{
  "id": "directed-evolution",
  "title": "定向进化",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "定向进化通过反复进行遗传多样化、筛选或选择，并传承有益变体，改良生物分子。",
  "category": "science",
  "subcategory": "biology",
  "type": "concept",
  "aliases": [
    "分子定向进化"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/directed-evolution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/directed-evolution/",
      "json": "https://aiwiki.page/en/directed-evolution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "定向进化是一种利用变异、遗传和选择来获得具有所需特性的生物分子的实验方法。最常见的做法是修改编码某种蛋白质或功能性RNA的遗传物质，从而改变其序列，再对产生的变体进行测试，并将表现优良的变体作为亲本，开展后续轮次的实验。这种方法的核心特征是迭代搜索：在实验开始之前，无须能够根据序列或结构预测出哪些分子特性会有用。\n\n这种方法将进化的逻辑用于实现人为设定的目标，例如加快催化速度、增强结合能力、提高稳定性，或使分子能够作用于新的底物。定向进化在生物技术中占据核心地位，因为在许多实际应用中，分子序列与功能之间的关系过于复杂，难以据此进行可靠的设计。定向进化能够利用那些效果事先未被预料到的有益变化，包括发生在远离酶活性位点处的变化。\n\n其应用范围涵盖工业催化剂、治疗性抗体、荧光报告分子以及分子研究工具。该领域融合了分子遗传学、高通量测量、进化理论，并且越来越多地采用计算建模。其成效不仅取决于能否产生大量变体，还取决于能否确保实验测试真正筛选出具备所需特性的变体。"
    },
    {
      "heading": "历史发展",
      "text": "定向进化并非源于某一项发明，而是从多种实验研究传统中发展而来。选择育种表明，可以引导可遗传变异，使其朝着实际应用目标发展；20世纪的微生物遗传学则确立了产生和分离有用突变体的方法。在单个基因尚不能常规分离的年代，工业菌株改良就已利用突变和选择来提高抗生素产量，并改善其他发酵性状。这些方法提供了重要的先例，不过，现代分子定向进化通常聚焦于某种特定分子，以及组成可控的序列文库。\n\n可复制核酸的实验为分子层面的进化提供了早期实证。1967年，索尔·斯皮格尔曼及其同事报道了由Qβ噬菌体的一种酶复制的RNA的进化过程。反复转移培养使那些在实验条件下复制效率较高的RNA分子获得优势，其中包括一些缩短的序列，它们已不再保留构成完整病毒所需的信息。这项实验表明，分子群体可以在细胞之外经历选择。后来对催化性RNA的研究，又将实验室进化的范围从复制扩展到结合和化学催化等功能。\n\n20世纪80年代和90年代的几项进展，使这一方法得以广泛应用。聚合酶链式反应使基因的快速扩增和诱变成为可能。1985年，乔治·P.史密斯成功将外源肽展示在噬菌体表面，建立了将展示分子与其编码DNA关联起来的方法。1990年，约翰·麦卡弗蒂、安德鲁·格里菲思、格雷格·温特和戴维·奇斯韦尔成功实现了抗体片段的噬菌体展示。同样在1990年，多个独立研究确立了对功能性核酸进行系统选择的方法，其中包括名为SELEX的方法。\n\n弗朗西丝·H.阿诺德的工作推动了反复突变与筛选成为酶工程的一项通用策略。1993年，陈克勤与阿诺德通过进化提高了枯草杆菌蛋白酶E在有机溶剂中的活性，表明实验室进化能够赋予分子对工业化学有用的性质。威廉·斯特默于1994年提出DNA改组技术，为相关序列的重组提供了一种切实可行的方法。2018年，诺贝尔化学奖表彰了阿诺德在酶的定向进化方面的贡献，以及史密斯和温特在肽与抗体的噬菌体展示方面的贡献。该奖项体现了两项相辅相成的成就：通过进化改进催化功能，以及通过选择获得分子识别能力。"
