北京化工大学，最新Science：突破聚氨酯回收难题！

深度学习驱动新型酶催化剂发现，突破聚氨酯回收难题

全球每年消费约2200万吨聚氨酯，其生产能耗高、温室气体排放量大，而回收利用却因交联结构和化学性质稳定的氨酯键而步履维艰。尤其是占泡沫市场75%的聚醚型聚氨酯，因缺乏有效降解酶而难以生物降解。目前，糖酵解是工业上最有前景的化学回收方法，但其底相产物——富含芳香族氨基甲酸酯的混合物——往往被作为危险废弃物焚烧，造成环境与经济负担。尽管化学酶法回收展现出潜力，但现有氨酯酶在工业糖酵解条件下效率低下，溶剂兼容性差，限制了其实际应用。

近日，北京化工大学吴边/崔颖璐团队开发出一种名为GRASE的图神经网络框架，通过自监督与监督学习相结合，成功识别出高效且与糖酵解兼容的氨酯酶。其中，ADPURase在6摩尔二甘醇中表现出比已知酶高两个数量级的活性，能在8小时内实现千克级商业聚氨酯的近完全解聚。结构分析显示，其紧密的疏水核心和脯氨酸稳定的“盖状结构”可能是其在苛刻溶剂中保持高稳定性和效率的关键。该研究展示了深度学习在加速具有工业潜力生物催化剂发现方面的强大能力。相关论文以“Glycolysis-compatible urethanases for polyurethane recycling”为题，发表在

Science

研究团队首先系统评估了14种文献中报道的氨酯酶对芳香族氨基甲酸酯的水解活性。结果显示，只有Aes72、GatA和SP1表现出活性，其中Aes72对2,4-TDA-DEG的水解活性最高，达0.06 U/mg，并优先水解邻位氨酯键。SP1虽区域选择性更宽，但催化效率低。由于原料中2,4-TDA-DEG占主导，Aes72被视为进一步开发的理想模板。

图1. TDA-DEG的水解路径及文献报道氨酯酶的酶活性 （A）2,4-TDA-DEG水解生成中间体2-TAC和4-TAC，进一步水解为2,4-TDA。（B）2,6-TDA-DEG水解生成中间体6-TAC，进一步水解为2,6-TDA。（C、D）已发表氨酯酶对2,4-TDA-DEG（C）和2,6-TDA-DEG（D）的水解活性。反应在100 mM磷酸钠缓冲液（pH 7.5）中进行，除SP1在37°C防止热失活外，其余酶在50°C反应。数据为均值±标准差（n=3）。

为突破传统筛选方法的局限，研究团队构建了GRASE框架，整合了Pythia-Pocket和Pythia两个神经网络模型。Pythia-Pocket专注于活性位点残基的结构嵌入，通过余弦相似性评估功能相似性；Pythia则预测蛋白质稳定性。GRASE在无需人工干预的情况下，从数据库中筛选出24个候选酶，其中21个成功表达并表现出氨酯酶活性。八种酶性能优于Aes72，其中ADPURase对2,4-TDA-DEG和2,6-TDA-DEG的活性分别提高32倍和62倍，在6 M二甘醇中活性提升更为显著。

图2. 模型架构及GRASE鉴定酶的功能验证 （A）Pythia-Pocket和Pythia的架构。两者均将蛋白质结构抽象为图，Pythia-Pocket使用全蛋白图输入，预测残基是否为配体结合位点；Pythia基于局部结构上下文预测氨基酸类型分布。（B）GRASE工作流程：Pythia-Pocket计算候选酶与查询酶（如Aes72）活性位点残基的余弦相似性，Pythia评估蛋白质稳定性，综合推荐活性与稳定性均衡的酶。（C）对2,4-TDA-DEG和2,6-TDA-DEG的酶水解活性评估。包括序列搜索、结构检索、序列聚类及GRASE筛选的候选酶。未能表达的酶已标注下划线。（D）GRASE筛选酶在30°–60°C下水解TDA-DEG产物的热图。绿色表示总产物（TAC中间体 + TDA单体），紫色表示TDA单体。

在化学酶法解聚实验中，ADPURase在50°C、酶载量为8 mg/g的条件下，12小时内实现98%的底物转化，并完全水解TAC中间体为TDA单体。相比之下，SP1和Aes72转化率分别仅为15%和26%。在千克级规模实验中，ADPURase在8 mg/g载量下8小时内实现95%转化，12小时达98%，TDA和二甘醇回收率分别达94.7%和98.5%，展现出良好的工业可行性。

图3. BASF聚氨酯泡沫的化学酶法解聚 （A）千克级聚氨酯泡沫糖酵解流程：糖酵解产生富含聚醚多元醇的上相、含DEG和芳香族化合物的底相，以及不溶固体。饼图显示底相组成。ADPURase水解TDA二氨基甲酸酯为TDA单体，TDA和DEG通过精馏回收。（B）30克泡沫糖酵解底相在ADPURase（50°C）、Aes72（37°C）和SP1（30°C）作用下的水解动力学。饼图显示各时间点TDA-DEG、TAC和TDA的相对比例。（C）左：千克级泡沫底相在8 mg/g和16 mg/g ADPURase作用下的水解曲线；右：8 mg/g酶载量下TDA-DEG、TAC和TDA组成随时间变化。

结构比较揭示，ADPURase与其他高活性酶具有开放的“盖状结构”，形成V形活性口袋，有利于大体积底物结合。而低活性酶则活性位点狭窄或盖状结构缺失。动力学分析表明，ADPURase的酰胺酶活性远高于酯酶活性，是其高效水解氨酯键的主因。在6 M二甘醇中，ADPURase熔解温度变化微小，结构稳定，而Aes72则出现明显去稳定化。分子动力学模拟进一步证实，ADPURase的紧密疏水核心和脯氨酸稳定的环结构有效抵抗溶剂渗透，维持结构完整性。

图4. 酶结构比较及动力学参数 （A）Aes72表面结构及其盖状区域。（B）不同酶活性位点局部结构差异，突出盖状结构对催化性能的关键作用。高活性酶（>1 U/mg）具开放盖状结构，低活性酶（<0.1 U/mg）盖状结构受限或缺失。（C）ADPURase与Aes72对2,4-TDA-DEG、NAMA和MAMB的米氏动力学参数比较。数据为均值±标准差（n=3）。

该研究不仅成功挖掘出具有工业应用潜力的高效氨酯酶，更凸显了深度学习在酶功能挖掘中的优势。GRASE框架通过局部结构嵌入，实现了对低序列同源酶的功能精准预测，为未知功能酶的大规模发现提供了新范式。未来，进一步捕捉并放大酶的“隐藏功能”，将深化我们对酶功能多样性的理解，推动生物催化剂在更广泛工业场景中的应用。