12.1 創造自然界不存在的新型酵素（塑膠分解酶與高效催化劑）#

一個被工業需求放大的生物學難題#

如果說 AlphaFold 時代最容易被媒體誤解的應用，是「設計出全新的酵素」，那麼誤解的根源在於對酵素催化速度的直覺誤判。直覺上，一個能在常溫常壓下把牛奶分解的酵素，應該也能把塑膠垃圾分解掉；直覺上，一個在實驗室裡表現良好的催化劑，只要稍微改造一下就能投入工業量產。這兩種直覺都錯了，而它們之所以會被普遍接受，是因為蛋白質在漫長演化中從未被選擇來做這些特定的事。

先釐清一個量級上的直覺。在工業催化劑的世界裡，「快」不是相對概念而是絕對門檻。化工廠的設計容量是以每小時噸數計算的，反應器的體積、停留時間、能耗與後續分離純化的成本，全部綁在一個數字上：每秒鐘每一莫耳酵素能轉化多少底物。生物催化劑在這場競賽中的弱點不是「不夠專一」，而是「太慢」。把反應溫度從三十度提高到六十度，往往能讓反應速率提升數倍，但在蛋白質的世界裡這意味著變性、意味著壽命縮短、意味著昂貴的蛋白質固定化技術。因此工業上最常見的策略是「寧可固定化、寧可貴，也不然太慢」，這讓生物催化劑的成本結構在低溫條件下反而可能比傳統化學催化更差。

生物催化劑真正的優勢其實不在速率，而在選擇性與專一性。一個立體化學選擇性極高的酵素，可以在複雜的化學廢料中只挑出目標分子轉化，減少後續純化的負擔；一個能在溫和條件下運作的酵素，可以省下極端溫壓帶來的設備成本；一個能立體選擇性地做不對稱合成的酵素，可能直接省掉原本需要數十個保護基步驟的合成路徑。問題在於，選擇性是設計出來的，速度卻常常是演化磨出來的，而演化從來沒有為「廢料處理」這種用途提供過壓力。

於是產生了工業生物催化劑研究的核心矛盾：天然酵素被演化調校得非常好，但再好也只在它原本的底物與條件下好。要拿到一種能降解聚對苯二甲酸乙二酯（polyethylene terephthalate, PET）這種聚酯的酵素，就必須先找到自然界是否真的存在過這樣的微生物，或者自己造一個。

PETase：一個從「最髒的地方」被撈出的機會#

二〇一二年，法國土魯斯（Toulouse）的米歇爾・萊布（Michel Leibman）和團隊在衣索比亞的垃圾掩埋場中採集沉積物樣本，將其暴露於 PET 薄膜並篩選出能在數週內在 PET 表面留下坑洞的微生物。他們最終鑑定出來的是一種新型的 PET 水解酵素，命名為 PETase，並於二〇一二年發表在《自然》期刊上（Tournier 等人）。這個發現本身在科學上並不算轟動——它符合「環境微生物能降解人工聚合物」的直覺，人們早就知道 exist 的聚酯分解酵素，如對苯二甲酸與乙二醇單體的酵素（PET 合成途徑中負責切割 PET 的中間產物）與切割 PET 的 PET depolymerase。但它的重要性在於揭示了一個當時並未被充分重視的事實：自然界確實存在能直接攻擊 PET 主鏈酯鍵的酵素，只不過它們的效率低到無法用於廢料處理。

這裡的「低效率」不是修辭，而是可以量化的。PETase 催化的反應，其催化效率 \(k_{cat}/K_M\) 大約落在每莫耳每秒 \(10^2\) 至 \(10^3\) 立方公分的量級。這個數字放到工業的座標系裡幾乎等於零。想像一個每天處理一百公噸塑膠的廠房，以這個常數計算，反應器的體積需求會是一個天文數字。生物學家看見的是「自然已經給了答案」；化工工程師看見的是「這個答案還不能用」。

這個落差，就是整個「設計新型酵素」計畫的起點。如果自然界的酵素本來就已經在邊界上，那麼工業化所缺的，正是把那個數字從 \(10^3\) 推到 \(10^6\) 甚至 \(10^8\) 的能力。而蛋白質工程過去五十年來提升催化效率的方法，高度依賴定向進化（directed evolution）——用隨機突變加篩選，人工地篩出性能更好的變異株。這是一種有效但緩慢、且成本高昂的策略：每一輪進化需要建立突變庫、進行表現篩選、再測試，一個酵素的改良往往需要數年與數千次實驗。當「需要改進的」不是一個點突變，而是一整圈活性位點周圍的殘基組合時，隨機搜索的效率就會急劇下降。

從序列到幾何：AlphaFold 改變了改造酵素的起點#

AlphaFold 在這個故事裡的第一個作用，不是預測結構，而是把改造的搜索空間從序列重新定義到幾何。

傳統的定向進化之所以慢，一個根本原因是篩選必須依賴實際的催化反應，而實際催化反應是串聯的：酵素先要摺疊對、要有正確的立體構形、底物才能進得去、進去後要被正确定位、才能形成過渡態。序列上的一個突變可能改壞摺疊，也許改壞立體定位，也許兩個效應互相抵消而什麼都沒發生——於是篩選時難以學到有系統的訊息。要繞過這個問題，工程師需要一張圖：這顆酵素的活性位點在哪裡？哪幾個殘基構成催化三聯體？底物結合口袋的形狀是什麼？哪些側鏈距離底物最近、因此最可能影響 \(K_M\) ？哪些決定了催化幾何、因此最可能影響 \(k_{cat}\) ？

