Chem Catalysis｜SubTuner：以物理建模赋能AI，突破酶工程的非天然底物挑战

本文介绍了范德堡大学杨中悦课题组开发的SubTuner平台，该平台通过融合物理建模与AI技术，解决了酶工程中非天然底物催化的挑战。研究背景指出，AI在酶工程中的应用虽提升了效率，但受限于数据稀疏性，预测偏差问题突出。SubTuner基于三条物理假设（热稳定性、过渡态结合、活性位点电场优化）进行突变体筛选，显著提升了命中率和催化活性。实验验证显示，SubTuner在多个酶体系中表现优异，命中率最高达30%，催化活性提升最高达65倍。此外，SubTuner通过分子模拟数据解析突变机制，实现了从经验驱动到理论指导的转变。与主流AI工具对比，SubTuner在准确度、功能提升和突变体多样性上均占优，展现了物理建模与AI深度融合的潜力。