换一批摘要定向进化是合成生物学领域的核心底层技术之一.通过在实验室中模拟自然界发生的进化过程,定向进化利用功能筛选从大量的突变序列文库中不断获得性能提升的蛋白序列,帮助实现野生型蛋白难以实现的功能.近年来不断发展的机器学习、蛋白语言模型等人工智能(artificial intelligence,AI)方法进一步拓展了该技术的使用场景和工作效率,帮助其在酶、抗体、生物传感器等的改造中取得优异表现.本文总结了传统定向进化在突变文库构建和功能筛选过程中使用的典型策略,并对近年来开发的高效连续定向进化平台进行介绍,进一步对定向进化技术存在的序列空间有限、容易陷入局部最优等一系列问题进行探讨.快速迭代的机器学习模型与定向进化相结合,一方面能够缓解序列空间的探索局限性,另一方面能够从起始序列设计、中间文库优化、功能信息提取等多个维度对定向进化的实验流程进行完善,帮助实现更加高效的蛋白改造尝试.为明确定向进化结合机器学习的应用潜力,本文重点展示了机器学习辅助定向进化的代表案例.最后,简要探讨了该领域的潜在挑战和未来发展方向.
更多相关知识
关键词
定向进化机器学习蛋白改造蛋白语言模型合成生物学directed evolutionmachine learningprotein engineeringprotein language modelsynthetic biology
分类号
Q816（蛋白质工程）
栏目名称
DOI
10.12211/2096-8280.2025-044
发布时间
2025-07-08（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家重点研发计划（2020YFA0906900）
- 浏览4
- 被引1
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
