全球報道:“酶中戰斗機”現身， PET塑料遇克星

塑料在為人類帶來便利的同時，也導致了大量白色垃圾的出現，它們在自然界中的降解速度往往要以世紀為單位來進行計算。

(資料圖)

不過，在一篇新發表于《自然》的研究中，研究人員借助AI機器學習系統，開發了一種新的PET塑料（聚對苯二甲酸乙二酯）水解酶，能在1周內降解50多種無需預處理的PET塑料。

48小時內，FAST-PETase將PET塑料容器完全降解

圖片來源：參考文獻1

這種酶到底牛在哪里？AI又是如何輔助酶開發的呢？

生化反應的“魔法師”——酶

從高中課本中我們已經了解到酶是活細胞制造的某些特殊蛋白質（極少數是RNA），它們參與到生物體內一系列生化反應中，通過復雜而精妙的機制調控反應進行的速率、方向以及程度等，堪稱是生物體內的魔法師。

但酶的作用環境早已不再局限于生物體內，在現代工業體系下我們可以人工制備生物酶，并將其用于洗滌劑、原油污染處理、生物質燃料制備、殺滅有害細菌等場合。這次新升級的PET水解酶就是人類最新研發的人工酶之一。

我們已經提到，酶的本質是蛋白質一類的生物大分子，那么蛋白質到底是一種怎樣的物質，它們又是如何參與化學反應的呢？

蛋白質的組成單元是氨基酸，其結構非常簡單。氨基酸結構上的中心是碳原子，它一側連接氨基（-NH2，稱為N端），另一側連接羧基（-COOH，稱為C端）。而與碳原子相接的側鏈基團R，則會因氨基酸種類的差別而有所不同。

首先，某個氨基酸的氨基和另外一個氨基酸的羧基可以發生脫水縮合反應，形成-CO-NH-的連接方式，這就是肽鍵。實際中的蛋白質由一系列的氨基酸通過肽鍵聚合形成長鏈結構。

兩個氨基酸脫水縮合的示意圖

圖片來源：wikipedia

但這一系列氨基酸又絕非沿著直線排列，而是會自發地形成某種空間結構，好比一根毛線繞成了線團。

最為神奇的是，這串氨基酸長鏈形成的“線團”，并非是隨機“纏繞”形成，一旦組成蛋白質的氨基酸序列確定下來，它們的“纏繞”方式也會確定，這就是所謂的“蛋白質折疊”。

蛋白質的四級結構（左）及蛋白質數據庫中多樣化的蛋白質（右）

圖片來源：OpenStax College

真正讓蛋白質能夠發揮生理活性的關鍵，是它們特殊的空間結構，一旦這種空間結構被破壞（比如煮熟的雞蛋），就算組成蛋白質的氨基酸序列不發生變化，蛋白質所能行使的生理機能也會減弱、失活甚至是失控。

蛋白質行使生理機能的本質是參與各種化學反應，它們復雜的多樣性意味著它們所能參與的反應也有無限多的可能。

而酶作為特殊的蛋白質，更是在調控生物化學反應方面發揮著巨大作用，它們往往扮演著催化劑的角色，在酶存在的條件下，生化反應速率能夠提高上億倍。

酶中戰斗機——PET降解酶

全球每年產生和消費的PET總量占到全球塑料消費總量的六分之一，大約為1億噸，大部分的透明飲料瓶都是PET所制。

雖然PET是循環利用率最高的塑料制品之一，但最終實現循環利用的PET制品也只有不到一半的數量。

由于PET這類高聚物中各單體間的化學鍵很難被普通方式破壞，在普通的塑料回收過程中，僅僅可以實現原料的降級再利用。

例如食品級PET塑料瓶回收后用來加熱溶解成PET顆粒，之后重新進行熱加工，制成PET纖維，再利用纖維制造塑料繩或者塑料袋等。

而PET降解酶卻可以直接破壞這種高聚物中的化學鍵，將其還原為對環境影響很小的對苯二甲酸和乙二醇。

PET回收利用的經典路線：分類——碾碎——制粉——化學纖維——環保編織袋

圖片來源：參考文獻3

本次登上《自然》雜志的最新成果，本質上是用深度學習的方式來對PET降解酶進行結構改造，推動了這一技術走向實用化的進程。我們先來了解一下這種改造的方式，再介紹一下深度學習的原理。

單個的酶分子好比是一部精心組裝的機器，氨基酸的序列和空間結構就是它的組裝方式，組裝方式一旦不正確，即便零件都完好，機器也無法正常運轉。

正常情況下，酶都有一個活性條件，絕大多數酶在生物體內發生作用，因此它們的活性溫度范圍一般都在生物體的生活溫度附近，且對于pH值也有一定要求。

假如我們想要在人體外的環境中利用酶來調控反應，那么我們面對的各種條件變化就要復雜得多。

尤其是塑料降解一類的應用場景，反應條件幾乎完全不可控。很可能在實驗室燒杯中能夠正常降解塑料的酶，到了自然界的海底淤泥或者垃圾填埋地就無法發揮威力了。那么，我們應該如何解決這一問題呢？

