活性提高42倍，ML引导的无细胞表达加速酶工程，登Nature子刊
原文中文，约2600字，阅读约需7分钟。
📝
内容提要
酶是重要的天然催化剂。斯坦福大学和西北大学的研究团队利用机器学习平台评估了1217种酶变体，成功提高了酰胺合成酶的活性，实验可在几天内完成，推动可持续生物制造的发展。
🔎
延伸解读
酶工程的挑战与机遇
酶工程在快速生成和使用大量序列功能关系数据集方面面临挑战。尽管如此，机器学习的引入为酶的设计和优化提供了新的机遇，能够加速定向进化过程，推动可持续生物制造的发展。
无细胞表达系统的优势
无细胞基因表达系统使得酶的快速合成和功能测试成为可能。这种方法不仅提高了实验效率，还降低了对活细胞的依赖，能够在几天内完成实验，显著缩短了研发周期。
数据收集的瓶颈
尽管机器学习在酶工程中展现出巨大潜力，但数据收集仍是一个瓶颈。当前的实验筛选方法无法满足大规模数据需求，限制了模型的有效性和应用范围。未来需要更多的数据支持以推动这一领域的发展。
❓
Q&A
什么是酶，它们的应用领域有哪些？
酶是重要的天然催化剂，广泛应用于消化、香水、洗衣和疾病治疗等领域。
斯坦福大学和西北大学的研究团队开发了什么新技术？
他们开发了一个机器学习引导的平台，集成了无细胞DNA组装、基因表达和功能分析。
该研究如何提高酰胺合成酶的活性？
研究使用岭回归增强机器学习模型，预测酰胺合成酶变体的活性提高了1.6至42倍。
无细胞基因表达系统的优势是什么？
无细胞基因表达系统使得快速合成和功能测试蛋白质成为可能，加速了定向进化过程。
该研究的成果对可持续生物制造有何影响？
研究成果有望推动可持续生物制造的发展，促进新酶的设计和应用。
数据收集在生物催化反应中面临什么挑战？
数据收集仍是生物催化反应的瓶颈，人工智能需要大量数据支持，但目前数据不足。
🏷️
