塑料在为人类带来便利的同时，也导致了大量白色垃圾的出现，它们在自然界中的降解速度往往要以世纪为单位来进行计算。

不过，在一篇新发表于《自然》的研究中，研究人员借助AI机器学习系统，开发了一种新的PET塑料（聚对苯二甲酸乙二酯）水解酶，能在1周内降解50多种无需预处理的PET塑料。

48小时内，FAST-PETase将PET塑料容器完全降解

图片来源：参考文献1

这种酶到底牛在哪里？AI又是如何辅助酶开发的呢？

生化反应的“魔法师”——酶

从高中课本中我们已经了解到酶是活细胞制造的某些特殊蛋白质（极少数是RNA），它们参与到生物体内一系列生化反应中，通过复杂而精妙的机制调控反应进行的速率、方向以及程度等，堪称是生物体内的魔法师。

但酶的作用环境早已不再局限于生物体内，在现代工业体系下我们可以人工制备生物酶，并将其用于洗涤剂、原油污染处理、生物质燃料制备、杀灭有害细菌等场合。这次新升级的PET水解酶就是人类最新研发的人工酶之一。

我们已经提到，酶的本质是蛋白质一类的生物大分子，那么蛋白质到底是一种怎样的物质，它们又是如何参与化学反应的呢？

蛋白质的组成单元是氨基酸，其结构非常简单。氨基酸结构上的中心是碳原子，它一侧连接氨基（-NH2，称为N端），另一侧连接羧基（-COOH，称为C端）。而与碳原子相接的侧链基团R，则会因氨基酸种类的差别而有所不同。

首先，某个氨基酸的氨基和另外一个氨基酸的羧基可以发生脱水缩合反应，形成-CO-NH-的连接方式，这就是肽键。实际中的蛋白质由一系列的氨基酸通过肽键聚合形成长链结构。

两个氨基酸脱水缩合的示意图

图片来源：wikipedia

但这一系列氨基酸又绝非沿着直线排列，而是会自发地形成某种空间结构，好比一根毛线绕成了线团。

最为神奇的是，这串氨基酸长链形成的“线团”，并非是随机“缠绕”形成，一旦组成蛋白质的氨基酸序列确定下来，它们的“缠绕”方式也会确定，这就是所谓的“蛋白质折叠”。

蛋白质的四级结构（左）及蛋白质数据库中多样化的蛋白质（右）

图片来源：OpenStax College

真正让蛋白质能够发挥生理活性的关键，是它们特殊的空间结构，一旦这种空间结构被破坏（比如煮熟的鸡蛋），就算组成蛋白质的氨基酸序列不发生变化，蛋白质所能行使的生理机能也会减弱、失活甚至是失控。

蛋白质行使生理机能的本质是参与各种化学反应，它们复杂的多样性意味着它们所能参与的反应也有无限多的可能。

而酶作为特殊的蛋白质，更是在调控生物化学反应方面发挥着巨大作用，它们往往扮演着催化剂的角色，在酶存在的条件下，生化反应速率能够提高上亿倍。

酶中战斗机——PET降解酶

全球每年产生和消费的PET总量占到全球塑料消费总量的六分之一，大约为1亿吨，大部分的透明饮料瓶都是PET所制。

虽然PET是循环利用率最高的塑料制品之一，但最终实现循环利用的PET制品也只有不到一半的数量。

由于PET这类高聚物中各单体间的化学键很难被普通方式破坏，在普通的塑料回收过程中，仅仅可以实现原料的降级再利用。

例如食品级PET塑料瓶回收后用来加热溶解成PET颗粒，之后重新进行热加工，制成PET纤维，再利用纤维制造塑料绳或者塑料袋等。

而PET降解酶却可以直接破坏这种高聚物中的化学键，将其还原为对环境影响很小的对苯二甲酸和乙二醇。

图片来源：参考文献3

本次登上《自然》杂志的最新成果，本质上是用深度学习的方式来对PET降解酶进行结构改造，推动了这一技术走向实用化的进程。我们先来了解一下这种改造的方式，再介绍一下深度学习的原理。

单个的酶分子好比是一部精心组装的机器，氨基酸的序列和空间结构就是它的组装方式，组装方式一旦不正确，即便零件都完好，机器也无法正常运转。

正常情况下，酶都有一个活性条件，绝大多数酶在生物体内发生作用，因此它们的活性温度范围一般都在生物体的生活温度附近，且对于pH值也有一定要求。

假如我们想要在人体外的环境中利用酶来调控反应，那么我们面对的各种条件变化就要复杂得多。

尤其是塑料降解一类的应用场景，反应条件几乎完全不可控。很可能在实验室烧杯中能够正常降解塑料的酶，到了自然界的海底淤泥或者垃圾填埋地就无法发挥威力了。那么，我们应该如何解决这一问题呢？

