸），而且活性更好。
   • 惊喜：还有一个厨师 Q06174，虽然一开始表现一般，但科学家给它做了一次“特训”（定向进化），它的活性瞬间提升，甚至能媲美现有的明星厨师。

4. 为什么这很重要？

• 省钱省力：以前找新酶像在大海里捞针，现在有了“磁铁”（AI）和“廉价积木”（Oligopoolio），效率极高。
• 打破常规：这套系统不依赖“以前做过什么”，而是靠“基因长得像不像”，所以能发现那些完全没被记录过的新酶。
• 开源共享：作者把这套工具包（代码、方法）全部免费公开了。就像把“寻厨秘籍”和“乐高图纸”都发给了全世界，让其他科学家也能用这套方法去解决更多的环保或工业问题。

总结

这就好比以前我们想找一个能修外星飞船的工程师，只能去地球上的修车铺里一个个问，很难找到。
现在，作者造了一个AI 筛选器，能根据“手型”和“思维模式”从全宇宙（包括极端环境）的潜在人才中挑出几个天才；然后用廉价积木快速造出他们的“工作模型”；最后让他们直接上手修飞船。

结果证明，这套方法真的找到了几个又小、又耐热、又高效的“外星工程师”，为未来清理地球上的化学污染提供了新的希望。

技术摘要

这篇论文介绍了一个名为 Enzyme-tk 的统一计算与实验管道，旨在发现具有特定催化活性的未知酶。该研究通过整合机器学习（ML）预测、低成本基因组装和实验验证，成功解决了在人工底物（如污染物）上发现高效酶的挑战。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：寻找能够催化特定化学反应（尤其是针对非天然底物）的酶仍然非常困难。传统的基于相似性的搜索（如 BLAST）或基于 EC 编号的查询往往局限于已知反应，难以发现“分布外”（out-of-distribution）的新功能。
• 现有局限：
  • 现有的工具碎片化，缺乏标准化的数据格式和统一的流程。
  • 机器学习方法通常缺乏实验验证，且难以处理未见过的底物。
  • 成本瓶颈：全基因合成成本高昂（每个 200 个氨基酸的基因约需 70-170 美元），限制了大规模筛选候选酶的能力。
  • 已知催化特定污染物（如邻苯二甲酸酯和有机磷酸酯）的酶往往存在体积大、热稳定性差或结构复杂（如含二硫键）等问题，不适合实际工业应用（如污水处理厂）。

2. 方法论 (Methodology)

作者开发了一个名为 Enzyme-tk 的 Python 开源框架，集成了 23 个工具，分为三个核心模块：预测 (Predict)、合成 (Synthesize) 和 验证 (Validate)。

A. 预测模块 (Predict)

• 数据源：整合了“极端微生物数据集”（8,793 个来自嗜热菌/古菌的短序列酶）和“宏基因组数据集”（来自全球五个污水处理厂污泥的未注释序列）。
• 新算法 Func-e：
  • 开发了一种新的序列 - 反应双模态机器学习模型。
  • 架构：使用 ESM2/3 生成酶序列嵌入，使用 RxnFP/Uni-mol 生成反应 SMILES 字符串嵌入。通过交叉注意力机制（Cross-attention heads）将两者结合，输入到神经网络中。
  • 功能：不仅预测酶是否对特定反应有活性（二分类），还包含 13 个回归头，预测分子量、序列长度等特征，以辅助筛选。
  • 训练：基于 CARE 基准数据集进行训练，并在“易”、“中”、“难”三种不同相似度的测试集上评估泛化能力。
• 过滤策略：结合活性位点注释（Squidly）和结构过滤（StructureZyme，利用 Chai/Boltz 进行共折叠和对接），筛选出具有理想特征（如小分子、热稳定、无辅因子依赖）的候选酶。

