​自动化体内酶工程加速生物催化优化策略丨再创

文章预览

引言 /Introduction 若要 实现具有成本竞争力的生物基工艺，开发稳定且具有选择性的生物催化剂是关键。这些催化剂通常通过体外酶表征和工程来实现，但这些方法往往是低通量且劳动密集型的。因此，越来越多的研究开始关注如何提高通量并减少人工操作（例如通过体内筛选和进化来 加速催化剂开发）。同时 ，计算工具如机器学习(ML, machine learning)通过扩展可探索的设计空间，为酶工程提供了有力支持。 来自丹麦技术大学的  Enrico Orsi  和马克斯·普朗克分子植物生理学研究所的  Steffen N.Lindner  等人于 2024 年 4 月 24 日在  Nature Communications  上发表了名为  ⌈Automated in vivo enzyme engineering accelerates biocatalyst optimization⌋  的文章，在该文章中，作者提出了一种综合解决方案，通过该方案可以实现机器学习引导的自动化工作流程（包括库生成、超突变系 ………………………………