一种由人工智能驱动的新工具EZSpecificity，可帮助研究人员高效匹配酶与底物，显著提升在催化、医药和制造等领域中酶催化反应的效率。该工具由伊利诺伊大学厄本那-香槟分校化学与生物分子工程学教授Huimin Zhao领导团队开发，相关成果已发表于《自然》杂志。 酶是催化分子反应的蛋白质，其活性位点可与特定底物结合，结合的匹配程度称为“特异性”。传统观点将酶与底物的关系比作“锁与钥匙”，但实际过程更为复杂——酶在与底物结合时会发生构象变化，且部分酶具有“广谱性”，能催化多种反应，因此预测最佳配对极具挑战。 为突破这一难题，赵惠敏团队联合该校化学与生物分子工程学教授迪瓦卡·舒克拉（Diwakar Shukla）团队，构建了一个包含大量酶-底物相互作用数据的新型数据库。舒克拉团队通过数百万次分子对接模拟，从原子层面解析了不同酶类在与各类底物结合时的动态变化，填补了实验数据的空白。 基于这些高质量数据，团队开发出新型机器学习模型EZSpecificity，能根据酶的氨基酸序列预测其最适底物。在四项模拟真实应用场景的测试中，EZSpecificity的表现全面优于当前领先模型ESP。实验验证中，针对8种尚未充分研究的卤化酶与78种底物的组合，EZSpecificity的最优配对预测准确率达91.7%，远超ESP的58.3%。 研究人员表示，该工具已免费开放在线使用，用户只需输入酶序列和底物结构，即可快速获得匹配预测。赵惠敏强调，该模型虽非适用于所有酶，但在特定酶类中表现卓越。未来团队将拓展工具功能，增加对酶选择性（即是否偏好底物特定反应位点）的分析能力，以减少脱靶效应，并持续引入更多实验数据优化模型性能。