Genoria AI 团队提出 EnzymeRSI 双循环酶设计自我改进系统
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载双循环怎么分工
EnzymeRSI 把递归自我改进拆成两层。外循环不动模型权重，改的是研究流程里的 harness 资产，也就是围绕模型的那套调用、筛选与评估组织方式；它通过反复比较不同预测策略来更新选择依据。内循环则在受控条件下开发预测与选择算法本身，让算法在稳定环境中迭代。两者之外，论文还给出云实验室系统的规格，用带质量控制的反馈把计算侧与湿实验侧接起来，形成物理闭环。作者把这种安排称为可证伪的干湿循环，目标是跳出固定方法与失效工作流造成的瓶颈。
ProteinGym 上的外循环结果
外循环的验证落在 ProteinGym 的五个测定集上，衡量指标是开发集 Spearman 相关系数。迭代比较预测策略后，五个测定集的均值提升 0.044，其中 CD19 达到 0.335，OPSD（视紫红质）达到 0.683。论文特别说明，两个第一名里只有 CD19 是外循环自己产生的，这一区分对判断外循环的贡献范围很关键：它并非在所有测定集上都独立拿到最优，读者需要结合具体任务看提升来自流程重组还是原有方法。
内循环与湿实验验证
内循环的自我改进在 ThermoMPNN 上达到 PCC 0.849，在 TadA-Bench 上以 1.13 小时取得 Spearman 0.307，说明算法层在受控条件下可以较快完成一轮改进。系统还做了三项前瞻性湿实验，检验其实验决策能力：荧光素酶 RLuc 的 32 个未预先指定候选中有 10 个活性至少为野生型两倍；胞苷脱氨酶 A3A 的推荐变体把 5mC 转化率提到 90.2%；进化路径选择让 DNA 聚合酶 KOD-E 在修饰底物上的催化效率达到亲本的 31.1 倍。这些数字覆盖预测、选择与路径决策三类输出，但样本规模与任务范围仍限于论文所列体系。
适用范围与限制
论文共 28 页、8 张图、7 张表，属于方法类工作，云实验室部分目前是系统规格而非已建成的完整设施，物理闭环的落地程度需要看后续实现。外循环不改权重，意味着它的收益来自流程与策略组织，不能替代模型本身的容量提升；内循环的受控条件也限定了结论外推的范围。对做酶工程或 AI for Science 的读者，值得关注的是它把工作流当作可演化对象这一思路，以及干湿闭环中质控反馈如何设计，而不是单个测定集上的排名。
为什么值得看
把研究流程本身当作可演化对象，而非只调候选分子，为自动化酶工程提供了可复现的双层改进范式。
信源1 家
关键事实
外循环在不改变模型权重的前提下演化 harness 资产，内循环在受控条件下开发预测与选择算法。[1]
外循环在 ProteinGym 五个测定集上把开发集 Spearman 均值提高 0.044，CD19 达 0.335，OPSD 达 0.683。[1]
内循环自我改进 ThermoMPNN 后 PCC 达 0.849，在 TadA-Bench 上 1.13 小时达到 Spearman 0.307。[1]
三项前瞻湿实验中，荧光素酶 RLuc 的 32 个未预先指定候选里有 10 个活性至少为野生型两倍。[1]
胞苷脱氨酶 A3A 的推荐变体把 5mC 转化率提高到 90.2%，DNA 聚合酶 KOD-E 在修饰底物上的催化效率达亲本的 31.1 倍。[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。