Nat. Comput. Sci. | 向物理酶工程的“直觉到设计”转译器

酶工程长期依赖研究人员对蛋白质结构、构象动力学和催化机制的物理直觉，例如扩大活性位点可能容纳更大的底物、改变蛋白质柔性可能调节催化活性。然而，这些直觉通常是定性的，很难直接转化为可以计算、验证并用于突变筛选的设计规则。研究人员开发了MutexaGPT，一个开放的多智能体大语言模型平台，旨在把自然语言表达的酶工程直觉转化为物理模型、高通量分子模拟以及最终可实验验证的突变方案。用户只需用普通语言描述设计目标，系统即可补充缺失信息、选择合适的物理指标、建立模拟流程并执行高通量计算，最后给出排序后的“智能突变库”。研究人员通过两个案例验证了这一思路：一是扩大卤化物甲基转移酶的活性位点以适应更大底物，二是重新设计双结构域淀粉酶连接肽以增强低温活性。结果显示，MutexaGPT能够将人类经验和创造性假设与高通量物理模拟连接起来，为降低计算酶工程的使用门槛提供新的路径。

物理直觉一直是理性酶工程的重要基础。研究人员往往根据活性位点空腔、底物通道、蛋白质柔性、结构域运动、静电场以及水合环境等特征，判断某些突变可能如何改变催化活性、底物选择性、稳定性或温度适应性。例如，通过改变结合口袋大小来匹配不同尺寸的底物，是扩展酶底物范围的经典思路。

真正困难的环节在于从“想法”走向“突变”。“酶应该更柔性，但不能太柔性”这样的认识具有生物物理意义，却无法直接回答应该突变哪个残基以及突变成什么。高通量分子动力学和量子化学计算原则上能够将这些直觉量化为口袋体积、电场、结合自由能或构象分布，但复杂的建模流程通常需要专业计算化学知识。这使许多物理直觉最终仍只能依赖大规模实验筛选来验证。研究人员因此希望利用大语言模型充当人类直觉与物理模拟之间的“翻译器”，把模糊的自然语言假设自动转化为可执行的计算任务。

图1｜从物理直觉到可执行酶设计。 

MutexaGPT以多LLM智能体系统为核心，并与高通量分子建模平台EnzyHTP连接。用户首先以自然语言描述目标，QuestionAnalyzer负责判断问题是否完整，主动询问缺失的蛋白质结构、突变范围和设计目标；随后WorkPlanningBoard中的MetricsPlanner将“活性提高”“稳定性增强”“口袋扩大”等目标转换为可计算的物理指标，MutantPlanner则把用户描述转换成具体突变库。用户确认方案后，系统生成计算配置并由后端自动完成分子动力学等高通量模拟。最后ResultExplainer读取计算结果，根据物理指标筛选和排序突变，同时解释指标能够说明什么、不能证明什么，并提出实验验证或进一步计算建议。整个过程因此形成“研究直觉—科学问题—物理指标—高通量模拟—突变排序—实验建议”的完整闭环。

图2｜MutexaGPT多智能体架构及工作流程。 

研究人员首先系统评估MutexaGPT各智能体能否正确理解用户需求。QuestionAnalyzer需要同时解决两个问题：判断输入是否属于酶工程问题，以及发现用户遗漏的信息。在200个经过人工检查的测试问题上，完整提示设计对问题相关性的判断通过率达到97%，严格的信息完整性判断通过率为71%；如果将正确但较谨慎的重复确认也计入，通过率达到97%。MetricsPlanner平均通过91%的测试，MutantPlanner达到95%，ResultExplainer则在99%的测试中满足评价要求。结果说明，仅让通用语言模型简单扮演“酶工程助手”并不足够，通过明确的智能体分工和领域知识约束，才能较稳定地把自然语言转化为可执行科学任务。

