在合成生物學和綠色生物制造快速發(fā)展的今天，酶工程作為核心技術(shù)，正推動著醫(yī)藥、環(huán)保、化工等領(lǐng)域的革新。然而，傳統(tǒng)的酶改造過程往往受限于活細胞表達系統(tǒng)的“慢節(jié)奏”和“高門檻”，面臨著周期長、代謝負擔重、基因表達不穩(wěn)定等諸多痛點，成為制約酶定向進化和工業(yè)化應(yīng)用的瓶頸。近年來，隨著技術(shù)的優(yōu)化和升級，無細胞蛋白表達技術(shù)（CFPS）正以其“開掛”般的速度與靈活性，從基礎(chǔ)研究走向?qū)嶋H應(yīng)用，成為酶工程領(lǐng)域的熱門工具，在酶的定向進化、高通量篩選、工業(yè)化酶制劑開發(fā)等方面展現(xiàn)出巨大潛力。

CFPS系統(tǒng)，是一種無需依賴完整活細胞即可在體外合成蛋白質(zhì)的技術(shù)。它利用細胞中預(yù)先存在的分子工具箱（細胞中提取的裂解物，如核糖體、酶、ATP等），在體外直接“組裝”出目的蛋白。

對于酶工程而言，這一技術(shù)帶來了革命性的優(yōu)勢：

【案例分享】：珀羅汀生物（PLD Technology）基于自主研發(fā)的CFPS系統(tǒng)建立的高通量酶篩選、驗證突變體酶的方案，在3天內(nèi)完成了近百種突變蛋白的構(gòu)建表達及活性驗證，顯著縮短了蛋白篩選的時間，減少了人工操作成本，可極大提高研發(fā)效率。

 
圖1：珀羅汀生物高通量酶篩選方案

機器學習與CFPS的結(jié)合徹底改變了酶工程范式，CFPS技術(shù)通過體外快速合成蛋白質(zhì)，將“學習-設(shè)計-構(gòu)建-測試”環(huán)節(jié)從數(shù)天壓縮至數(shù)小時，并能夠表達對細胞有毒或難折疊的蛋白，為機器學習模型提供了海量、高質(zhì)量序列-功能關(guān)系數(shù)據(jù)。2025年發(fā)表于Nature Communications上的文章介紹了一種機器學習（ML）引導的CFPS平臺，能夠快速生成大規(guī)模的酶變體序列-功能關(guān)系數(shù)據(jù)，用于預(yù)測性設(shè)計，可在一周內(nèi)同時完成六種酶的改造任務(wù)，活性提升高達42倍^[1]。

 
圖2：機器學習指導的無細胞酶工程平臺

面對全球塑料污染危機，高效降解酶的開發(fā)迫在眉睫。然而，傳統(tǒng)的塑料降解酶研究依賴大腸桿菌等微生物表達系統(tǒng)，面臨著異源基因表達不穩(wěn)定、連續(xù)培養(yǎng)易產(chǎn)生基因突變、篩選周期長等問題。韓國慶北大學的研究團隊利用優(yōu)化的CFPS平臺，成功合成了角質(zhì)酶和 PET 降解酶（PETase），并利用含聚合物瓊脂板評估其催化活性，實現(xiàn)了塑料降解酶的快速篩選和活性評估^[2]。該研究確立了以 CFPS 作為酶工程的強大工具，能夠快速篩選和優(yōu)化塑料降解生物催化劑，用于生物修復(fù)和工業(yè)回收。

生物催化常被視為一項成熟技術(shù)，通過分子生物學技術(shù)、生物信息學工具和定向蛋白質(zhì)進化的進步，已達到工業(yè)可行性。然而，開發(fā)工業(yè)生物催化劑仍需大量時間和資金投入，這限制了生物催化在更廣泛化學界的采用。例如，在活性藥物成分的早期化學開發(fā)中，生物催化途徑可能因野生型酶活性低或穩(wěn)定性不足而不如化學方法。Telek等人開發(fā)的RISE（快速體外半理性工程）平臺^[3]，集成了計算設(shè)計、無細胞DNA操作、CFPS表達與迭代測試，讓普通化學實驗室也能進行酶改造。

 圖3：RISE平臺

未來，CFPS技術(shù)與酶工程的融合將走向更深層次：一方面，結(jié)合人工智能和機器學習，實現(xiàn)酶的計算設(shè)計與無細胞高通量篩選的無縫對接，讓酶改造更具精準性和方向性；另一方面，CFPS技術(shù)將從實驗室的小規(guī)模研發(fā)走向中試和工業(yè)化生產(chǎn)，實現(xiàn)工業(yè)酶制劑的體外高效合成，推動生物催化在醫(yī)藥、化工、環(huán)保、農(nóng)業(yè)等領(lǐng)域的廣泛應(yīng)用。

同時，無細胞合成體系還將與合成生物學、代謝工程深度融合，構(gòu)建更加復(fù)雜的人工酶促反應(yīng)網(wǎng)絡(luò)，實現(xiàn)從簡單前體到高價值產(chǎn)物的一步合成，真正實現(xiàn)綠色、高效、可持續(xù)的生物制造。