分子逆向生物合成（Retrobiosynthesis）为合成功能有机分子提供一种非常有效且符合可持续发展要求的合成技术。在过去的一些年，人们见证了生物合成方法的快速发展，同时目前由于机器学习技术的发展，为分子逆向生物合成提供一种工具，并且成功的应用于设计合成工作流程的具体步骤，包括分子逆向生物合成的设计、酶的鉴定和工程化、反应路线的设计。由于机器学习能够通过现有知识出发总结其中的复杂过程，并且针对未知问题提出一种具有普适性的方法，因此机器学习成为解决生物合成问题的一种具有前景的方法。

有鉴于此，伊利诺伊大学赵惠民(Huimin Zhao)等综述报道目前机器学习模型的最新发展，以及机器学习模型辅助合成分子的相关工作。

本文要点

（1）

总结了基于机器学习的设计生物合成过程的相关优势，并讨论机器学习在生物合成技术面临的挑战和发展前景。首先讨论机器学习如何实现加快分子逆向生物合成工作流程，包括分子逆向生物合成的设计，酶的鉴定、筛选、工程化设计，催化反应路径的设计。并且为有兴趣发展机器学习模型的研究者提供了标准化的机器学习模型数据库。

（2）

总结与展望。机器学习技术在分子逆向生物合成领域的每个方面都产生巨大深远的影响，包括合成的设计、酶催化剂的筛选和工程化、优化反应路径。同时进一步的发展适用于分子逆向生物合成的机器学习模型仍有着非常多的机会，比如目前的分子逆向生物合成很少应用于化学/生物催化的合成，此外合成目标分子更加困难的挑战是分子逆向生物合成工具缺少的联系部分，这些缺少的部分能够通过预测酶和分子之间相互作用解决。

参考文献

Tianhao Yu, Aashutosh Girish Boob, Michael J. Volk, Xuan Liu, Haiyang Cui & Huimin Zhao, Machine learning-enabled retrobiosynthesis of molecules. Nat Catal 6, 137–151 (2023)

DOI: 10.1038/s41929-022-00909-w

https://www.nature.com/articles/s41929-022-00909-w