企业官网建设流程全解析

做酶工程这些年，被问得最多的一个问题就是：我这个酶想改性能，到底是该做定向进化还是理性设计？问这话的人里，有刚进实验室的研究生，也有已经在产线上被催化效率折磨过几个月的工程师。说实话，这个问题没有标准答案，但有一个判断路径，而绝大多数人踩坑不是因为选错路线，是因为在动手之前根本没把“我要改什么”想清楚。酶工程走到今天，定向进化和理性设计这两条经典路径早就不是对立关系了，真正能出结果的往往是夹在中间的半理性设计——用序列和结构信息把文库从百万级压到几千级，再靠生物催化剂的实测数据说话。这篇东西我打算把自己在几个酶改造项目里反复验证过的判断逻辑、参数配方、文库构建细节和一些当时没人告诉我的坑，全部摊开讲一遍。适合手上有一两个目标酶、准备动手但还没建库的人，也适合已经筛了两轮没筛出东西、正在怀疑人生的朋友。基础概念我会顺手带一句，但重点放在能直接抄作业的操作层面。

1. 定向进化、理性设计与半理性设计：路线选择的底层逻辑

1.1 三种策略假设了什么，放弃了什么

定向进化这件事，本质上是把“你不懂这个酶”当成前提。它的假设是：序列-功能关系太复杂，我算不明白，那我就用随机突变撒网，用筛选压力淘金。这个假设在什么情况下成立？目标酶的晶体结构没有、同源序列少、要改的性状是多基因协同决定的（比如在有机溶剂里保持活性、在极端pH下不塌），或者你压根说不清“好”到底该长什么样，只知道“比现在好就行”。这种情况下，理性设计手里没有牌，定向进化反而是最稳的一条路。

理性设计的假设正好相反：我知道结构，我知道哪个残基在干什么，我算得出突变带来的能量变化，所以我点一个中一个。这个假设成立的条件很苛刻——高分辨率结构、可信的配体结合模式、明确的作用机制，还得有一个精度足够的计算模型。现实里最常见的翻车就是：拿着一个同源建模得到的结构，口袋边界模糊，溶剂分子和金属离子都没放对，然后一本正经地算 ΔΔG，算出来一堆“稳定化”突变，做出来全是不溶的包涵体。

半理性设计是我个人最推荐的中间态。它承认自己算不准，但也不愿意完全瞎猜。做法是：用序列比对找保守位点、用 B-factor 找柔性区、用丙氨酸扫描找功能热点、用共进化信息找互作网络，先把候选位点圈到 10 到 30 个，然后在这些位点上做饱和突变或者简并密码子组合，文库规模控制在 10³ 到 10⁴。这个量级的好处是不需要液体工作站，几个人用 96 孔板就能扛下来，迭代速度反而比百万级文库快。

我用一个很糙但好用的比喻：定向进化是满地图乱走找金矿，理性设计是拿地质图 pinpoint 一个点开挖，半理性设计是先看卫星图圈出可能有矿的那片山，再漫山遍野撒探测器。

1.2 用三个问题快速给自己定性

动手之前我一定会问三个问题，基本能定下来走哪条路。

第一个问题：目标酶的序列-结构资源到什么程度。如果有实验解析的高分辨率结构，且配体复合物结构也有，理性设计的地基就算打得住了。如果只有一条序列和几个远亲同源物，身份一致性掉到 30% 以下，那结构模型里的侧链朝向基本不可信，这时候去算突变能量属于自欺欺人，不如老老实实做定向进化或者基于序列保守性的半理性设计。

第二个问题：你要改的性状是单点可解释的还是全局性的。举个具体的例子，把某个糖苷水解酶的产物特异性从 A 翻到 B，这种通常是口袋形状和几个关键氢键决定的，理性设计成功率高。但如果要改的是“在 60 摄氏度、pH 10、含 30% 有机溶剂条件下半衰期延长 5 倍”，这是全局稳定性问题，涉及表面电荷、loop 刚性、核心堆积、去酰胺化位点、氧化敏感残基一大串因素，单点计算很难覆盖，靠定向进化累积多个微小贡献更现实。