    },
    {
      "heading": "进化原理与序列景观",
      "text": "定向进化与自然选择依赖相同的基本要素：可遗传的变异和繁殖成功率的差异。实验者决定生成哪些序列、如何评估其性质，以及让哪些序列延续下去。预期结果引导着这一过程，但突变通常并不是因为有需要才产生的。即使将变异集中在选定的位点，特定替换所产生的后果通常仍须通过实验确定。因此，“定向”指的是对目标和实验条件的控制，而不是指进化中的分子具有预见能力。\n\n一个有用的概念模型是适合度景观，其中每个序列都对应一个性能值。对于长度为 \\(L\\) 的蛋白质，不加限制的序列空间包含 \\(20^L\\) 种可能的氨基酸序列。因此，一个含有100个氨基酸残基的蛋白质约有 \\(1.27 \\times 10^{130}\\) 种可能的序列，远远超出任何实验室能够考察的数量。定向进化通过搜索这一空间中范围有限、具有一定结构特征的区域取得成功，通常以某个现有分子为起点；该分子已经能够折叠，并且至少具有与目标功能相关的微弱活性。\n\n这一景观很少是平滑的。当一个突变的效应取决于序列中的其他变化时，就会出现上位性。两个单独来看都有益的替换可能相互干扰，而一个起初呈中性或有害的替换，在另一种序列背景下可能变得有益。这些相互作用源于多种物理机制，包括堆积方式、氢键网络、静电相互作用、构象运动以及底物定位的改变。因此，一连串每一步都带来改善的变化，可能最终到达局部最优点，却无法到达沿另一条路径可以获得的最佳序列。\n\n选择作用的对象也不只是预期的分子性质。一个变体可能因为表达水平更高、更能抵抗降解，或使宿主生长得更快而被筛选出来。如果生产性能本来就是目标的一部分，这些效应可能很有用；但如果将其解读为内在催化能力的提高，就可能造成误导。遗传漂变、种群瓶颈以及稀有变体的意外丢失，也会进一步影响结果。因此，定向进化是一种实验性的种群过程，而不是保证获得最优解的算法：其演进轨迹取决于起始序列、种群大小、突变分布、测定方案设计以及偶然因素。"
    },
    {
      "heading": "序列多样性的生成与组织",
      "text": "实际操作的第一步是构建一个由相关序列组成的文库。随机诱变通常采用脱氧核糖核酸的易错扩增，通过选择特定的反应条件或聚合酶来提高复制错误率。其他方法则使用化学诱变剂、突变率升高的菌株，或通过人工合成有意引入序列变化。突变率至关重要：较低的突变率有利于保留功能，但探索序列空间的速度较慢；较高的突变率能产生更多组合，却常常破坏折叠或关键催化残基。因此，文库设计应以检测方法实际能够评估的功能变异量为依据。\n\n靶向文库将多样性集中在特定位点。位点饱和诱变将选定的残基替换为多种或全部其他氨基酸，而组合文库则同时改变多个位点。这些位点可以根据结构、序列保守性、既往实验或机制假说来选择。使用简并DNA三联体很方便，但由于遗传密码的结构特点，可能导致各氨基酸出现的频率不均，并引入终止密码子。使用组成明确的寡核苷酸混合物和密码子可控的合成方法，可以减少这些偏差。这类“聚焦型”文库模糊了理性设计与进化之间的界限：结构分析决定在哪里搜索，而实验决定哪些组合有效。\n\n重组将不同亲本序列中的变化组合起来。在经典的DNA改组中，相关基因先被打断成片段，再重新组装，使有益替换得以形成新的组合。重组也可以去除伴随有用突变出现的有害变化。