Team name
NJTech-SynCAR
SynCARengineering a key enzyme for putrescine synthesis融合半理性设计与 AI 闭环进化，提升羧酸还原酶 MAB2962 对 GABA 的催化效率
南京工业大学生物与制药工程学院T3 生物制造
Project title
SynCARengineering a key enzyme for putrescine synthesis
T3 生物制造羧酸还原酶改造酶活与交叉验证
南京工业大学 NJTech-SynCAR 盯着羧酸还原酶（CAR）：先用半理性设计筛出优秀变体，再把突变位置、方式和酶活数据交给蛋白质语言模型学习，让它预测下一批更有潜力的方案。
- Team name
- NJTech-SynCAR
- Institution
- 南京工业大学生物与制药工程学院
Images and videos related to participating teams are used only for event showcases and reporting. Portrait rights belong to the individuals concerned. If you have any objection to the use of portraits, please contact the organizing committee through Contact us. We will verify the matter and take appropriate action.
项目背景
先说清楚 CAR 是干什么的
酶就像大自然提供的「高效催化剂」，能让工业生产更快、更环保。它的本事是把羧酸转化为醛 —— 而醛类化合物是医药、香料和新能源领域的常用原料。这条路线在技术路线图上画得很清楚：L-谷氨酸 → γ-氨基丁酸（GABA）→ 1,4-丁二胺。最后那个 1,4-丁二胺，是尼龙-46 等聚合物的单体，目前主要靠石化路线生产。把它换成生物制造，卡点就落在中间这一步的酶效率上。队徽把这件事变成了一个双关：CAR 三个字母被拼成一辆车，车身是 DNA 双螺旋。
研究路径
两条腿：先半理性，再交给模型
路线图的第一个模块是半理性设计 —— 序列分析、结构预测、构建突变库，用传统方法先拿到一批可靠的数据点。第二个模块才是 AI。把突变位置、方式和酶活性等数据交给人工智能学习，AI 总结规律、预测更有潜力的改造方案，再通过「实验—学习—再设计」的循环不断进化。顺序在这里是有意义的。蛋白质语言模型需要有标注的活性数据才能微调，而这批数据只能来自实验台。所以不是「AI 先给答案、实验去验证」，而是先有一轮实打实的半理性筛选，模型才有东西可学。复筛结果图就是这批数据的样子：几十个突变体按 PSSM 归一化后的表现排序，从最高一路排到最低。
- 目标酶
- MAB2962
- 改造位点
- 342、514、281、420
- 模型底座
- ESM2（35M、150M、650M 比选）
项目过程
项目推进与验证路径
- 01
阶段 1
位点是这么一个一个试出来的
柱状图记录了 342 位单点突变，以及以 D281P 为亲本继续组合 514 位突变的实验比较。部分突变体的细胞催化活力高于相应亲本。 - 02
阶段 2
模型选型是比出来的，不是挑出来的
底座是 esm2_t33_650M_UR50D，33 层，隐藏维度 1280；冻结 0–21 层（共 22 层，占 66.7%），总参数 651.0M，其中可训练 218.1M。训练集 105 条、测试集 35 条，做四折交叉验证。四折的 Spearman 相关系数分别是 0.618、0.705、0.455、0.227。两组数放在一起看，信息量比任何一个单独的数字都大：折与折之间的方差很明显，说明在这个数据量级上，结果对数据划分相当敏感。
项目证据
项目图表与方法记录
团队协作
计算、实验与候选复核记录
故事节点
项目过程与团队记录
屏幕上的另一半：结构与接触
一张里，左边是蛋白的三维结构（蓝色卡通模型），右边是残基间的接触热图，两者并排；另一张是同一套界面的深色模式，下方带着一张数据表。还有一张是代码：把 Excel 里的突变记录解析成结构化数据 —— 用正则把「A123B」这样的写法拆成位点与替换氨基酸，单点与双点突变分开处理，活性值逐条对上号。这类脚本不出现在任何成果图里，但它决定了模型到底吃进去了什么。
从单个突变体到平台化 CAR 设计
路线图的第三个模块叫平台化 CAR 设计：CAR 通用突变、知识迁移、SynCAR 平台。改一个酶，做完就结束了；让模型学会改一类酶，意味着这次积累的突变—活性数据、这套微调流程、这份可迁移的设计流程，本身就是产出。第四个模块列出了预期目标：高活性羧酸还原酶变体、AI 驱动的 CAR 设计能力、丁二胺绿色制造、可迁移的设计流程、更低成本的 CAR 反应。到那时，这套平台需要拿出的不只是一个更好的数字，而是它确实迁移过一次的证据。