第三个问题：你手上有什么筛选能力。这是最容易被忽视但最致命的一条。定向进化的上限不由突变方法决定，由你的筛选通量决定。如果你的筛选只能做到一天 200 个克隆，那你建一个 10⁵ 的库纯属浪费试剂和时间——抽样覆盖率低到统计上没有意义。反过来，如果已经有一套可靠的微孔板高通量筛选，那半理性设计甚至定向进化都能跑得很快。

1.3 周期、成本与成功率的对照

下面这张表是我自己几个项目跑下来总结的经验值，不同体系差异很大，但数量级可以参考。

看这张表要抓住一点：建库从来不是瓶颈，筛选和数据解读才是。我见过太多人把精力花在优化突变率上，结果筛出来的“阳性”一验证全是表达量高了或者细胞长得快，跟酶的催化性能没半点关系。所以往下走之前，先把筛选体系想明白。

2. 定向进化的实操核心：文库怎么建才不算白建

2.1 易错 PCR 的突变率计算与体系配方

易错 PCR 是入门门槛最低的建库方法，但“低门槛”和“随手就能做对”是两码事。核心参数只有一个：每个基因平均引入多少个氨基酸突变。这个数不是拍脑袋定的，而是跟你的筛选通量死死绑定的。

先算一笔账。假设目标基因 1000 bp，编码约 330 个氨基酸。如果你希望覆盖所有可能的单点突变（每个位点换成其余 19 种氨基酸），需要 330 × 19 ≈ 6300 个有效克隆；按 95% 覆盖率算，得乘以约 3，也就是接近 2 万个转化子。如果是双点组合，数目直接涨到 10⁷ 量级，普通实验室根本做不动。所以你基本只有在单点饱和突变或者极低突变率的多点累积这两条路里选。

对应到核苷酸层面，一个氨基酸突变平均对应 1 到 3 个核苷酸改变，取中间值约 2。想要平均每个基因 1 到 2 个氨基酸突变，就需要平均 2 到 4 个核苷酸突变，折算成 1 kb 基因的突变率就是 0.2% 到 0.4%。

Taq 类无校对活性聚合酶的碱基错误率常见报道在每轮每碱基 1×10⁻⁵ 到 1×10⁻⁴ 之间，取 5×10⁻⁵ 计算，经过 n 轮循环，累积突变率近似为 1 - (1 - p)^n。要达到 0.3% 的突变率，解 1 - (1 - 5×10⁻⁵)^n = 0.003，得 n ≈ 60 轮。这个循环数太高，扩增效率会掉，而且偏好性严重。

所以实际操作里会加两个“作弊”手段：一是 Mn²⁺，锰离子会降低聚合酶的碱基选择保真度；二是 dNTP 浓度不平衡，把某种 dNTP 压到很低，逼聚合酶在该位点错配。我给一个自己反复用过的 50 μL 体系：

10× PCR buffer（不含 Mg²⁺） 5 μL MgCl₂（25 mM） 3 μL → 终浓度 1.5 mM dNTP 不平衡混合液 1 μL dATP 2 mM / dGTP 2 mM dCTP 10 mM / dTTP 10 mM → 终浓度 dATP/dGTP 0.2 mM， dCTP/dTTP 1 mM MnCl₂（5 mM 新鲜配制） 1-3 μL → 终浓度 0.1-0.3 mM 引物 F/R（10 μM） 各 1 μL 模板（1-10 ng/μL） 1 μL Taq 聚合酶（5 U/μL） 0.5 μL ddH₂O 补足 50 μL 循环：95℃ 3 min → [94℃ 30 s, 55℃ 30 s, 72℃ 60 s/kb] × 20-25 → 72℃ 10 min

用这个配方跑 20 到 25 轮，实测突变率大概落在 0.15% 到 0.5% 之间，对应 1 kb 基因平均 1.5 到 5 个核苷酸改变。我一般会做三个 Mn²⁺ 浓度梯度（0.1、0.2、0.3 mM），各挑 20 个克隆测序，统计实际突变率和突变类型分布，选最接近目标的那一档放大建库。

