Imperagen 用 AI + 量子模拟 + 自动化实验室重塑酶工程

酶是现代工业和制药的重要“生物催化剂”。从药物合成、食品加工到绿色化学制造，许多关键反应都依赖酶来提高效率和选择性。

问题在于：设计更好的酶一直是一项缓慢且昂贵的工作。

传统酶工程通常依赖“突变—筛选”的试错方法。研究人员需要制造成千上万个酶变体，然后在实验室逐一测试，看哪一个性能最好。 这个过程可能持续数月甚至数年，并消耗大量实验资源。

英国曼彻斯特的生物科技初创公司 Imperagen 想改变这种模式。该公司开发了一套数字化平台，将 量子物理模拟、人工智能模型和高度自动化的实验室整合在一起，大幅加快酶工程研发流程。

公司最近完成 500 万英镑种子轮融资，由 PXN Ventures 领投，IQ Capital 与 Northern Gritstone 继续参与投资，同时任命 Guy Levy‑Yurista 博士为 CEO，以推动平台规模化和商业化合作。

为什么传统酶工程效率不高

酶本质上是复杂的蛋白质分子，其性能取决于三维结构、动态行为以及与底物发生的化学反应。

即使改变一个氨基酸，也可能让酶变得更强、也可能完全失效。因此，科学家通常只能通过大量实验寻找有效突变组合。

这种方法的问题包括：

• 需要测试大量候选变体
• 实验周期长
• 成本高且成功率不稳定

Imperagen 的思路是把这一过程数字化并自动化。

“数字酶进化”：把研发流程变成闭环

Imperagen 将其平台称为 Digital Enzyme Evolution（数字酶进化）。该系统把计算模拟、AI 建模和机器人实验室整合成一个持续学习的闭环流程。

核心流程类似工程中的反馈系统：

设计 → 构建 → 测试 → 学习（Design‑Build‑Test‑Learn）。

1. 量子物理模拟：先在计算机里测试

平台首先使用基于物理的模拟来预测酶在分子层面的行为。

通过 量子力学模拟（QM simulations），研究人员可以在计算机中预测：

• 酶的结构变化
• 催化反应路径
• 分子动态行为

这样可以提前筛选出更有潜力的突变方案，从而减少需要在实验室测试的变体数量。

2. AI 模型：寻找“关键突变位点”

接下来，Imperagen 使用机器学习模型分析实验数据，并预测哪些序列变化最可能提升酶性能。

这些模型会寻找酶结构中的 “热点”（hotspots）——也就是最有可能通过突变提升性能的位置，例如：

• 催化效率
• 稳定性
• 选择性
• 工业生产可行性

随着每轮实验数据不断增加，AI 的预测能力也会持续提升。

3. 自动化实验室：机器人快速验证

当 AI 生成新的酶设计后，自动化实验系统会立即执行：

• DNA 合成与编辑
• 蛋白表达
• 性能测试

机器人完成这些实验后，数据会自动反馈到计算模型中，用于训练下一轮预测。

这形成一个 持续迭代的闭环系统，理论上可以比传统方法更快找到高性能酶。

为什么这对多个行业都重要

酶不仅用于生物学研究，还广泛用于工业生产，因此更高效的酶工程具有广泛影响。

制药与药物制造

在制药工业中，酶可以帮助合成复杂药物分子，并提供更高的化学选择性。

优化后的酶可能：

• 减少化学步骤
• 降低副产物
• 简化生产流程

Imperagen 的技术最初就针对 大分子药物发现和生物催化剂开发 等应用。

工业生物技术与绿色化学

越来越多企业尝试用酶替代传统化学催化剂。

相比传统工业化学反应，酶往往能：

• 在更低温度和压力下运行
• 减少能源消耗
• 减少有害副产物

因此它们被视为可持续制造的重要工具。

食品、生物燃料与农业

同样的设计技术也可能应用于其他领域，例如：

• 食品加工和功能配料生产
• 利用植物生物质生产生物燃料
• 农业生物技术

例如，新型酶可能在更高温或更苛刻的工业条件下稳定工作，或能利用更便宜的原料。不过公开资料对 Imperagen 在这些领域的具体商业化进展仍较有限。

500 万英镑融资将如何推进平台

Imperagen 最近获得 500 万英镑种子轮融资，由 PXN Ventures 领投，IQ Capital 和 Northern Gritstone 跟投。

根据公司披露，资金主要用于：

• 扩展量子物理模拟与 AI 建模能力
• 建设更先进的自动化实验室
• 与企业客户开展商业合作项目

融资同时伴随 Guy Levy‑Yurista 博士出任 CEO，他曾在欧美科技与生命科学公司推动多次成功退出，负责带领公司进入规模化发展阶段。

更大的趋势：TechBio

Imperagen 属于近年来快速发展的 “TechBio”公司——即把先进计算技术与自动化生物实验结合起来。

核心理念是：

每一次实验都成为训练数据，让系统不断学习并优化下一轮设计。

如果这种模式能够规模化，它可能把酶工程从一种高度依赖经验的实验科学，转变为 更接近工程学的数据驱动学科。

不过目前公开证据大多来自公司公告，关于研发速度、成本下降或成功率提升的独立基准数据仍然有限。