生物催化是利用生物体系（如微生物或酶）作为催化剂来实现化学反应的方法，与常规有机化学方法相比，生物催化反应具有条件温和、环境友好、高效高选择性的优点。特别是随着生物技术的不断发展，人们对生物催化剂催化效率、选择性、热稳定性等催化性能进行改造提升，并不断开发其催化多功能性，极大的丰富了生物催化反应种类，甚至可实现自然界中不存在的反应，获得通过现有化学方法无法得到的化合物。在此基础上，生物催化的应用范围不断拓展，已发展成为精细化学品以及医药生产中的重要方法。

       本课题组致力于在对酶结构以及催化机制认识基础上对酶进行理性改造，逐步提高酶催化反应的效率、选择性乃至发现新功能，从而建立高效高选择性合成手性化合物的方法。具体说来，我们通过酶晶体结构解析、酶-底物构效关系研究、关键氨基酸突变实验以及计算机辅助建模和计算等方法探究酶催化机制，并在此基础上根据不同的目标理性设计不同的酶改造策略，通过建立一个"小而精"的突变体库从而高效快速实现酶催化效率的改善、底物广谱性的拓展、立体选择性的提高或逆转甚至新的催化反应类型的发现，进一步的将该生物催化方法应用于手性药物以及重要手性化合物的合成上。

       随着人工智能时代的到来，AI影响到科研的方方面面。机器学习方法可以用有限的数据构建预测模型，有望从根本上改变原有的试错型研究范式。我们希望建立酶突变体结构和底物结构与催化性能的定量关系，这样的机器学习模型不但可以用于指导针对目标产物的生物合成路线设计和突变体设计，还可以从新的角度认识反应机理。然而这种模型的建立所依靠的数据量有限，为了使有限的数据建立的模型更加准确，我们致力于解决两方面关键问题：1. 如何收集高质量高分散度的实验数据，2.是如何设计描述符从而精准描述反应体系。并通过增加数据量、数据范围以及描述符精准性来逐步扩大模型应用范围，期望最终实现AI辅助的酶理性改造。