注意：Mn²⁺ 母液必须现配现用，放置几天的锰溶液会出现沉淀，浓度实际下降，导致批次间突变率漂移。测序抽检这一步绝对不能省，我吃过一次省掉抽检结果整批库突变率只有 0.02% 的亏，筛了两周啥也没有，回头测序才发现整个库几乎是野生型。

2.2 重组建库与连接效率的坑

易错 PCR 得到的突变是局部聚集的，长期累积会出现“收益递减”——同一个位点反复突变，有益突变被后来的有害突变拖累。DNA shuffling 这类重组方法就是来解决这个问题的：把多轮筛选得到的有利突变打碎重排，让不同谱系的优势组合到一起。

操作上分两步：DNase I 随机切割成 50 到 200 bp 片段，然后不用引物做自延伸 PCR reassemble。这一步的坑非常多，我挑几个致命的说。

DNase I 的量和消化时间必须用琼脂糖凝胶实时监控。常见目标是把 1 kb 片段消化到 100 bp 左右的弥散条带，消化时间通常在 1 到 5 分钟，温度 25℃。宁可欠消化也别过消化，消化过头全是小于 50 bp 的碎片，后续自延伸根本拼不起来。我一般会在冰上预冷所有试剂，快速混匀后立刻取样跑胶，边看边决定是否终止。

自延伸 PCR 不加引物，程序一般是 94℃ 30 s，然后 30 到 40 个循环的 94℃ 30 s / 50℃ 30 s / 72℃ 30 s（短延伸，促进片段间互为引物），最后 72℃ 延伸 5 min。这一步产物通常很弥散，取 1 μL 做第二次 PCR，这次加两端引物，把全长扩出来。扩不出来的时候，先检查第一次的模板量是不是太多——片段浓度过高反而抑制退火配对。

还有一个容易被忽略的点：重组文库里的野生型背景。DNase 消化不完全会留下全长模板，直接转化进去就是大量假阳性。解决办法是在第一次自延伸之前做一次胶回收，只取 100-300 bp 区间的片段，或者在建库后做一轮 Dpn I 消化去甲基化模板。

2.3 高通量筛选体系的层级设计

筛选设计的核心思想是分层：初筛追求通量和低假阴性，复筛追求准确度和动力学参数。

初筛我一般用 96 孔深孔板（1 mL 或 2 mL 工作体积），从转化平板上用 colony picker 或者手工挑单克隆接种到含抗性培养基的母板，37℃ 过夜。第二天取 20 到 50 μL 转接到诱导培养基，OD 到 0.5 到 0.8 时降温到 16 到 20℃ 加 IPTG 诱导过夜。第三天收菌、裂解、测活。

裂解方式直接决定筛选质量。化学裂解（如 BugBuster 类试剂）、冻融、超声、珠磨各有适用面。我最常用的是冻融加溶菌酶组合：加含 0.2 mg/mL 溶菌酶的缓冲液，-80℃ 冻 30 min，室温缓融，重复两次，然后 4000 g 离心 20 min 取上清。这个方式成本低、通量高，缺点是裂解效率在板内不均匀，会造成板孔间的系统误差。

系统误差是初筛最大的敌人。同一块板上不同孔位的蒸发速率不同，边缘孔浓度偏高，表达量能差 20% 到 30%。我的处理办法是：所有边缘孔只放对照不放样品；每板固定位置放 8 个野生型对照和 8 个空白对照；计算时用同板野生型做归一化，而不是用绝对值比较。这一步做不做，筛选结果的可靠性差一个数量级。

初筛一般看单一条件下的相对活性，阈值设为野生型的 1.3 到 1.5 倍作为“候选”。这个阈值偏低是为了不漏掉有益突变，代价是假阳性率高。复筛阶段用摇瓶或 24 孔板重做，至少做三个生物学重复，测完整底物饱和曲线，算 kcat、Km 和 kcat/Km。

