生物催化因其条件温和、催化选择性高以及绿色环保等优点，正日益成为合成化学、制药、精细化学乃至材料科学中的重要工具。然而，尽管酶催化具备这些显著优势，其在新底物、新反应通路中的广泛应用仍然面临重大瓶颈。首先，已知酶-底物配对的数据极其有限：大部分酶的底物谱未知，大量可催化潜力尚未被挖掘。其次，传统酶催化探索往往依赖大规模实验筛选、酶突变优化或工程进化，这不仅耗时耗力，而且实际成功率较低。从化学空间到蛋白序列空间之间，缺乏足够连接“哪个酶能催化哪个底物”的映射，使得科研人员在实际合成规划中往往需要盲目尝试、成本高风险大。在这样的背景下，Alison R. H. Narayan研究团队提出了一个核心动机：构建一个高质量、广覆盖的酶-底物连接数据库，并利用机器学习模型将化学空间与蛋白序列空间“连接”起来，从而实现从底物到酶、或酶到底物的预测推荐。换句话说，他们希望从“我有这个化合物，哪个酶可以催化？”或“我有这个酶，它可能催化哪些尚未尝试的底物？”的角度，为生物催化领域提供一种系统化、可扩展、数据驱动的新范式。

生物催化的重要性

2025年10月1日，美国密歇根大学Alison R. H. Narayan和卡耐基梅隆大学Gabe Gomes团队合作在顶级期刊《Nature》上发表了一篇题为“Connecting chemical and protein sequence space to predict biocatalytic reactions”的研究，系统介绍其设计思路、数据构建、模型开发与应用前景。研究团队首先构建了大规模酶-底物反应数据库，覆盖数百位酶与上百种底物，从而填补此前 “酶-底物配对稀疏” 的空白。继而，基于该数据库开发了推荐型机器学习平台 CATNIP，使得给定底物可预测适配酶、或给定酶可预测潜在底物。通过该研究可见，生物催化已迈入 “从经验筛选转向数据驱动推荐” 的新阶段，对催化剂发现、合成路线设计、绿色化学发展具有重要意义。

研究团队选择了一组 α-酮戊二酸（α-KG）依赖非血红素铁（NHI）酶作为研究对象，构建酶库，并对底物库中的超过 100 种分子进行反应测试，以生成大量酶-底物配对数据。该过程通过高通量自动化平台、96孔板或更高通量微孔体系、统一反应条件、标准化分析（如 LC-MS）进行，从而为数据驱动分析奠定基础。此阶段的目的不仅是生成阳性反应（酶催化成功）数据，还包括无反应／弱反应的负样本，为后续模型训练提供更全面的数据基础。

图1. α-酮戊二酸非血红素铁酶多样性的原理及 aKGLib1 库的构建

图2. 高通量反应发现工作流程

在数据集构建方面，酶库主要聚焦 α-KG/Fe(II) 依赖的 NHI 酶家族，这类酶在 C–H 功能化）方面已具一定基础。研究者首先通过序列相似性网络（SSN）方法对酶序列进行聚类，选取代表序列以覆盖序列空间，从而保证酶库不仅限于少数已知活性酶，而扩展至未表征酶。底物库则选择结构多样的分子群，包括天然产物、化学合成建筑块、药物中间体、衍生分子等，以扩展化学空间。特征工程方面，酶序列特征包括对齐分数、序列身份、簇类别、保守区域指标等；底物特征则包括传统2D指纹、分子量、LogP、极性/疏水性指标、以及3D几何描述符。此外，模型还可能考虑酶-底物邻居关系作为迁移推荐依据。最终，训练数据中每对酶-底物组合包含标签，并为模型提供正/负样本。通过这种系统设计，研究团队实现特征维度多样且覆盖广泛，使得模型具备更强泛化能力。

基于阶段一获得的酶-底物配对数据库（BioCatSet1），研究者提取酶序列特征底物化学／几何特征，并构建推荐型机器学习模型，名为 CATNIP。模型的核心思想是：给定一个底物，输出一个酶排序；或给定一个酶，输出其潜在底物排序。特征工程包括酶的序列相似性网络 (SSN)、序列对齐分数、酶与酶之间的距离、底物的分子指纹、3D几何描述（如 MORFEUS 描述符）等。模型训练使用交叉验证、分割训练/验证/测试数据集，并通过 Precision@k、Recall、nDCG（归一化累积折损增益）等指标评估性能。报告中还明确指出，他们将该工具以开放网页形式（CATNIP Web界面）提供给社区用。

通过这种思路，研究团队不仅生成了丰富的数据资源，还通过模型构建完成“化学空间到蛋白序列空间”的链接，使得生物催化的酶选择从传统“经验+筛选”转变为“数据驱动荐”。

图3. 从反应数据到机器学习模型的转换

对于模型构建，研究团队将获得的数据分为训练集、验证集与测试集，确保评估公平。模型采用推荐系统思路：对于底物 → 酶任务，模型输出酶排序；对于酶 → 底物任务亦然。评价指标包括 Precision@k（前 k 项中真实活性配对所占比例）、Recall（识别所有活性配对的比例）、nDCG（考虑排序和位置权重的指标）等。模型的基线包含传统距离/相似性排序模型（如最近邻推荐、仅化学指纹匹配、仅序列相似排序）等。结果表明：该模型在多个任务情况下优于这些基线，显示出更高的前 k 推荐准确率，并且在“酶从未用过底物”或“底物从未用过酶”这类挑战性任务上仍有可用性能。此外，研究团队还探讨了模型可解释性：例如通过分析酶-底物邻域迁移（即底物若与某已知底物相似，则其推荐酶可能为该底物对应酶的邻近酶）、以及特征贡献分析（如底物几何特征在预测中权重较高）等。这种结合实验、特征工程、机器学习推荐、应用网页工具的流程，使得模型不仅是算法演示，更具实用性和可操作性。

图4. CATNIP：一款用于预测生物催化反应的网络应用程序

本研究具有广泛而深远的应用意义。首先，在催化剂发现方面，化学家可借助 CATNIP 平台，在合成路线规划阶段快速筛选可能适配的酶，大幅缩短酶筛选与优化周期。其次，在绿色合成领域，通过更快、准确地找到生物催化路径，有望降低化学合成中对重金属催化剂、有机溶剂或高温高压条件的依赖，从而提升反应的环境友好性和可持续性。再次，在新反应开发方面，该方法有助于 “new-to-nature” 的酶催化转化探索，即化学家可输入尚未用生物催化的底物，模型推荐酶，验证后可能开辟新的催化类型或功能化手段。最后，作为工具平台，CATNIP 的开放访问意味着社区研究者可直接使用、扩展至更多酶家族与反应类型，从而推动整体生物催化领域发展。