在 AlphaFold 之前，這張圖要靠 X 光晶體繞射或冷凍電子顯微鏡取得，而這兩者都需要純化後的蛋白質與大量的嘗試。對一個剛從環境樣本中被鑑定出來的新酵素而言，先做結構往往需要數月的结晶篩選實驗；在這段期間，序列層面的突變嘗試既昂貴又盲目的。而 AlphaFold 提供了另一條路：給定序列，幾乎即時地產生一個可信度可量化的三維模型。

這裡必須立刻加上限制，因為後續章節會反覆看到這個模式：預測結構是設計的第一個假設，不是最後的答案。預測模型可以告訴你活性位點「大概」在哪裡、催化三聯體的側鏈「大概」朝向哪個方向，但不能告訴你溶劑的可及性、構形交換的能障、金屬配位的細節、或者泛素化位點之類的後轉譯修飾。更重要的是，AlphaFold 幾乎不預測「催化幾何」的動態行為——而那恰恰是酵素設計最關心的東西。

即便如此，改變已經發生。當研究者能在一個可信的結構模型上標出活性位點周圍二十個殘基、看清它們彼此的相對位置、辨認出「這個側鏈伸向底物、那個側鏈指向溶劑」這樣的資訊時，設計策略就從「亂改」變成了「有的放矢」。這裡的核心是一個被反覆強調的因果鏈：先有結構，才能定位活性位點；有了定位，才能以結構導向設計（structure-guided design）改造催化幾何；改造完成，再用預測模型評估突變後的整體幾何是否仍然維持。最後這一步尤其關鍵——如果一個突變讓整個螺旋束扭轉、讓口袋體積減半，那麼它在催化效率上的潛在收益就毫無意義，因為它連摺疊對的機率都失去了。AlphaFold 在這裡扮演的是篩選器：在送去做實驗之前，先用模型淘汰掉那些「看起來就會壞掉」的突變。

兩條路線：改造天然酵素還是從頭設計#

在談到具體案例之前，有必要先釐清「設計新型酵素」其實包含兩種性質截然不同的企圖，它們各自的技術前提與失敗模式完全不同。

第一條路線是改造天然酵素。它的起點是一個已知有催化活性的骨架，其缺點明確而局部——底物專一性不符、對溫度敏感、對溶劑耐受度差、催化幾何略有偏差。這種情境下的設計問題，本質上是「在不破壞摺疊的前提下，把一個已知的局部缺陷修好」。AlphaFold 幾乎是為這條路線量身打造的：結構已知、可信度可以驗證，突變的評估可以用摺疊預測做預篩，輔以序列層面的統計與物理化學判斷。定向進化與理性設計在此並非對立，而是互補——理性設計負責提出結構上合理的候選，定向進化負責在理性設計無法預見的維度上做最後的打磨。這條路線的成功率較高，因為它有「已知可行的祖先」可以退守。

第二條路線是從頭設計（de novo design）：不是修改一個既有酵素，而是從一條胺基酸序列出發，讓它從來沒有過的形狀，並且在這個形狀中創造出催化能力。這條路線的技術門檻高得多，但也最具革命性——因為它意味著人類可以設計出自然界不存在的催化反應，而不只是優化已存在的反應。在傳統的框架下，de novo 設計面臨的是一個極其艱難的多重最佳化問題：序列必須同時滿足摺疊穩定性、目錄摺疊、化學幾何、以及催化過渡態的能量需求，而這四個目標在序列空間中幾乎是正交的，任何一個改變都會牽動其餘。純物理的力場方法（例如以序列設計配合負設計排除特定摺疊的早期方法）在實務上屢屢受限，正因為它難以同時滿足這些條件。

這也是為什麼「生成式模型」會在酵素設計這個領域受到高度期待：它把「設計一個蛋白質」從一個需要窮舉最佳化的物理問題，轉換成一個從分布中取樣的學習問題——先讓模型學會「什麼樣的序列會摺疊成某種形狀」，然後在指定的形狀條件下生成序列。第 12.2 節會詳細討論這條路線上的具體工具，而本章先回到產業應用的現場，因為那裡才是「自然界不存在的新型酵素」這個題目最尖銳的現實壓力。

人工設計的塑膠分解酵素：2024-2025 年的公開報導#

二〇二四年起，關於「人工智慧設計塑膠分解酵素」的報導大量出現。據公開報導，Google DeepMind 的團隊進行了一系列以酵素設計為主題的工作，其中最為人所知的是與 Enzymes（一家以 AI 設計酵素的新創公司）之間的技術合作報導，據稱涉及針對 PET 分解的酵素候選設計。同一時期，Generate Biomedicines 等公司也對外描述了他們以生成模型進行蛋白質設計、並將成果應用於酵素與治療性蛋白質的企圖。