2.4 假阳性从哪来，怎么掐掉

定向进化里筛出的“阳性”有相当比例是假的，这一点几乎所有做过的项目都吃过亏。假阳性主要有四个来源，我按发生频率排个序。

表达量差异排在第一位。突变恰好提高了可溶性表达或者质粒拷贝数，测出来的活性升高，实际比活力没变甚至更低。控制方法是在复筛时同时测总蛋白浓度（Bradford 或 A280），算比活力而不是总活性，同时对 SDS-PAGE 上的目标条带做半定量。

细胞生长差异排第二。有些突变让宿主长得更快，同样体积里菌体量多，酶自然多。控制方法是接种时统一 OD 值，或者用 OD 归一化后再比较。

裂解效率差异排第三，前面说过了。比较可靠的做法是在裂解后测一次总蛋白，把活性对总蛋白归一化。

第四是底物或产物干扰。比如用显色底物筛选时，培养基成分或裂解液里的某些组分本身有吸收，或者突变体改变了产物的副反应路径。控制方法是每块板带无酶对照（空载质粒）和底物空白，把背景扣干净。

3. 理性设计：从结构模型到落地的突变列表

3.1 结构来源决定你能设计到什么精度

做理性设计第一步不是打开建模软件，而是给手里的结构做一次诚实的体检。

实验解析结构要看三个数：分辨率、R-free、配体或底物的存在状态。分辨率优于 2.0 Å、R-free 低于 0.25、且含有底物类似物复合物结构的，做口袋工程基本靠谱。如果分辨率在 2.5 Å 以上，侧链朝向开始有不确定性；超过 3.0 Å 的，很多表面侧链是猜的，这时候去设计精确的氢键网络属于赌博。

只有同源结构的话，序列一致性是个硬指标。一致性高于 60% 时，骨架基本可信，侧链需要局部优化；40% 到 60% 之间，核心区可用，表面 loop 完全不可信；低于 30% 就只剩拓扑参考价值了，别拿来算能量。

近年主流的深度学习结构预测模型确实把中低同源性的结构预测质量拉高了一大截，尤其是核心区和二级结构排布。但我自己的经验是：这类模型给出的单残基置信度指标（如 pLDDT 分区着色）必须逐段看，低于阈值的 loop 区不要用来做任何突变设计；另外它默认给出的常常是单体、无辅因子、无金属离子的模型，而酶活性位点恰恰高度依赖这些东西，直接拿来算 ΔΔG 会系统性地错。

拿到结构之后必做的三件事：加氢（考虑生理 pH 下的质子化状态）、补上缺失的金属离子和辅因子、用能量最小化做一轮全局弛豫，把建模过程中产生的过近接触消除。这三步不做，后面所有计算都是错的。

3.2 热稳定性改造：哪些策略真的有效

热稳定性是理性设计最容易出成果的方向，因为筛选简单（加热后测残余活性），而且机制相对清楚。我常用的策略按性价比排序如下。

表面电荷优化。蛋白质表面带同种电荷的残基聚集会互相排斥，降低整体稳定性。思路是把表面暴露的、非保守的、与周围残基作用不明确的带电残基突变成相反电荷或者中性极性残基，或者在合适位置引入新的盐桥。判断标准是看该残基的溶剂可及表面积是否大于 40%、侧链是否孤立、是否在已知的功能区或界面附近。这类突变对活性影响小，风险低，是我第一优先做的。

柔性区刚性化。B-factor 高的区域往往在高温下最先解折叠。策略是把高 B-factor 的 loop 上的甘氨酸换成脯氨酸，或者引入新的侧链-主链氢键。脯氨酸的替换有个讲究：只能放在适合 φ 角约 -60°、ψ 角约 145° 的构象区，放在 β 折叠的中间链段基本必崩，所以一定要看骨架二面角。此外脯氨酸放在 helix 的 N 端第一个位置常有稳定化效果，因为能减少 N 端螺旋偶极带来的去稳定。