亲缘关系较近的亲本通常更容易发生重组，因为它们的序列能够提供用于组装的匹配区域。差异较大的序列则可能需要采用结构指导的重组方法，寻找能够保留蛋白质各部分之间相容相互作用的交换位置。重组并非必然有益，因为片段交换可能破坏共同进化形成的相互作用网络。\n\n文库规模必须与有效多样性区分开来。一组含有一百万个转化子的文库中，可能存在大量重复序列、亲本序列、无功能基因或非预期突变。如果从 \\(M\\) 种等概率的可能变体中独立、均匀地取样，那么在 \\(N\\) 个样本中观察到的不同变体数量的期望值为\n\n\\[M\\left[1-\\left(1-\\frac{1}{M}\\right)^N\\right].\\]\n\n这个表达式说明，即使取样的克隆数与理论变体总数相等，也不能实现完全覆盖。实际文库中的变体分布往往更不均匀，因此序列验证和多样性评估十分重要。在开展大规模筛查之前，DNA测序可以揭示突变谱、不同变体丰度不均以及污染等问题。"
    },
    {
      "heading": "筛查、选择与基因型—表型关联",
      "text": "筛查是对各个变体分别进行测量，或在可相互区分的隔室中进行测量。菌落、微孔板孔、液滴或细胞均可各自容纳不同的候选变体，从而比较产物生成量或荧光等性质。选择则将目标性质与优先存活、复制、保留或回收联系起来。由于不符合要求的成员会被成批淘汰，而不必逐一测量，选择能够考察规模极大的群体。这两种方法并无绝对的优劣之分：筛查通常能提供更丰富的定量信息，而选择则能处理大得多的群体。\n\n两种方法都要求在基因型与表型之间建立可靠的关联。在细胞检测中，编码基因及其产物通常处于同一细胞内，因而保持关联。在展示系统中，蛋白质或肽通过物理连接，与携带其遗传信息的颗粒或分子复合物相连。没有这种关联，就无法鉴定出产生所需活性的序列，也无法将其传递至后续轮次。当酶释放的产物能够在隔室之间扩散时，维持这种关联尤其困难，因为无活性的变体也能从邻近的活性变体中获益。\n\n测得的信号还必须与预期功能相对应。荧光底物虽然可以实现快速筛查，但可能与工业应用中的底物有很大差别。与固定化靶标的强结合，可能反映的是对载体的附着、多价相互作用，或对构象失真的靶标的识别，而非所需的分子相互作用。反向选择可以去除与非目标靶标或表面结合的变体。在多种浓度或条件下进行测试，有助于区分真正的功能改进与仅在狭窄检测条件下出现的假象。\n\n筛查能力决定了哪些变体库在实际操作中可行。常规微孔板支持细致的检测，但通常能考察的变体数量少于细胞分选或展示系统中的选择。若功能可产生与细胞关联的荧光信号，流式细胞术便可用于分析和分选大规模群体。液滴系统可将单个细胞或基因与检测试剂共同封装在隔室中，再根据产物生成情况对隔室进行分选。初步筛得的候选变体仍需确认：重新构建突变、测量独立培养物，以及测试纯化后的材料，有助于将可重复的序列效应与实验噪声、宿主变化或样品处理中的偶然差异区分开来。"
    },
    {
      "heading": "展示系统、区室化与连续进化",
      "text": "噬菌体展示将肽或蛋白质呈现在噬菌体颗粒表面，同时将编码它们的 DNA 保留在颗粒内部。将文库与靶标接触后，去除未结合的颗粒，回收保留下来的颗粒，并在细菌中扩增。经过多轮重复操作，具有良好结合特性的序列便会得到富集。由于扩增能够产生规模极大的群体，噬菌体展示非常适合筛选稀有的结合分子。不过，富集效果不仅取决于分子相互作用本身，也取决于展示效率、靶标的呈现方式、洗涤、回收以及噬菌体的生长情况。\n\n其他展示方法则采用不同的生物学环境或连接机制。酵母表面展示将蛋白质呈现在真核细胞表面，既可测量其与靶标的结合情况，也可独立测量展示量。核糖体展示维持由信使 RNA、核糖体及翻译产物蛋白质组成的复合物，而信使 RNA 展示则通过分子偶联反应，将蛋白质与编码它的 RNA 连接起来。