左圖：PET分解細菌附著的PET薄膜表面，右圖：（部分）分解后的點蝕狀表面，右上小圖：分解前的薄膜表面

圖片來源：參考文獻4

本次《自然》雜志報道的論文顯示，研究人員將天然的PET水解酶上5個位點的氨基酸進行替換后，獲得了一種突變型PET水解酶FAST-PETase。相比于天然的PET水解酶和其他工業酶，這種酶有極強的降解PET的能力和穩定性，能在30~50℃和一定的pH值范圍內發揮作用。

這項研究明白無誤地告訴我們，修改生物酶結構以增強其活性的方法同樣可以應用于PET降解酶。

要知道洗衣粉中的油污分解酶和生物質燃料制造過程中的催化酶活性在十幾年的時間里提高了將近一千倍。

PET分解酶的分解路線

圖片來源：參考文獻4

不過，修改酶的結構說起來簡單，但面對著這樣一個有著成千上萬氨基酸的復雜大分子，我們的改造到底應該從何下手？

“創造”PET降解酶的人工智能

也許大家在很小的時候就聽過這樣的一個比喻，計算機很笨，只會數豆子，但是他數的特別快，幾億顆豆子一眨眼就能數完。

這個例子非常形象地體現了計算機進行具體工作時的兩大特點，第一是計算能力強（數數快），第二是處理具體任務有具體的算法（比如數豆子就是枚舉法）。

目前的家用計算機算力都非常驚人，如果確實需要處理海量數據和復雜系統，還有工作站或者超級計算機之類更強的算力選項，因此算力對人類來說不是主要阻礙。

困擾我們的關鍵是算法，即如何用最有效的方式去解決復雜的問題。

所謂的人工智能，就是這樣一種算法的集合。以時下最流行的機器學習（可以認為是人工智能的一種實現手段）來說，它大致的思路和原理就是先把一系列已有的數據（比如圍棋棋譜）輸入計算機，然后通過專門的算法模型（比如神經網絡）讓計算機對這些數據進行分析整合。

之后計算機就會像人類學習一樣，從這些數據中尋找規律，利用自己的算力進行海量的試錯（比如圍棋AI），從中選擇出最優的結果。當這個學習訓練的過程完成，整個AI就會進化，從而具備解決相關問題的能力。

先進的人工智能算法甚至允許在只有少量學習樣本的情況下讓計算機掌握相關技能。

好比圍棋AI的開發過程中，省去輸入棋譜的步驟，而是僅僅告知計算機圍棋相關的規則，計算機就會憑借相應的算法來對這些規則進行自我摸索和自我訓練，當訓練完成就能擁有與人類頂級高手一戰的能力。至于訓練所需的時間以及最終的學習效果，就要由計算機的配置以及具體算法的合理性和有效性來決定了。

以本次研究為例，科學家們將實驗中得到的部分數據輸入計算機，計算機就可以根據這些數據來對酶的結構進行優化。從而在少量數據的基礎上，獲得傳統方式下只能通過枚舉法來實現的篩選結果，之后的實驗驗證就會輕松許多了。

動圖：AlphaFold預測的蛋白質結構（藍色）與實際結構（綠色）對比，

PET降解酶仍需進一步評估

顧名思義，目前研發的PET降解酶是專門用來降解PET的，然而，塑料的種類并不是只有PET一種。

我們隨口就能說出一大串來：PE（聚乙烯）、PVC（聚氯乙烯）、PI（聚酰亞胺）、PF（酚醛樹脂）、特氟龍（聚四氟乙烯）、ABS樹脂（丙烯腈-丁二烯-苯乙烯共聚物）……

這些高分子材料的單體、聚合方式、聚合度，分子量全都不盡相同，適用于PET的降解酶是無法分解其余各種塑料的。

此外，也有科學家提出應該對這種新處理方式的全生命周期進行系統評估，以確定在培育細菌以及細菌分解塑料的過程中，溫室氣體的排放量是否在可接受的范圍。

如果在這一循環歷程中，溫室氣體的排放量直逼石油工業制造塑料過程中的排放，塑料降解生物酶的吸引力無疑將極大減弱。

所以，現階段嚴格控制塑料制品的應用和規范廢棄，才是提高相關材料利用效率，同時減輕環境壓力的現實選擇。

參考文獻：

1. Machine learning-aided engineering of hydrolases for PET depolymerization

https://www.nature.com/articles/s41586-022-04599-z

2. Scientists accidentally create mutant enzyme that eats plastic bottles

https://www.theguardian.com/environment/2018/apr/16/scientists-accidentally-create-mutant-enzyme-that-eats-plastic-bottles

3. A bacterium that degrades and assimilates poly(ethylene terephthalate)

https://www.science.org/doi/10.1126/science.aad6359

4. Discovery of a Bacterium that Degrades and Assimilates Poly(ethylene terephthalate) could Serve as a Degradation and/or Fermentation Platform for Biological Recycling of PET Waste Products

https://www.keio.ac.jp/en/press_releases/2016/cb96u90000005501-att/160330_2.pdf

出品：科普中國

作者：iFrec 陸修遠

標簽： 參考文獻 人工智能 空間結構