核心堆积改造。把内部空腔中较小的残基换成更大的疏水残基，能增加范德华堆积，一般能带来 0.5 到 2 kcal/mol 的稳定化。判断空腔要看结构里有没有明显的、体积足够容纳额外碳原子的洞。这一招的风险是填进去之后侧链与周围产生冲突，必须做侧链旋转异构体搜索。

去除易损位点。 asparagine 后面跟 glycine 或 serine 的序列在高温下容易发生去酰胺化，把 Asn 换成 Asp、Gln 或 Ser 往往能明显提升长期热稳定性，而这类突变对结构和活性的影响通常很小。类似的还有暴露的甲硫氨酸和半胱氨酸的氧化问题，可以换成亮氨酸或丝氨酸。

关于能量计算，ΔΔG 的计算精度普遍在 ±0.5 到 1 kcal/mol 量级，这意味着算出 -0.8 kcal/mol 的突变子和算出 +0.3 的，在实验层面没什么区别。我的经验阈值是：只做预测 ΔΔG 低于 -1.0 kcal/mol 的突变，而且单点稳定化能带来的 ΔTm 通常在 1 到 3℃，不要指望一个点解决 15℃ 的提升。

ΔTm 和半衰期之间怎么换算？用阿伦尼乌斯关系。给定失活过程的活化能 Ea，温度从 T1 升到 T2 时速率常数比值为 exp[(Ea/R)(1/T1 - 1/T2)]。酶的不可逆失活 Ea 常见落在 300 到 500 kJ/mol 区间。取 400 kJ/mol 算一下：ΔTm 为 5℃、基准温度 60℃ 的情况下，k 比值 = exp[400000/8.314 × (1/333.15 - 1/338.15)] ≈ exp(2.14) ≈ 8.5。也就是说同一温度下失活速率降了约 8 倍，半衰期相应延长这个倍数。反过来，如果你需要 60℃ 下半衰期延长 10 倍，至少得准备 ΔTm 5℃ 以上，而单点突变普遍只能贡献 1 到 3℃，所以必须做叠加，这就回到组合突变和上位效应的问题上去了。

3.3 底物口袋改造与立体选择性

口袋改造的逻辑和稳定性完全不同，它更依赖精确的几何定位，也更需要实验反馈来纠偏。

先做底物对接，看清底物的哪些基团对着口袋的哪些残基。然后分类处理：决定链长选择性的通常是口袋底部的一堵“墙”，把中等大小的残基换成更大或更小的残基就能改变可容纳的链长；决定立体选择性的往往是一个特定方向的位阻——引入一个大的侧链，堵住一条构象通路，逼迫底物从另一个方向结合。

我常用的具体做法是：在对位残基上做“大换小”或“小换大”的成对比较，每个位置至少做两种相反的替换（比如 Val 换成 Ala 和 Phe），看两个方向的效果，因为结构模型在判断哪边有空间这件事上经常会错。如果两条路都做过但方向反了，说明模型对重链位置的判断有问题，回头检查配体姿态。

立体选择性还有一个非常实用的点：不要只盯着口袋里的残基。有些酶的立体选择性由口袋外圈的氨基酸通过远程静电和动态构象网络控制，这类位点在静态结构里完全看不出来，只能靠演化信息或者动态模拟提示。我的做法是把序列比对里的共进化位点列表也扫一遍，常有意外收获。

3.4 计算工具的定位：算得准的只有趋势，不是数值

这个观点可能会得罪人，但我必须说清楚：目前所有基于力场的计算设计工具，对突变效应的预测能力都停留在“排序”而非“定量”层面。它能告诉你在这 30 个候选突变里，哪些更可能稳定、哪些更可能破坏，但具体数值和实验值之间一两个 kcal/mol 的偏差很正常。

所以正确的使用方式是把计算结果当成一个优先级排序器，而不是一个筛选器。我会把计算给出的 ΔΔG、保守性打分、溶剂可及表面积、与活性位点的距离这几个维度综合成一个排序，然后取前 20 到 30 个做实验，同时一定保留 5 到 8 个“计算上不推荐但直觉觉得有意思”的位点作为对照——这不是玄学，是给模型做校准。

