酶的高立体选择性和高活性是其应用于绿色生物制造的关键。然而，传统的酶工程方法（如定向进化）虽然有效，但通常需要消耗大量的实验资源和时间成本。近年来，计算预测工具的兴起为酶的理性设计提供了新的可能性，但现有工具在酶的精准设计方面表现受限。近期，浙江工业大学生物工程学院郑裕国院士团队柳志强教授课题组开发了一种名为UniESA的数据驱动框架，旨在通过机器学习模型精准预测酶的立体选择性和活性。该框架基于氨基酸指数（AAindex）或蛋白质语言模型（PLM）编码，结合信号处理和机器学习回归算法，能够高效构建酶序列与立体选择性/活性之间的预测模型。UniESA的工作流程分为三个阶段：编码、建模和预测。首先，酶序列通过AAindex或PLM进行编码，生成特征向量。随后，利用多种机器学习回归算法对编码后的数据进行建模，并通过验证集评估模型性能。最后，选择表现最佳的模型用于预测高立体选择性和活性的酶突变体，并通过湿实验验证其性能。多个公共数据集上的测试表明，UniESA在立体选择性和活性预测任务中表现出色（R2值0.65~0.98），并具有优良的普适性。在羰基还原酶的进化任务中，通过对6,787个碳基还

  氟烷基基团的掺入已成为药物化学的重要工具，增强了药物分子的性质，如亲脂性、生物利用度、

  宝丹酮（BD），是一种非常重要的C17-羟基类固醇，它作为一种蛋白质合成代谢激素，在医

  维贝隆(Vibegron)是一种新型、强效、高选择性的β3-肾上腺素能受体激动剂，用于

手性芳香族邻氨基醇是多种药物与活性天然产物合成的骨架化合物，在氟苯尼考、甲砜霉素、氯霉素、屈西多巴、伊利格鲁司他、维贝隆等药物合成中具有重要价值(图1A)。氟苯尼考是应用广泛的兽用氯霉素类抗菌药，年产量超过4000吨。(2S,3R)-对甲砜基苯丝氨酸乙酯(D-乙酯)及其类似物(cis-(2S,3R)-2a)作为氟苯尼考合成中的关键前体，含有相邻的双手性中心，合成难度大。目前，国内外工业生产D-乙酯主要采用羟醛缩合和L-(+)-酒石酸拆分的方法，该路线存在以下挑战：1) 反应使用大量硫酸铜做催化剂，导致含铜氨废水和硫化铜固废的产生，环保压力严峻；2) 传统拆分方法收率低，理论转化率最大仅为50%；3) 手性拆分剂价格昂贵，需额外工艺进行回收套用。而采用羰基还原酶(carbonyl reductase, CR)动态还原动力学拆分对甲砜基苯基-α-氨基-β-酮酯类底物(rac-1a)来不对称合成氟苯尼考关键前体的方法(图1B)，理论转化率达100%，绿色安全，对生产设备要求低，能够规避上述路线的不足。但该方法目前存在酶源少、底物加载量低和催化剂用量高等问题，难以满足工业化生产的需求。针对上