人工智能正在为酶发现和蛋白质工程提供新的研究范式。然而，如何将模型预测真正转化为实验中可验证的高性能酶，并进一步服务于非天然代谢途径的构建，仍是AI辅助生物工程面临的挑战。在合成生物学中，当需要为一条从头设计（de novo）的途径寻找合适的催化元件时，面对庞大的候选酶库和有限的实验通量，如何高效、低成本地锁定潜力目标，是制约天然与非天然产物生物合成及智能制造的瓶颈所在。

  非天然氨基酸（noncanonical amino acid, ncAA）及遗传密码扩展（Genetic Code Expansion, GCE）技术的应用，为抗体药物偶联、蛋白质功能调控、蛋白质-蛋白质相互作用解析以及新型生物制剂开发开辟了新的可能。然而，绝大多数ncAA仍依赖外源化学合成与添加，限制了GCE在规模化生产和高通量筛选中的应用。在宿主细胞内自主合成ncAA面临一个障碍：ncAA的合成途径通常是“非天然”的，其中最关键的一步往往缺乏已知的高效生物催化剂。以磺基酪氨酸（sulfotyrosine, sTyr）为例，它作为一种重要的带有磺酸基团的非天然氨基酸，在凝血、免疫及细胞信号调控中具有关键作用，但其胞内合成需要磺基转移酶（SULT）催化酪氨酸磺化——而高效、可溶且与宿主代谢兼容的SULT，在自然界中极为难觅。

  近日，中国科学院深圳先进技术研究院定量合成生物学全国重点实验室/合成生物学研究所研究员罗小舟与团队副研究员王欣然等在Chemical Engineering Journal在线发表了题为 “An AI-guided framework for discovery and evolution of sulfotransferases enables efficient sulfotyrosine bioproduction”的研究论文，针对上述问题提出了解决方案。他们利用此前开发的深度学习模型UniKP（该模型能够仅从酶的氨基酸序列出发，预测其对特定底物的催化效率），建立了一套AI驱动的磺基转移酶快速挖掘体系，并成功应用于sTyr的完全胞内生物合成及其在蛋白质中的遗传编码。

文章上线截图

原文链接：https://doi.org/10.1016/j.cej.2026.177249

  在构建sTyr的胞内合成途径时，需要引入磺基转移酶将酪氨酸转化为sTyr。然而，磺基转移酶家族庞大且功能各异，通过传统的BLAST同源搜索或序列相似性网络（SSN）分析往往只能推荐与已知模版高度相似的序列。如果目标酶与模版酶进化距离较远，这些方法极易遗漏真正的潜力候选。若采用穷举式实验筛选，工作量之巨大几乎难以承受。因此，如何从庞大的序列空间中快速、准确地锁定具有高效的目标催化活性的酶，是途径构建中的关键问题。

  AI作为“智能预筛网”，从序列空间锁定潜力磺基转移酶

  针对这一问题，研究团队利用此前开发的酶动力学参数预测模型UniKP，建立了AI指导的磺基转移酶筛选体系，同时构建了基于基因密码子扩展（GCE）的sTyr荧光传感器，将细胞内sTyr合成能力转化为可检测的sfGFP荧光信号。研究首先对UniKP的预测能力进行了初步验证，在排名前4的候选酶中，有2个表现出明显活性，显示出较高的候选酶富集能力。

图1.  AI指导磺基转移酶的发现与实验验证

  在此基础上，为进一步检验AI预测是否真正优于传统筛选方式，研究团队将UniKP与基于同源性的BLAST筛选以及基于序列空间分群的SSN策略进行了系统比较。在由BLAST扩展获得的1000条同源序列中，经UniKP二次排序后，仅对排名前5的候选酶进行实验验证，即获得了高活性磺基转移酶EfST1A1。相比之下，单纯依据BLAST排名筛选的候选酶均未表现出优于起始酶的活性，SSN筛选得到的候选酶提升也不显著。这一结果证明，UniKP模型能够有效捕捉到传统序列比对方法难以识别的“远亲”功能酶，极大地降低了非天然途径构建中酶元件筛选的实验负担。

图2.  不同筛选策略在磺基转移酶发现中的比较

  AI起步，进化升级：实现高效细胞工厂及功能应用

  在获得AI筛选的EfST1A1后，研究团队进一步结合结构分析、饱和突变和荧光激活细胞分选（FACS）开展定向进化，获得了催化活性显著提升的三重突变体evo_EfST1A1。该突变体不仅活性大幅提高，还保持了广泛的底物兼容性。

  最终，研究人员将这一经AI辅助发现并进化获得的酶应用于工程大肠杆菌中，通过对sTyr前体及磺基供体PAPS供给途径的代谢网络优化，成功构建了从葡萄糖出发、完全不依赖外源sTyr添加的自主合成细胞工厂，sTyr产量达到可观水平。更重要的是，该系统能够有效支持sTyr在含有多个琥珀终止密码子的蛋白质中进行多位点遗传编码，其掺入效率显著优于此前报道的体系，充分展示了生物合成sTyr在实际功能蛋白修饰中的巨大应用潜力。

图3. sTyr生物合成与多位点遗传编码

  该研究建立了从“AI预测—实验验证—酶进化—细胞工厂构建—功能应用”的完整研究流程。通过与传统筛选方法比较，结合体外酶活测定研究，系统展示了AI在真实酶工程场景中的应用价值。这项研究表明，对于一个特定的化学反应，当催化它的酶尚不明确时，AI不再仅仅是“计算工具”，而是可以充当“实验策略设计者”的角色。它帮助我们从成千上万的候选序列中“押注”最值得测试的几个目标，将“大海捞针”变为“按图索骥”。这种从“随机筛选”到“智能预判”的范式转变，将同时惠及非天然产物的人工合成与天然产物的重新发掘。

  中国科学院深圳先进技术研究院定量合成生物学全国重点实验室/合成生物学研究所前助理研究员张盼和中国科学院深圳先进技术研究院/中国科学院大学博士研究生陈燕为该论文共同第一作者，中国科学院深圳先进技术研究院定量合成生物学全国重点实验室/合成生物学研究所研究员罗小舟和团队副研究员王欣然为共同通讯作者。本研究得到了国家重点研发计划、国家自然科学基金、广东省重点领域研发计划、广东省基础与应用基础研究基金、深圳市科技计划、中国科学院深圳先进技术研究院科技创新杰出青年人才培养计划及深圳合成生物学创新研究院的支持。