4. 半理性设计与机器学习：把文库压下来

4.1 丙氨酸扫描与热点饱和突变

丙氨酸扫描的思路很朴素：把每个候选残基单独突变成丙氨酸，削掉侧链，看活性掉不掉。掉得多的说明该侧链参与结合或催化，是热点。这个方法在一次只能测几十个样本的情况下特别划算，成本低、信息量大、解释性强。

操作上要注意两点。一是必须用同一批纯化的蛋白做平行测试，粗酶液里表达量的差异会直接污染结论。二是做底物饱和曲线而不只是单点测活，因为很多突变只改变 Km 不改变 kcat，单点饱和浓度下的活性差异会被掩盖。

真正容易做错的是“丙氨酸扫描之后怎么办”。削掉侧链掉活性，只说明该位点重要，不代表换成别的残基就能提升性能。正确的下一步是饱和突变：在该位点用简并密码子 NNK 或 NDT 建单点库，把 19 种氨基酸都试一遍，然后筛。NDT 编码 12 种氨基酸，覆盖了大部分有意义的替换且能降低冗余，是我现在更常用的选择；NNK 覆盖全但冗余度高，库要建大一点。

饱和突变的库容计算很简单：一个位点 NNK 需要覆盖全部 32 个密码子，95% 覆盖率约需 96 个有效转化子，实际做的时候按 300 到 500 个克隆筛比较保险。

4.2 机器学习辅助定向进化需要什么数据

这个方法最近讨论得很多，但落地前提经常被忽略。它的逻辑是：用已有的几百到几千条实测的突变-活性数据进行训练，建立从序列到性能的预测模型，然后预测下一轮该测哪些组合，把有限的实验通量花在信息量最大的点上。

前提条件有三条，缺一条就会失效。第一条是数据量。低于 300 条有效数据点，模型基本学不到东西；500 到 2000 条是比较现实的下限，且这些数据的质量比数量重要得多。

第二条是数据噪声必须可控。如果你的活性测定板间变异系数超过 15%，模型学到的将是实验噪声而不是序列-功能关系。控制手段包括统一批次的试剂、固定孔位布局、每板带相同对照、对每个变体至少做三次独立测量取中位数。这一步做扎实，比多测一千个样本更值钱。

第三条是特征工程要跟生物学对上。常用的编码方式有 one-hot 氨基酸编码、基于替换矩阵的编码、以及从蛋白质语言模型提取的嵌入表示。后者在有足够数据时表现最好，但需要一定的算力储备。我自己的经验是：如果突变都集中在 20 个位点以内，用位点加氨基酸类型的简单特征就够用了；如果要做全蛋白的泛化预测，才值得上嵌入表示。

还有一个必须警惕的点：机器学习模型特别擅长在训练分布内插值，但一旦你让它预测远离已有数据的组合（比如三个从未一起出现过的突变叠加），预测可靠性会急剧下降。所以每一轮预测里我都会强制保留 10% 到 20% 的随机样本，用来持续检验模型的真实预测能力。

4.3 上位效应：组合突变的真实陷阱

做组合突变时几乎一定会遇到上位效应，就是多个突变的效应不能简单相加。两个各自稳定 1℃ 的突变叠在一起，可能只有 0.5℃，甚至负叠加。

机制上主要有三类。一是残基间直接相互作用，两个残基本来就有氢键或盐桥，同时改掉就崩了。二是全局性质饱和，比如表面电荷优化做到一定程度，再多加电荷就没有额外收益。三是构象耦合，一个突变改变了局部构象，让另一个突变原本有利的接触消失了。

应对策略是：组合的时候按位点在三维结构上的距离分组，距离小于 5 Å 的位点不要一次叠三个以上；同时用迭代的方式做，每一轮组合后都重新测，把负叠加的组合提前剔掉，而不是一次性把 10 个点全做进去。我自己的项目里，一次性堆 8 个稳定化突变、结果 Tm 只涨了 2℃ 的情况出现过不止一次，最后靠逐步叠加加回溯才凑到 12℃。

