综述：酶工程的宏观视角与策略

《Chem Catalysis》：Customizing biocatalysts by reducing ΔG?: Integrating ground-state destabilization and transition-state stabilization

本综述聚焦酶工程，探讨通过降低反应自由能垒（ΔG?）提升酶催化效率的策略，助力绿色经济转型。

　　The bigger picture

酶工程作为一门前沿科学，其在推动工业向绿色经济转型中扮演着关键角色。通过理性设计酶的结构，降低反应的自由能垒（ΔG^?），可以显著提高实验效率并优化酶催化剂的设计。从短期来看，这种方法能够加速酶的进化，使其更快地适应和优化；从长期来看，降低ΔG^?有望彻底改变酶的设计理念，使其更适合工业应用。随着机器学习技术的融入，这一进程有望被进一步革新。机器学习能够实现高通量筛选，识别高效的酶，并预测适用于新反应的酶设计，为酶工程带来新的机遇。

Summary

酶作为生物催化剂，因其能够在反应路径上实现精准控制、降低能耗以及减少废物产生而备受关注。酶工程致力于改造天然酶以满足工业需求，其核心目标之一便是降低反应的自由能垒（ΔG^?）。本综述深入探讨了通过计算驱动的策略来实现这一目标的方法，这些策略主要分为两大类：基态去稳定化（GSD）和过渡态稳定化（TSS）。GSD策略包括调节底物结合自由能以去稳定基态、重塑氢键网络以及优化结合构象。TSS方法则涉及调节质子和电子转移、优化局部电场以及基于过渡态模型修改活性位点。此外，本文还对比了GSD和TSS方法，讨论了它们的计算基础、各自的优势与局限性，并探讨了技术挑战、新兴技术的影响以及未来研究的方向和趋势。

Graphical abstract

（此处省略图形摘要内容，因原文未提供详细描述）