B. 合成模块 (Synthesize) - Oligopoolio

• 创新点：为降低基因合成成本，开发了 Oligopoolio 方法。
• 原理：利用聚合酶循环组装（PCA）技术，将全基因拆分为多个短寡核苷酸片段（Oligos），通过混合池（Pooled）的方式一次性订购和组装。
• 优势：
  • 相比订购单个全基因，96 孔板的合成成本降低了 45%。
  • 通过计算优化重叠区（Overhangs）和熔解温度，确保组装效率。
  • 实验表明，对于 40 个基因，34 个被正确组装且序列一致性达 100%。

C. 验证模块 (Validate)

• 高通量筛选：在 96 孔板中表达候选酶，使用澄清的细胞裂解液进行反应。
• 底物：针对两种常见污染物：
  1. DEHP（邻苯二甲酸二(2-乙基己)酯）：水解为 MEHP。
  2. TPP（磷酸三苯酯）：水解为 DPP。
• 检测：使用 HPLC-MS 分析产物生成量。

3. 关键贡献 (Key Contributions)

1. Enzyme-tk 框架：首个将 ML 预测、标准化数据流、低成本基因组装和实验验证统一起来的开源管道，包含 23 个可组合的工具。
2. Func-e 模型：提出了一种仅基于序列和反应 SMILES 的 ML 模型，能够发现与训练集相似度极低（Tanimoto 相似度 < 0.5）的新酶活性。
3. Oligopoolio 技术：一种经济高效的基因组装策略，显著降低了大规模酶筛选的实验门槛。
4. 发现新酶：成功发现了两种具有优异特性的新酶，用于降解环境污染物，且这些酶在已知数据库中未被注释或未被识别为相关活性。

4. 实验结果 (Results)

研究团队将 Enzyme-tk 应用于 DEHP 和 TPP 的降解筛选：

• 基准测试（传统方法）：

  • 使用基于 EC 编号相似性和 CREEP 模型的方法筛选了 40 个候选酶。
  • 结果：未发现对 DEHP 有活性的酶。发现一个对 TPP 有微弱活性的酶 Q06174。通过定向进化（epPCR），获得了突变体 Q06174-3（K138E, D178G, D236G），其活性与文献中的阳性对照（Sb-PTE）相当，但分子量更小（< Sb-PTE 的一半）。

• 新方法测试（Func-e + Oligopoolio）：

  • 利用 Func-e 模型在极端微生物和宏基因组数据集中筛选，最终实验验证了 31 个候选酶。
  • DEHP 降解：发现了一个未注释的嗜热菌酶 Q7SIG1（来自 Bacillus acidocaldarius）。它能催化 DEHP 水解的第一步（生成 MEHP），且比文献中的 QHH 酶更小、更稳定。
  • TPP 降解：发现了一个未注释的羧酸酯酶 I3NWL3（来自 Geobacillus sp. ZH1）。其长度仅为 246 个氨基酸，比文献对照 Sb-PTE 短 337 个氨基酸，且序列一致性低于 30%，但表现出显著的 TPP 水解活性。
  • 效率：仅筛选了不到 30 个酶（从近 9000 个候选中），就成功找到了优于已知文献酶的候选者，大幅减少了实验成本和时间。

5. 意义与展望 (Significance)

• 突破“分布外”限制：证明了 ML 模型可以在缺乏同源序列和已知类似反应的情况下，成功预测并发现针对非天然底物的新酶活性。
• 降低成本：Oligopoolio 方法使得大规模并行合成和筛选基因成为可能，解决了实验验证成本高的问题。
• 实际应用潜力：发现的酶（Q7SIG1 和 I3NWL3）具有小分子量、高热稳定性（来自嗜热菌）和高表达量等特性，非常适合在工业环境（如废水处理）中应用。
• 社区贡献：所有代码、管道和文档均已开源（GitHub），旨在建立一个连接酶注释和酶设计领域的开放科学社区，加速生物催化领域的创新。

总结：该论文通过构建一个端到端的自动化管道，结合先进的机器学习算法和创新的低成本合成策略，成功实现了从海量未注释序列中快速、经济地发现具有特定工业应用价值的新酶，为生物制造和环境修复提供了强有力的新工具。