IF50.5｜Riff-Diff：催化基序支架实现从头酶设计

一种混合机器学习与原子建模的方法，让从头设计的酶活性媲美定向进化产物。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

酶作为生物催化剂在工业和医药中应用广泛，但天然酶往往难以满足特定反应需求。计算蛋白质设计为创造定制化生物催化剂提供了新途径，然而现有方法通常需要测试大量设计，且初始催化活性低，需依赖高通量筛选和定向进化来优化。过渡态理论指导下的theozyme设计策略已取得一定成功，但催化侧链的精确放置仍是主要瓶颈。近年来，深度学习驱动的蛋白质结构预测与设计工具（如RFdiffusion、AlphaFold2）显著提升了设计精度，为重新解决酶设计难题提供了可能。

科学问题

卡在哪里： 此前从头设计的酶普遍催化效率低下，kcat通常远低于天然酶或定向进化产物，且设计成功率低，需要大量筛选。关键限制在于催化基序在活性位点的精确重现、底物结合口袋的形成以及活性位点构象动态的控制。

本文要回答： 能否通过精确支架催化阵列，一次性设计出高效、高立体选择性的酶，避免繁琐的定向进化？

技术路线

作者主要用了：RFdiffusion、LigandMPNN、ESMFold、AlphaFold2、Rosetta、分子动力学模拟。

作者开发了Riff-Diff流程，将催化阵列转化为人工基序库，利用RFdiffusion在从头蛋白骨架中支架这些基序，并通过引入α-螺旋占位符强制形成底物结合口袋。随后进行迭代骨架精修、序列设计和结构预测，最终用AlphaFold2评估设计质量。为验证方法普适性，作者选择了逆醛缩酶和Morita–Baylis–Hillman酶两个反应体系，从已知高活性酶的催化阵列出发设计酶，并进行生化、生物物理和结构表征。

图 1　Fig. 1。图1展示了Riff-Diff的核心概念：人工基序库由侧链阵列构建，RFdiffusion的底物势能存在底物埋藏与碰撞的权衡，而Riff-Diff通过α-螺旋占位符强制形成类似天然酶的底物结合口袋。右图显示设计酶的SAP与天然酶相似，说明结合口袋质量高。

核心亮点

亮点 1｜Riff-Diff设计逆醛缩酶活性超越以往

针对逆醛缩反应，Riff-Diff从RA95.5-8F的催化四联体出发，设计了36个序列，其中35个成功表达，32个（91%）表现出高于背景的活性。最活跃的设计RAD35和RAD29的kcat分别达到3.6×10⁻² s⁻¹和3.1×10⁻² s⁻¹，速率加速约5×10⁶倍，超过了进化抗体38C2的活性，且RAD29的催化效率（290 M⁻¹ s⁻¹）接近深度进化的RA95.5-5。定点突变证实四联体残基参与催化，但不同残基的贡献与原酶不同。

图 2　Fig. 2。图2总结了逆醛缩酶设计的表征：所有设计在凝胶过滤中呈单体峰，SAXS证实29/35正确折叠，30个设计在初筛中产物形成超过背景，7个设计kcat>10⁻³ s⁻¹。RAD29和RAD35活性最高，定点突变显示四联体残基贡献与原酶不同。

亮点 2｜高稳定性和立体选择性

所有设计均表现出高热稳定性，除RAD23外，在95°C下仍保持折叠。化学变性中点从2.5 M到超过6.5 M GdnHCl。RAD29和RAD35的周转数分别达到1000和895。立体选择性方面，RAD35在醛缩方向展现出极高的(R)-选择性（E值>200，99% ee），RAD29选择性较低（E值=4）。这些特性使RAD35成为有潜力的生物催化剂。

图 3　Fig. 3。图3展示了设计的稳定性与立体选择性：CD熔解曲线显示除RAD23外所有设计在95°C仍折叠，化学变性中点分布广泛。线性回归模型可预测变性中点（Pearson R=0.8）。RAD29和RAD35周转数高，RAD35在醛缩方向E值>200。

亮点 3｜晶体结构揭示近原子级设计精度

解析了四个逆醛缩酶设计（RAD13、RAD17、RAD32、RAD36）的晶体结构，骨架Cα RMSD在0.68–1.2 Å之间，催化残基侧链RMSD低至0.42 Å。然而，即使活性位点精确重现，RAD13和RAD17的活性仍比RA95.5-8F低10⁵倍以上，表明仅靠侧链定位不足以实现高效催化。RAD36中催化赖氨酸存在多种构象，RAD32中酪氨酸构象改变，提示构象动态对活性的影响。

图 4　Fig. 4。图4比较了设计模型与晶体结构：骨架Cα RMSD<1.2 Å，活性位点残基与设计模型吻合良好，但RAD32中酪氨酸构象改变，RAD36中催化赖氨酸多构象。分子动力学模拟显示设计酶活性位点柔性更大，AlphaFold3预测的底物复合物指标与活性相关。

亮点 4｜分子动力学揭示活性位点柔性障碍

对设计酶进行20 ns分子动力学模拟，发现与RA95.5-8F相比，设计酶的活性位点残基柔性更大，催化赖氨酸在部分设计中漂移出活性位点。然而，apo态模拟的柔性指标与实验活性无相关性。利用AlphaFold3预测酶-底物复合物，发现基于底物定位和氢键距离的活性位点指标与实验kcat呈Spearman ρ = -0.64，优于apo态指标。

图 5　Fig. 5。图5展示了MBH反应设计：从BH32.14和BH1.8的活性位点出发，设计酶在8小时后转化率高于背景和小分子催化剂。MBH48的kcat超过BH32.8，但低于BH1.8 23H。MBH2晶体结构显示色氨酸翻转和精氨酸双构象，MBH48结构精度高。

亮点 5｜Riff-Diff设计MBH酶超越定向进化起点

针对Morita–Baylis–Hillman反应，从BH32.14和BH1.8的活性位点出发，设计了63个序列。94%和93.3%的设计分别表现出高于背景的活性，且优于小分子催化剂咪唑和DMAP。最活跃的MBH48的kcat为0.025 min⁻¹，是BH32.8（经8轮定向进化）的1.5倍，但比BH1.8 23H低45倍。MBH2的晶体结构显示色氨酸翻转和精氨酸双构象，解释了其低活性。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： RFdiffusion、LigandMPNN、ESMFold、AlphaFold2、Rosetta、分子动力学模拟
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/mabr3112/riff_diff_protflow.
• 谁该点开原文： 从事酶设计、计算蛋白质设计或生物催化的研究人员。

带走一句

Riff-Diff证明，通过精确支架催化阵列并强制形成底物口袋，可以一次性设计出高活性、高稳定性的酶，减少对定向进化的依赖。