5. 从摇瓶到反应器：表达、纯化与性能验证

5.1 表达系统的选择和可溶性难题

设计得再好，蛋白不表达或者全是包涵体，一切归零。这一步的效率问题比很多人想得更突出：我做过的项目中，至少有三分之一的时间花在把突变体重新救活表达上。

大肠杆菌还是首选，原因是周期短、成本低、遗传操作成熟。常用的做法是 T7 启动子系统配合 BL21(DE3) 类的宿主，OD600 到 0.6 到 0.8 时加 IPTG 到 0.3 到 0.5 mM，然后降到 16 到 18℃ 诱导 16 到 20 小时。低温慢诱导是提高可溶性最有效的一招，代价是表达量下降，但对于筛选来说，可溶性比总量重要得多。

遇到严重包涵体，依次尝试：降 IPTG 到 0.05 到 0.1 mM、降温度到 12℃、换用带较低拷贝数ori的载体、共表达分子伴侣、或者换用能提供胞质氧化环境的工程宿主菌株（适合含二硫键的酶）。如果目标酶含有复杂的翻译后修饰或者是真核来源，那大肠杆菌就没戏了，得上酵母或丝状真菌表达系统。酵母表达的通量低、周期长（一轮 3 到 5 天），但对分泌型酶来说，上清直接测活，省掉了裂解这一步，对筛选反而友好。

一个实操上的小技巧：建库的时候就把表达标签统一好，所有突变体用完全一样的载体、一样的标签、一样的宿主，否则后面所有的比较都在噪音里。

5.2 酶活测定与动力学参数

测活方法的选择直接影响筛选的分辨率。分光光度法（显色底物或偶联酶法）通量最高、成本最低，适合初筛；但要注意检测波长下的背景吸收、底物自发水解速率、以及产物抑制。

举两个常被用到的显色体系参数，方便你核算线性范围。NADH 在 340 nm 的摩尔吸光系数约 6220 M⁻¹cm⁻¹，用 96 孔板（光程约 0.3 cm，200 μL 体积）时，1 mM 浓度变化对应的吸光度变化约 1.9，超出线性区间，所以偶联酶法必须控制反应速率使每分钟吸光度变化在 0.05 到 0.3 之间。对硝基苯酚在碱性条件下的摩尔吸光系数约 18300 M⁻¹cm⁻¹，灵敏度高，但要注意反应体系的 pH 必须足够让产物完全去质子化，否则读不到信号。

酶活单位定义要写清楚：一个单位 U 是每分钟催化生成 1 μmol 产物的酶量。比活力是 U/mg 总蛋白。计算的时候别忘了稀释倍数和光程校正。

测动力学参数时，底物浓度至少设 6 到 8 个点，范围覆盖 0.2 到 5 倍 Km，每个点三次重复。用 Michaelis-Menten 方程非线性拟合，不要用 Lineweaver-Burk 双倒数法，后者会放大小浓度点的误差，得出来的 Km 和 kcat 偏差可以到 20% 以上。如果观察到底物抑制，改用底物抑制模型拟合。

有一个特别容易被忽略的点：有机助溶剂的影响。很多底物水溶性差，要加 1% 到 5% 的 DMSO 或甲醇，这些溶剂对酶活有明显的抑制或激活作用，而且不同突变体的敏感度不一样。所以整个筛选过程中助溶剂浓度必须严格一致，测出的 kcat/Km 才有可比性。

5.3 稳定性测试的设计：别只测一个 Tm

Tm 好看不等于好用。工业上关心的是特定工艺条件下的操作稳定性，这与 Tm 只有间接关系。我的稳定性测试一般分三层。

第一层是热变性曲线，用荧光染料法或圆二色法测 Tm，快速比较突变体的构象稳定性，一次能做几十个。但注意染料法对疏水表面暴露敏感，某些突变会干扰读数。

第二层是特定温度下的残余活性时间曲线。选 2 到 3 个工艺相关温度（比如 55℃、60℃、65℃），测不同时间点的残余活性，拟合出一级失活动力学常数和半衰期。这一步才是真正能跟产线对话的数据。