这些无细胞方法避开了细胞转化带来的部分限制，但也对翻译、分子稳定性以及序列与功能之间关联的维持提出了各自的要求。\n\n对于那些无法自然地与展示分子保持关联的活性，区室化使其也能成为进化的对象。体外区室化将基因和反应组分分配到微小的水相区室中，这些区室通常存在于乳液内。随后，有用的反应便可改变区室内的局部信号，或以便于回收的方式修饰编码 DNA。区室设计必须尽量避免多个基因型共处于同一区室，并防止底物或产物在区室间交换。基于液滴的酶筛选也采用类似原理：催化反应在每个彼此隔离的液滴内部产生可测量的信号。\n\n连续进化减少了突变与选择步骤之间的人工操作。2011 年，凯文·埃斯韦尔特、雅各布·卡尔森和戴维·刘提出了噬菌体辅助连续进化，简称 PACE。在典型实现方式中，进化中蛋白质的活性与噬菌体感染所必需的某种组分的产生相耦联，同时新鲜宿主细胞持续进入系统。具有功能的变体能够更有效地增殖，而多样化则在持续复制过程中发生。这类系统能在短时间内经历许多世代，但前提是分子活性与增殖之间必须建立切实可行的耦联关系。否则，选择可能会偏向那些绕过预设回路的突变，而不是改善目标功能的突变。"
    },
    {
      "heading": "酶的进化与新催化功能",
      "text": "酶的进化通常以改善活性、拓宽底物范围、提高选择性和稳定性，或增强对工艺条件的耐受性为目标。这些性质彼此相关，但不能相互替代。在基于细胞的测定中，产物生成量增加可能源于催化周转加快、可溶性表达量提高、抑制作用减弱，或催化剂的有效寿命延长。因此，要确定其机制，往往需要对纯化酶进行测量、控制酶浓度，并在相关底物和反应条件下开展表征。蛋白质折叠和构象稳定性常常决定酶能否容忍某个有望改善催化性能的氨基酸替换。\n\n对于遵循米氏动力学的简单酶，其初始反应速率可表示为\n\n\\[v=\\frac{k_{\\mathrm{cat}}[E]_{\\mathrm{T}}[S]}{K_M+[S]},\\]\n\n其中，\\(k_{\\mathrm{cat}}\\) 为转换数，\\([E]_{\\mathrm{T}}\\) 为总酶浓度，\\([S]\\) 为底物浓度，\\(K_M\\) 为米氏常数。在低底物浓度下筛选，可侧重考察催化效率，通常以 \\(k_{\\mathrm{cat}}/K_M\\) 表示；而在接近底物饱和的条件下筛选，则更侧重于催化周转能力和活性酶的丰度。这些解释成立的前提是反应遵循所假定的动力学模型。实际工艺性能也可能受抑制作用、传质、辅因子供应或催化剂失活的限制。\n\n进化可以增强微弱的次要活性，这类活性通常称为催化多功能性。某种酶在自然状态下负责一种反应，但由于其活性位点能够稳定某种相关的过渡态，或容纳另一种底物，也可能微弱地催化另一种反应。以这种微弱活性为起点，就有了可供选择的基础。后续的一系列变化可以改善底物定位、改变进出通道、调整静电相互作用，或改变活性中间体的反应走向。进化得到的功能可以与祖先功能显著不同，而不必产生全新的蛋白质折叠类型。\n\n2010 年报道的一项突出工业实例是，Codexis 和默克公司的研究人员通过定向进化开发出一种转氨酶，用于生产抗糖尿病药物西格列汀。最终催化剂与起始序列相比含有 27 处氨基酸替换，并能在苛刻的工艺条件下发挥作用。定向进化还产生了能够催化其常规生物学功能之外反应的血红素蛋白催化剂。2016 年，研究表明，一种细菌细胞色素 c 的进化变体能够以高立体选择性催化碳—硅键的形成。这些实例展示了生物催化能力的拓展，但对其意义的解读应以实验确立的底物范围和反应条件为依据，而不能假定这些催化剂具有普遍的催化多功能性。"
    },
    {
      "heading": "结合蛋白、抗体与分子工具",
