在中国科学院深圳先进技术研究院，赵乔研究员团队正在推进几项颇具想象力的工作：让植物自主发光，探索让棉纤维在生长过程中形成颜色，以及利用光遗传技术动态调控植物细胞工厂的代谢通路。

这些工作看似充满科幻色彩，真正落到实验中，却依赖长期、系统的工程化迭代。团队更重视持续的「设计—构建—测试—学习」循环：构建变体、筛选效果、分析规律，再进入下一轮优化。

赵乔认为，植物合成生物学的目标，是让植物从主要被认识和解析的研究对象，逐步成为能够被工程化设计的新型生物系统。

微生物底盘长期以来一直是合成生物学的重要技术体系，具有生长快、遗传工具成熟、迭代周期短等优势。相比之下，植物底盘起步较晚，工程化和商业化程度仍然有限。赵乔团队选择这一更具挑战性的方向，主要基于三个方面的考虑。

首先，植物是光合自养系统，能够利用光能和二氧化碳进行生长，在部分应用场景中具有绿色、低碳的生产潜力。

其次，植物是多细胞真核生物，具有复杂的亚细胞区室、膜系统和翻译后修饰能力，更适合承载部分依赖植物特有代谢环境、膜结合酶和复杂氧化修饰的天然产物通路。

更重要的是，植物底盘的最终产品既可以是某种天然产物，也可以是植物本身形成的新性状、新材料和新应用形态。

「比如发光植物，我们需要的并不是某一种发光化合物，而是能够自主发光的植物本身。」赵乔说。天然彩色棉花也遵循类似逻辑：目标不是从棉花中提取色素，而是让棉纤维在生长过程中直接形成颜色。

这正是植物合成生物学区别于传统发酵生产的重要价值之一：它不仅能够生产分子，也能够直接创制具有新功能的植物和植物材料。

「代谢物太多，认出来的太少。」赵乔用一句话概括了植物代谢研究面临的核心难题。

植物在漫长的进化过程中，为应对病虫害、干旱和紫外线等环境压力，演化出了极为丰富的特异性代谢物。随着检测仪器灵敏度不断提升，被观察到的代谢信号越来越多，但其中大量化合物仍缺少标准品和可靠的结构注释。

动物代谢研究由于与人类健康密切相关，长期积累了较为完善的标准品库和数据库。部分模式微生物的培养条件和遗传操作也更加标准化，核心代谢网络研究较为系统。相比之下，植物代谢具有明显的组织、发育和环境依赖性，化合物种类庞杂，但标准品和公共数据库积累相对不足。

大量植物代谢中间体无法仅依靠数据库比对完成鉴定，而传统液相色谱—质谱的单样本分析时间较长，也限制了海量样本的快速筛选。

糖基化是植物天然产物中最常见的修饰方式之一，会影响代谢物的稳定性、溶解性、储存形式和生物活性。催化糖基化的 UGT 家族通常具有较强的底物杂泛性和功能冗余：同一个 UGT 在体外可能催化多种底物，而同一种底物也可能被多个 UGT 识别。

因此，体外检测到的催化能力，并不一定能够直接反映该酶在植物体内的主要生理底物和真实功能。

2022 年，赵乔团队在《Molecular Plant》发表了 GSM-PIL（Glycoside-Specific Metabolomics combined with Precursor Isotopic Labeling）方法，用于提高糖苷类代谢物的发现和追踪效率。

该方法依托安捷伦 6546 Q-TOF 高分辨液质平台，利用源内碰撞诱导解离产生的特征性中性丢失信号，在全扫描采集过程中高效筛选大量糖苷类候选化合物；再结合稳定同位素前体标记，追踪体内代谢流向，并通过 MassHunter Profinder 等软件进行批量比对和注释。

在团队当时的研究体系中，这套方法将需要进一步验证的候选目标从约 5000 个未知信号缩小到约 50 个，显著降低了后续鉴定工作的范围。

「以前有些课题，大家觉得投入很大、成功率又低，往往不会优先去做。现在候选范围可以被控制下来，原本近似「大海捞针」的工作，就变成了能够系统推进的研究任务。」赵乔说。

识别代谢物只是第一步。下一步，是对催化这些反应的关键酶进行定向进化，使其催化效率更高、底物选择性更好，或者获得新的催化能力。

微生物中的定向进化技术已经较为成熟，但在微生物体系中筛选出的优良酶变体，进入植物后未必能够保持同样的性能。植物具有更复杂的竞争通路、细胞区室和代谢调控环境，因此，最终的性能评价仍需要尽可能在植物底盘中完成。

