EnzymeRSI：用于酶设计的双循环递归自我改进系统

酶工程的改进通常是在固定模型和工作流程下，通过优化待测候选对象的选择来实现；当瓶颈源于方法不匹配或工作流程失效时，就很难摆脱这一路径。我们提出 EnzymeRSI，一种用于递归自我改进（RSI）的双循环系统。外循环在不改变模型权重的情况下演化运行框架中的资源，内循环在受控条件下开发预测和筛选算法，并设计了一个云实验室系统，通过质量受控的反馈形成物理闭环。通过迭代比较更新预测策略，外循环使 ProteinGym 上五项测定的开发集平均 Spearman 相关系数提高了 0.044，其中 CD19 达到 0.335，OPSD（视紫红质）达到 0.683；在这两项排名第一的结果中，只有 CD19 的结果由外循环本身产生。在 ThermoMPNN 算法的自我改进中，内循环达到了 0.849 的 PCC，并在 TadA-Bench 上于 1.13 小时内达到了 0.307 的 Spearman 相关系数。在针对该系统实验决策能力开展的三项前瞻性湿实验测试中，针对荧光素酶 RLuc，32 个未预先指定的候选对象中有 10 个表现出至少两倍于野生型的活性；系统推荐的胞苷脱氨酶 A3A 变体将 5mC 转化率提高至 90.2%；进化过程中的路径选择则将 DNA 聚合酶 KOD-E 对一种修饰底物的催化效率提高至亲本的 31.1 倍。本研究将科研工作流程的组织与算法开发视为一个可证伪的干湿实验闭环，为突破固定方法的盲区和实现自主酶工程提供了一种演化范式。