      "text": "结合蛋白的进化旨在改善识别能力，而非化学转化能力。常见目标包括提高亲和力、增强对相近靶标的区分能力、减少非特异性结合，或实现特定的结合或解离速率。对于处于平衡状态的简单一对一相互作用，解离常数为\n\n\\[K_D=\\frac{[P][L]}{[PL]},\\]\n\n其中，\\(P\\) 为游离蛋白质，\\(L\\) 为游离配体，\\(PL\\) 为复合物。在给定条件下，较低的 \\(K_D\\) 通常表示结合更紧密。然而，仅凭平衡亲和力无法确定结合动力学；即使两个结合分子的 \\(K_D\\) 值相近，其结合和解离的快慢也可能存在显著差异。\n\n抗体工程是定向进化的一项主要应用。构建文库时，可以改变与抗原接触的区域、组合抗体结构域，或向现有结合分子中引入突变。实验室选择在某些方面类似于生理过程中的亲和力成熟，但采用的是实验者选定的靶标和回收条件，而非免疫应答中完整的细胞环境。选择可以从免疫文库、非免疫文库或合成文库开始。后续进化可以改善识别能力，同时通过额外测试评估表达、聚集、稳定性以及与非预期分子的结合情况。因此，更强的靶标结合能力只是开发工作的一部分，并不能全面衡量分子是否适用。\n\n通过噬菌体展示技术获得的抗体已进入临床应用；2002 年在美国获批的阿达木单抗就是一个突出的早期实例。不过，从筛选出的结合分子到治疗产品，仍需经历许多额外阶段，包括分子表征、生产工艺开发和临床评价。定向进化能够通过明确设定的实验确定候选分子的性质，但其本身并不能证实这些分子在患者中的疗效或安全性，实验室测得的亲和力也不能直接替代这些临床结局。\n\n科研工具是另一大应用领域。荧光蛋白已通过进化在亮度、颜色、光稳定性、折叠以及不同细胞环境中的表现等方面得到改进。用于扩增、测序和基因组编辑的酶，可以通过进化改变底物偏好、温度耐受性或特异性。分子传感器也可以经过优化，使结合或化学转化引起光学信号的变化。在这些应用中，选择都必须考虑实际使用环境：一种在细菌中表现良好的蛋白质，在哺乳动物细胞中可能因表达水平、定位、降解或与细胞组分的相互作用而表现不同。"
    },
    {
      "heading": "多目标工程与计算指导",
      "text": "实际的分子工程很少只追求单一指标的最优。一种工业催化剂可能既要在高底物浓度下保持活性，又要耐受溶剂、表达成本低，并能在数小时内持续发挥功能。一种结合蛋白可能既需要特异性，也需要物理稳定性。改善一种性质可能使另一种性质变差，因此往往需要权衡，而不存在一条在所有方面都最优的序列。实验可以通过组合多项测试、交替采用不同的选择条件，或保留多个在性能前沿上占据不同位置的谱系来应对这一问题。\n\n稳定性尤为重要，因为它能使原本会破坏稳定性的功能性变化得以发生。一个改善底物识别的突变，可能削弱蛋白质其他部位的紧密堆积。提高稳定性的氨基酸替换可以弥补这种影响，使更多变化得以累积。这并不意味着稳定性与活性之间普遍存在负相关关系；有些变化能同时改善两者。但这确实意味着，先通过进化提高稳定性，或在功能选择过程中维持一定的稳定性阈值，可以改变可行的进化路径范围。温度胁迫测试、残余活性测定和直接的生物物理测量，分别评估这种性质的不同方面。\n\n计算方法有助于选择起点，并确定优先实验验证的变体。序列比对可以识别保守位点和可变位点，结构模型可以提示结合口袋附近的相关残基，分子计算则可以提出可能影响反应机制的变化。这些方法缩小了实验搜索空间，却无法消除表达、构象动力学或不同替换之间相互作用所带来的不确定性。因此，设计出的蛋白质常在初步计算设计之后进一步接受定向进化，将机制假说与实验优化相结合。\n\n机器学习通过对实测的序列—功能数据拟合模型，进一步拓展了这种整合方式。模型可以预测有前景的组合、识别不确定性，或提出一批兼顾探索未知与利用已有认识的候选变体。在主动学习工作流程中，每次选择下一批候选变体之前，都会先用新的测量结果更新模型。模型的表现高度依赖训练数据：仅用狭窄局部序列邻域内的数据训练的模型，可能无法外推到差异较大的序列或新的条件。因此，将计算排序纳入实验循环，并辅以独立验证，才最为可靠；不应将其视为未经测试的序列必然具有预测功能的证明。"
