综述：从机器学习到多模态模型——人工智能在酶工程领域的革命

这篇综述系统阐述了人工智能（AI）在酶工程中的应用演进，涵盖机器学习（ML）、深度学习（DL）、蛋白质语言模型（pLM）到多模态架构的四大发展阶段，重点解析了酶功能注释、结构建模（如AlphaFold3）、性质预测（如kcat/KM）等核心任务，并展望了动态模拟和智能代理（如BioReason）的未来趋势。

　　

从静态结构到动态设计：AI驱动的酶工程革命

引言：酶的催化核心与工程挑战

作为生命活动的核心催化剂，酶通过降低反应活化能（如K_M值优化）驱动生物转化。传统定向进化依赖随机突变筛选，而AI技术正通过数据驱动的“挖掘-设计-验证”三角框架重构这一领域。

功能建模：从EC分类到动力学预测

酶功能预测的核心是EC编号系统（如氧化还原酶EC1）。对比学习模型CLEAN通过序列嵌入聚类实现高精度EC分类，而UniKP联合ProtT5和SMILES Transformer预测k_cat等动力学参数，其环境因子增强版EF-UniKP进一步整合pH/温度影响。GO注释任务中，ProtCLIP通过序列-文本对齐提升细胞定位（CC）预测。

结构设计：单体与复合体的AI重构

AlphaFold3和RoseTTAFold All-Atom实现了从单链蛋白到蛋白-配体复合体的原子级预测。逆折叠工具PiFold采用一步生成策略，在CATH4.2数据集上超越传统自回归模型。对于结合位点，MaSIF基于分子表面几何指纹识别辅因子（如FAD/NADP）结合口袋，而Rossmann-toolbox可针对性设计辅因子偏好性突变。

多模态与智能代理的崛起

ESM3统一序列-结构-功能三模态建模，而BioReason融合DNA模型（Evo2）与通用大语言模型（Qwen3），实现KEGG通路级别的机制推理。DrugPilot等代理系统通过参数化提示模板协调分子生成-优化全流程，标志AI从工具向自主科研伙伴的转型。

挑战与未来：动态模拟与能量景观

当前模型仍局限于静态结构预测。新兴工具如Nearl将分子动力学（MD）轨迹编码为3D体素特征，为折叠路径建模奠定基础。未来需开发高时空分辨率实验平台，以训练能模拟全折叠过程的AI系统，最终实现“能量景观定制化”的酶设计。

结语

AI正推动酶工程从经验驱动迈向可解释、通用化的智能时代。建立标准化数据集（如TrpB突变库）、发展动态多模态框架、增强实验验证闭环，将是实现“设计-预测-制造”一体化突破的关键。