這些報導需要非常謹慎地閱讀，原因至少有三重。第一，公開資訊中大量存在「數週內找到候選」這類表述，其意義是搜尋時間而非實驗確認時間：這說明設計端確實被極度加速了，但不等於催化效率已被證實。第二，這些工作的技術細節與完整數據，多數尚未經過同儕審查的完整發表流程，因此外界無法獨立檢視其催化效率數字。第三，也是最重要的：設計出「會摺疊成某個形狀的蛋白質」與「在工業溫度與溶劑條件下能持續運作數千小時的催化劑」之間，隔著一整片工業製程工程的山脈。

不過，即便抱持所有的保留，方向的轉變仍然是真實且可量化的。可以確定的是「過去需要數月的設計—測試迴圈」被壓縮到了「數週」量級；可以確定的是設計過程中大量候選的淘汰是在電腦上完成的，而不是在培養皿裡完成的；也可以確定的是，像 PET 這種「自然界只有低效版本」的目標，第一次有了「從零設計超越天然版本」的技術可行性。這與本章開頭那個矛盾直接對撞：天然酵素效率不足，而改造天然酵素的隨機搜索天花板已被定向進化理論所限定，於是人類第一次有動機、也有工具，去問一個過去沒人認真問過的問題——能不能不改造任何自然酵素，直接設計一個全新的催化劑？

在這個問句之下，一個更普遍的意義浮現：酵素設計從「考古」變成了「工程」。過去我們做酵素改良，本質上是在讀演化留下的腳本，並試圖在不破壞劇本的前提下修訂它；現在，腳本本身成了可編輯的對象。而這一切都站在同一個地基上——我們終於能可靠地預測一個序列會摺疊成什麼形狀，於是「形狀」變成了一個可以被設計的輸入變項。

催化效率的兩個數字，以及不可省略的實驗#

要誠實地評估這一切，最終必須回到兩個量。Michaelis-Menten 方程描述了單一底物酵素反應的速率：

其中 \(v\) 為反應速率， \(v_{max}\) 為底物飽和時的最大反應速率， \([S]\) 為底物濃度， \(K_M\) 為米氏常數。 \(K_M\) 有兩個可以互相印證的意義：它是反應速率達到 \(v_{max}\) 一半時的底物濃度，也是把酶與底物複合體解離的速率常數與催化速率常數之比。 \(K_M\) 因此常被當作「表觀親和力」的代用指標——越小表示酵素在低底物濃度下就能達到高反應速率。

而 \(k_{cat}\) 是酵素在底物飽和狀態下每秒鐘催化反應的回合數，是「翻轉數」（turnover number）。真正用來描述催化效能、且具有跨酵素比較意義的量，是催化效率：

這個比值有明確的物理意義：它是低底物濃度極限下的二階速率常數，也就是酵素尋找並捕捉底物的效率上限。當底物濃度足夠低時，反應速率約為 \(v = \left(k_{cat}/K_M\right)[E][S]\) 。工業上真正在乎的是這整條曲線上的某個工作點，而實務上最嚴苛的指標往往是：在高濃度底物下、於合理反應時間內能否達到可接受的轉化率，以及酵素能否承受得住那個溫度、那個溶劑、那個 pH、撐不撐得住數百到數千小時。

這裡有一個容易被忽略但極關鍵的差異：催化效率高不等於工業可用。工業量產往往需要酵素在極高底物濃度下運作（此時反應速率趨近 \(v_{max}\) ），而 \(v_{max}\) 由 \(k_{cat}\) 決定，與 \(K_M\) 的好處無關。一個 \(K_M\) 極小但 \(k_{cat}\) 平庸的酵素，在稀溶液裡表現優異，在廢料處理的高固體濃度工藝裡卻可能毫無作用。與此同時，工業條件對穩定性的要求——熱穩定性、有機溶劑耐受度、蛋白酶抗性、長期反應中的失活速率——在 AlphaFold 的預測目標裡佔有極小權重。AlphaFold 預測的是最穩定的摺疊態，它對「這個摺疊態在五十度、有機溶劑中撐兩千小時之後還剩多少活性」幾乎不提供資訊。

因此，對本章的各項「設計酵素」宣稱，正確的態度是把它們視為候選生成而非解決方案。設計端的巨大加速是真實的；候選酵素能否通過實測的 \(k_{cat}\) 、 \(K_M\) 、 \(k_{cat}/K_M\) 三項數字，能否在工業條件下撐過壽命測試，是完全另一個問題，而那個問題目前依然必須靠實驗回答。也正因如此，AlphaFold 這類工具真正的產業意義，或許不在於它讓我們免於做實驗，而在於它讓我們把有限的實驗資源集中在最有希望的候選上，並且讓那些必然失敗的候選提早被淘汰。這才是可以負責任地寫進教科書的版本。

在下一節，我們將把視角從「改造已有酵素」轉向「從無到有生成蛋白質」，看看當設計對象不再受限於任何天然的祖先時，工具鏈必須如何重新組合。