    },
    {
      "heading": "实验局限与科学解读",
      "text": "定向进化最核心的局限在于，实验所奖励的是实际测量到的性状，而不一定是原本希望改进的性状。荧光信号增强，可能源于表达或转运的变化，而非化学反应能力的提升。以生长为依据的选择可能偏向于宿主生理状态的改变。展示系统中的选择则可能富集那些能与载体结合或高效扩增的变体。这些结果并不违背进化规律，而是实际选择环境所导致的后果。采用正交测定、反向选择以及重构候选突变，有助于确定表面上的改进究竟由何种机制产生。\n\n群体抽样构成了另一重限制。罕见的有益变体可能根本未被纳入文库，也可能在转化、复苏和扩增过程中丢失。选择条件过于严苛，可能淘汰所有有用的中间体；而选择条件过于宽松，则可能无法富集具有实质性改进的变体。早期施加强选择，也可能在其他谱系形成之前就缩减多样性。维持多个独立群体、随时间调整选择强度，或保存中间阶段的文库，都有助于发现仅追踪单一谱系时可能遗漏的演化路径。重复实验往往会产生不同的解决方案，因为新突变的产生情况和早期偶然事件会影响后续的演化机会。\n\n深度测序使研究者能够追踪整个文库中的变化，而不再局限于考察最终胜出的变体。深度突变扫描通过系统性测量大量序列变体的效应开展研究，通常会比较这些变体在功能测定前后的丰度。这类测量能够揭示哪些位点可容忍变异、哪些替换之间存在相互作用，以及不同性状之间的权衡。不过，富集值仍取决于具体测定方法，并不天然等同于生化反应速率常数或结合常数。要作出可靠解读，需要有充分的序列覆盖、重复实验、恰当的归一化处理，并充分考虑测序和扩增偏倚。\n\n定向进化也能为理解进化机制提供证据，但将其结果推广到其他情境时必须谨慎。实验室群体面临的是人为选定的目标、受控的传代安排和受限的环境，有时其突变率也与自然界不同。一条在实验室中能够实现的演化路径，说明某种功能可以在这些条件下产生，却不能证明历史上实际发生过同样的过程。尽管如此，实验研究仍可检验有关上位性、偶然性、适应以及新功能涌现的具体问题。通过重构祖先序列或中间序列，并在明确界定的条件下进行测量，研究者能够以自然群体研究中难以达到的控制程度来探究这些问题。"
    }
  ],
  "links": [
    "protein",
    "rna",
    "evolution",
    "polymerase-chain-reaction",
    "bacteriophage",
    "nobel-prize-in-chemistry",
    "natural-selection",
    "epistasis",
    "genetic-drift",
    "dna",
    "amino-acid",
    "genetic-code",
    "dna-sequencing",
    "genotype",
    "phenotype",
    "flow-cytometry",
    "phage-display",
    "protein-folding",
    "catalysis",
    "antibody",
    "affinity-maturation",
    "genome-editing",
    "machine-learning",
    "training-data"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}