左图：PET分解细菌附着的PET薄膜表面，右图：（部分）分解后的点蚀状表面，右上小图：分解前的薄膜表面

图片来源：参考文献4

本次《自然》杂志报道的论文显示，研究人员将天然的PET水解酶上5个位点的氨基酸进行替换后，获得了一种突变型PET水解酶FAST-PETase。相比于天然的PET水解酶和其他工业酶，这种酶有极强的降解PET的能力和稳定性，能在30~50℃和一定的pH值范围内发挥作用。

这项研究明白无误地告诉我们，修改生物酶结构以增强其活性的方法同样可以应用于PET降解酶。

要知道洗衣粉中的油污分解酶和生物质燃料制造过程中的催化酶活性在十几年的时间里提高了将近一千倍。

PET分解酶的分解路线

图片来源：参考文献4

不过，修改酶的结构说起来简单，但面对着这样一个有着成千上万氨基酸的复杂大分子，我们的改造到底应该从何下手？

“创造”PET降解酶的人工智能

也许大家在很小的时候就听过这样的一个比喻，计算机很笨，只会数豆子，但是他数的特别快，几亿颗豆子一眨眼就能数完。

这个例子非常形象地体现了计算机进行具体工作时的两大特点，第一是计算能力强（数数快），第二是处理具体任务有具体的算法（比如数豆子就是枚举法）。

目前的家用计算机算力都非常惊人，如果确实需要处理海量数据和复杂系统，还有工作站或者超级计算机之类更强的算力选项，因此算力对人类来说不是主要阻碍。

困扰我们的关键是算法，即如何用最有效的方式去解决复杂的问题。

所谓的人工智能，就是这样一种算法的集合。以时下最流行的机器学习（可以认为是人工智能的一种实现手段）来说，它大致的思路和原理就是先把一系列已有的数据（比如围棋棋谱）输入计算机，然后通过专门的算法模型（比如神经网络）让计算机对这些数据进行分析整合。

之后计算机就会像人类学习一样，从这些数据中寻找规律，利用自己的算力进行海量的试错（比如围棋AI），从中选择出最优的结果。当这个学习训练的过程完成，整个AI就会进化，从而具备解决相关问题的能力。

先进的人工智能算法甚至允许在只有少量学习样本的情况下让计算机掌握相关技能。

好比围棋AI的开发过程中，省去输入棋谱的步骤，而是仅仅告知计算机围棋相关的规则，计算机就会凭借相应的算法来对这些规则进行自我摸索和自我训练，当训练完成就能拥有与人类顶级高手一战的能力。至于训练所需的时间以及最终的学习效果，就要由计算机的配置以及具体算法的合理性和有效性来决定了。

以本次研究为例，科学家们将实验中得到的部分数据输入计算机，计算机就可以根据这些数据来对酶的结构进行优化。从而在少量数据的基础上，获得传统方式下只能通过枚举法来实现的筛选结果，之后的实验验证就会轻松许多了。

动图：AlphaFold预测的蛋白质结构（蓝色）与实际结构（绿色）对比，

来源：AlphaFold

PET降解酶仍需进一步评估

顾名思义，目前研发的PET降解酶是专门用来降解PET的，然而，塑料的种类并不是只有PET一种。

我们随口就能说出一大串来：PE（聚乙烯）、PVC（聚氯乙烯）、PI（聚酰亚胺）、PF（酚醛树脂）、特氟龙（聚四氟乙烯）、ABS树脂（丙烯腈-丁二烯-苯乙烯共聚物）……

这些高分子材料的单体、聚合方式、聚合度，分子量全都不尽相同，适用于PET的降解酶是无法分解其余各种塑料的。

此外，也有科学家提出应该对这种新处理方式的全生命周期进行系统评估，以确定在培育细菌以及细菌分解塑料的过程中，温室气体的排放量是否在可接受的范围。

如果在这一循环历程中，温室气体的排放量直逼石油工业制造塑料过程中的排放，塑料降解生物酶的吸引力无疑将极大减弱。

所以，现阶段严格控制塑料制品的应用和规范废弃，才是提高相关材料利用效率，同时减轻环境压力的现实选择。

参考文献：

1. Machine learning-aided engineering of hydrolases for PET depolymerization

https://www.nature.com/articles/s41586-022-04599-z

2. Scientists accidentally create mutant enzyme that eats plastic bottles

https://www.theguardian.com/environment/2018/apr/16/scientists-accidentally-create-mutant-enzyme-that-eats-plastic-bottles

3. A bacterium that degrades and assimilates poly(ethylene terephthalate)

https://www.science.org/doi/10.1126/science.aad6359

4. Discovery of a Bacterium that Degrades and Assimilates Poly(ethylene terephthalate) could Serve as a Degradation and/or Fermentation Platform for Biological Recycling of PET Waste Products

https://www.keio.ac.jp/en/press_releases/2016/cb96u90000005501-att/160330_2.pdf

来源：科普中国