第三层是综合稳定性，包括 pH 稳定性（3 到 11 区间取点）、有机溶剂耐受（工艺中实际用到的浓度）、氧化稳定性（加 1 到 10 mM H₂O₂ 孵育后测活）、冻融循环稳定性。我的经验是，热稳定性提升的突变体在其他维度上不一定同步提升，甚至可能变差，所以这几个维度都要测，不能只报一个最好看的数。

6. 常见问题排查实录

6.1 筛选完全没有信号或者信号漂移严重

前者常见于裂解不充分、底物浓度配错、检测波长选错、或者酶压根没表达。排查顺序我一般是：先用阳性对照（野生型或已知活性的商品酶）跑一遍全流程，确认试剂体系和检测条件没问题；再检查表达，跑 SDS-PAGE 看目标条带在不在；再看裂解效率，比较不同裂解方式的上清活性。

信号漂移是更麻烦的问题，表现为同一块板上野生型对照的读数从板头到板尾有系统趋势。主要原因是蒸发、温度梯度、加样时间差。处理办法：用多通道移液器快速加样，每加一排混匀一次；封板膜密封后短暂离心消除气泡；孵育温度用金属浴而不是烘箱；把板子放到读板器之前统一平衡到室温。如果做过这些还有漂移，那就用同板对照归一化的方式在数据处理层面扣掉。

6.2 突变体“失去活性”和“假阳性”同时出现

这两个现象同时出现，通常说明你的表达或折叠出了问题，而不是突变真的影响了催化。常见原因是某个突变破坏了局部结构或者大幅降低可溶性，导致测不到活性；同时另一批克隆因为表达量高被误判为阳性。

区分方法很直接：测总蛋白，跑胶，如果“失活”突变体的可溶目标条带明显减少，那就是折叠或稳定性问题，不是催化问题。处理上可以试降温度、降诱导剂、换宿主；如果还是不行，说明这个位点不能动，直接放弃，把精力放到别处。

6.3 数据记录与复现性

这一条听起来最不技术，但价值最高。我现在的习惯是：每一个突变体建一个独立编号，编号里包含位点、原始残基、替换残基、构建批次号；所有的原始读板数据、归一化方式、对照组 ID 全部存档，而不是只留一个算好的数值；每次建库前留 1 mL 菌液和质粒，-80℃ 保存。

为什么这么较真？因为当你筛到第五轮、手上有三百个突变体的时候，一定会出现“这个突变到底是从哪一轮来的、跟哪些突变组合过”的记忆混乱。我吃过一次苦头：第二轮筛出一个提升 40% 的突变，第三轮想叠加的时候发现质粒丢了，只能重新做点突变，白白多花了两周。

6.4 常见症状速查

7. 一点个人经验

绕了这么一大圈，我最想说的其实是两件事，跟技术无关，跟做事顺序有关。

第一，先想清楚筛选怎么做，再去设计突变。我见过的失败项目里，九成不是突变策略不对，是筛选出来的东西没法验证。你在建库之前花两天时间把初筛和复筛的流程跑通、把野生型的板间变异系数压到 10% 以内、把假阳性的识别方法定下来，后面会省下几周。反过来，先花两周优化易错 PCR 的 Mn²⁺ 浓度，再回头发现筛选通量只够一天 200 个克隆，那这两周基本白干。

第二，别迷信任何一个方向。定向进化和理性设计不是门派之争，是工具箱里的两把锤子。真正让我效率上一个台阶的转变，是把它们当成一个循环：用理性设计选出 20 个候选位点，用饱和突变做小库，筛出有效突变，再用这几个突变的数据去校准下一次的计算，然后再做一轮组合。这个循环跑三到四轮，往往比一次性建一个 10⁵ 的大库效果更好，而且每一轮都有可以写进报告的数据。

至于那些一开始让我很兴奋但最后放弃的位点，也不亏。它们的失败信息，恰好是下一轮预测模型里最值钱的那部分样本。