第一个实际任务是改造卤化物甲基转移酶。用户只需提出“帮我寻找能够扩大活性位点的突变”。MutexaGPT随后要求提供蛋白质结构和候选突变范围，并针对包含600个多点突变体的文库建立高通量分子动力学流程。每个突变体进行50 ns模拟，计算整个构象集合中的活性位点空腔体积分布，再按照平均口袋体积筛选排名最高的10个候选。

在排名前10的突变体中，4个此前已被实验确认能够作用于更大底物，对应40%的命中率，相比基线提高约4倍。更有意义的是，动态模拟揭示了静态结构无法提供的信息。以L39H/V11F为例，野生型最可能构象的空腔体积约为542 ų，而该突变体增大至约2,870 ų。这种巨大变化并非简单来自侧链变小，而主要来自活性位点环区发生构象重排。该变体针对多种更大底物的活性可提高约10至50倍。

研究人员进一步发现，静态晶体结构计算的空腔体积与分子动力学平均结果几乎没有相关性，单纯依据突变前后侧链体积变化同样无法预测真实口袋变化。这说明酶空腔具有明显的动态可塑性，也凸显了物理模拟在把结构直觉转化为定量设计规则时的重要价值。

图3｜MutexaGPT指导活性位点空腔工程。 

第二个任务进一步采用计算—实验闭环验证。研究人员希望增强双结构域淀粉酶在低温下的活性，并提出一种统计物理直觉：两个结构域之间距离增加可能有利于低温适应。MutexaGPT据此将设计目标转换为结构域分离指标，并对野生型以及10种不同连接肽变体分别进行50 ns分子动力学模拟。

系统最终推荐psAt5和psAt6，两者的结构域分离程度均明显高于野生型。随后研究人员开展实际酶活实验，以0 ℃活性相对于45 ℃活性的比例评价低温适应性。结果显示，psAt5和psAt6分别获得约1.7倍和3.7倍的相对活性提升。尤其是psAt6表现出明显增大的结构域分离，并形成较稳定的连接肽构象，从而验证了从统计直觉到物理指标、再到计算筛选和实验验证的完整设计路线。

图4｜MutexaGPT指导双结构域淀粉酶连接肽设计与低温适应性改造。 

MutexaGPT的核心价值并不是让大语言模型直接“预测哪个突变最好”，而是让语言模型组织科学问题，并调用物理模拟完成定量判断。研究人员特别强调，MutexaGPT并非传统意义上的预测型人工智能模型，而是一个自动化和“直觉翻译”系统。其设计理念实际上将人类和机器的优势进行了分工：研究人员负责提出具有创造性的生物物理假设，大语言模型负责把模糊想法转化为规范计算问题，而分子动力学、自由能和电场等物理计算则负责提供筛选依据。

目前平台已经支持空腔体积、电场强度、底物定位、活性位点RMSD、配体结合能、相对折叠自由能和结构域分离等指标，因此理论上可以进一步用于底物选择性、催化效率、结合亲和力、稳定性乃至复杂多目标酶工程。但它的能力边界同样十分明确：如果用户提出的性质无法映射到当前后端支持的物理指标，系统就无法给出具有物理依据的模拟结论。

更长远来看，MutexaGPT展示了一种不同于完全自主“AI科学家”的路线。当前系统仍不能主动创造新的机制假说，也无法独立设计多阶段实验来区分竞争机制，但已经从单纯执行命令的计算助手向能够理解研究意图、规划模拟并解释结果的“科研协作者”迈进一步。真正值得关注的因此不仅是某一次突变预测是否成功，而是它尝试打通了酶工程中长期存在的一条断裂链条——让研究人员的一句话科学直觉，最终变成可以计算、排序和实验验证的具体酶设计。

Shao, Q., Zhong, Y., Stull, S. et al. MutexaGPT: an intuition-to-design translator for physics-based enzyme engineering. Nat Comput Sci (2026). 

https://doi.org/10.1038/s43588-026-01049-y