植物生长速度较慢，转化和培养周期也更长，这使高通量筛选成为植物酶工程长期面临的瓶颈。

为此，赵乔团队正在搭建一套适配植物体系的高通量酶进化平台，这也是团队 2025 年获得安捷伦 ACT-UR 研究基金资助的项目主题。平台以安捷伦 RapidFire 高通量质谱为检测核心，基于在线固相萃取直接进样流程，将单样本分析时间由分钟级缩短至十秒级。

这套平台的关键价值不仅在于检测速度，更在于使「设计—构建—测试—学习」闭环能够更快迭代：RapidFire 批量检测酶变体产生的代谢产物，将序列与催化效率的对应关系输入机器学习模型，再由模型辅助预测下一轮更值得尝试的突变位点。

「AI 能有多聪明，取决于它见过多少高质量数据。没有足够的数据支撑，仅仅加一句「AI赋能」，并不会让模型凭空变聪明。」赵乔说。

随着高质量序列—活性数据不断积累，机器学习模型有望更准确地识别影响酶性能的关键位点，并提高下一轮变体设计的有效性。这套流程未来可进一步拓展到多类植物天然产物合成酶和代谢通路的优化。

团队希望通过这一平台，探索直接在植物体系中开展高通量酶工程筛选的新路径，缩小微生物酶进化流程与植物底盘应用之间的技术距离。

发光植物将作为这套平台的首个概念验证体系。团队在植物体内重构了来源于真菌的自主发光代谢通路，使植物无需外源添加底物即可持续发光。

在这条通路中，关键前体合成酶的催化效率是影响发光强度的重要因素之一。团队前期通过酶变体筛选，已经获得能够显著提高植物发光强度的候选变体；在特定实验体系中，部分变体可使发光强度提高约 5 倍。

下一阶段，团队希望在现有基础上进一步提升发光强度，并以接近满月照度作为具有挑战性的阶段目标，探索其在景观展示、科普教育和新型功能植物等场景中的应用潜力。相关材料目前也在开展初步的户外环境适应性观察。

发光系统本身还是一个直观、可量化的报告体系。发光强度可以作为快速初筛信号，而高通量质谱能够进一步定量分析通路中间体和目标产物，帮助判断亮度变化究竟来自底物供给、关键酶活性，还是其他代谢环节。

赵乔认为，这套「高通量检测—数据建模—变体设计」的基本框架并不局限于发光通路，未来也可以拓展到紫杉醇、类黄酮、萜类和生物碱等复杂植物天然产物的酶工程优化。

除了发光植物，团队还在推进天然彩色棉花和光控植物细胞工厂两个方向。

天然彩色棉花项目的目标，是让棉纤维在生长过程中直接形成颜色，从而减少后续染色环节对化学品、水和能源的需求。

光控植物细胞工厂则尝试利用不同波长的光，动态调节植物细胞中的代谢通路：在生物量积累阶段降低目标通路带来的代谢负担，待细胞或组织生长到一定水平后，再开启产物合成，从而协调「生长」和「生产」。

目前，团队正在与产业方沟通，探索植物细胞或组织培养体系进一步工程放大的可行性。

赵乔对植物合成生物学未来几年的发展保持乐观。这个领域仍处于快速发展期，许多关键技术路线尚未完全定型，国内团队仍有机会在部分前沿方向形成原创优势。

近年来，国内在合成生物学重大科研设施、交叉研究平台和产业转化体系方面持续投入，为植物合成生物学的发展提供了良好条件。

在发光植物项目早期尚未形成成熟成果时，中国科学院深圳先进技术研究院仍为团队提供了持续的时间和资源支持，为长周期、高风险的原创研究保留了必要的试错空间。

这种支持的价值，不仅体现在经费和设备上，更在于允许研究团队对高风险、长周期的原创方向持续投入，不必因为短期内看不到成果，就急于转向已经被充分验证的研究路径。

赵乔认为，合成生物学是一门高度交叉的学科，单一领域的知识很难支撑持续的原创突破。年轻研究者应主动接触化学、工程、信息科学和植物代谢等不同领域的方法，在交叉中寻找新的问题和技术路径。

植物研究周期较长，也需要研究者保持耐心和长期投入。保持好奇心，敢于瞄准尚未形成成熟路线的方向，才有可能在新的技术体系中做出真正原创的工作。

从 GSM-PIL 代谢组学方法，到高通量质谱与机器学习辅助的植物酶进化平台，再到发光植物、天然彩色棉花和光控植物细胞工厂，赵乔团队持续探索的是同一个目标：让植物从主要被认识和解析的研究对象，逐步成为能够被工程化设计的新型生物系统。