全球每年超8000万吨PET塑料垃圾中，仅9%被有效回收。这种常用于饮料瓶、快递盒的材料，因分子结构稳定如“钢铁锁链”，自然降解需数百年。近年来，PET水解酶（PETase）被视为生物降解的“希望”，但传统酶工程如同“在十万个零件中盲猜哪个能优化机器”。如今，我国北京化工大学团队在《Frontiers of Chemical Science and Engineering》发表综述指出，机器学习正让这一过程从“大海捞针”变为“精准导航”——通过算法预测酶突变位点，可将PET降解效率提升43倍，甚至实现“一周内51种PET废料全降解”。

传统酶工程：“试错法”耗时耗力

PET塑料的降解难题，根源在于其高度结晶的分子结构——如同紧密排列的“乐高积木”，天然酶难以“拆解”。2005年发现的TfH酶和2016年日本发现的IsPETase酶，虽能水解PET，但效率极低：IsPETase在30℃下分解一个饮料瓶需数月，且温度超过40℃就会“失活”。

为改造酶，科学家曾尝试两种方法：“定向进化”需构建上万种突变体，筛选耗时数月；“理性设计”则依赖对酶结构的深度理解，如同“凭图纸修手表”，但PETase的动态构象变化复杂，常“改对了零件却装错了位置”。例如，早期通过理性设计获得的IsPETase突变体，热稳定性仅提升9℃，活性提高14倍，仍无法满足工业需求。

机器学习“三招”破解困境

机器学习的介入，让酶工程有了“智能设计师”。研究团队总结出三大核心策略：

第一招：3D结构“CT扫描”
MutCompute模型如同“酶的X光机”，通过3D卷积神经网络分析1.9万个蛋白质结构，识别“不稳定热点”。例如，在ThermoPETase中，算法预测S121E、T140D等突变位点，如同“给酶的活性中心换上防滑鞋底”，使其在50℃下仍能稳定工作。最终诞生的FAST-PETase，可在一周内将51种未经处理的PET废料（如奶茶杯、快递泡沫）降解为90%以上的单体，效率是天然酶的14倍。

第二招：蛋白质“语言翻译”
Transformer模型将酶的氨基酸序列视为“句子”，通过15051条角质酶家族序列训练，预测最佳“单词组合”。例如，针对BhrPETase，AI从18个候选位点中选中H218S和F222I突变，如同“拓宽酶的活性口袋”，使PET分子更易进入反应位点。叠加GRAPE策略后生成的TurboPETase，在10小时内可降解300 g/L工业级PET废料，转化率接近100%，速度比IsPETase快43倍。

第三招：“从零造酶”
当天然酶“底子差”时，AI可从头设计全新序列。例如，提取角质酶的“催化三巨头”（丝氨酸、组氨酸、天冬氨酸），用ProteinMPNN算法生成全新蛋白质骨架。设计出的RsPETase虽仅34%序列与天然酶相似，却能在56℃下保持活性，降解效率媲美IsPETase。

从实验室到工厂：还需跨越“三道坎”

尽管进展显著，机器学习驱动的酶工程仍面临挑战。首先是“数据饥饿”——高质量酶突变数据不足，如同“用模糊的图纸造精密仪器”；其次，酶的动态构象难以预测，算法可能“优化了静态结构却忽略了运动时的关键变化”；最后，工业化成本高，目前AI设计的酶每克成本超千元，大规模生产仍需突破。

研究团队指出，未来需建立“酶-底物-环境”多维度数据库，并结合分子动力学模拟，让AI不仅“看结构”还能“模拟运动”。按当前发展速度，预计5-10年内，AI设计的降解酶有望实现“塑料瓶→原料→新塑料瓶”的闭环回收，让“白色污染”变“城市矿山”。

来源: 化学工程前沿FCSE