华盛顿大学 Jesse Zalatan Angew 非血红素铁酶的计算稳定性可实现新功能的有效进化

文摘   2024-10-13 20:07   辽宁  

1
摘要
深度学习工具在酶设计领域迅速崛起,迫切需要评估它们在工程工作流中的有效性。本文展示了基于深度学习的工具ProteinMPNN可用于重新设计Fe(II)/αKG超家族酶,以提高其稳定性、溶解性和表达水平,同时保留原有活性和具有工业相关性的非原生功能。该超家族具有多样的催化功能,可能为合成和工业过程提供丰富的新型生物催化剂。通过系统比较非原生远程C(sp³)-H羟基化反应的定向进化轨迹,作者证明,经过稳定化设计的突变体比野生型酶进化效率更高。为了生成初始稳定突变体,作者识别了多种结构和序列约束条件,以保持催化功能。将这些标准应用于第二种Fe(II)/αKG酶的稳定、催化活性突·变体的生产,表明该方法可推广至Fe(II)/αKG超家族的其他成员。ProteinMPNN用户友好且广泛可及,研究结果为在新型生物催化剂的定向进化工作流中常规实施基于深度学习的蛋白质稳定化工具提供了框架。

2
研究内容

在Fe(II)/αKG酶超家族中,自由氨基酸羟化酶是工程新反应的理想候选者,因为它们的催化机制能够与氨基和羧酸功能团相互作用。假设这些酶可能对仅含氨基或羧酸的底物具有多重活性,这些底物是多步合成中重要的原料。作者筛选了12种Fe(II)/αKG氨基酸羟化酶,发现其中一种酶tP4H能与羧酸底物1反应,尽管其催化效率明显低于对应的天然底物。通过突变活性位点残基,确认tP4H对非原生反应的贡献,且随酶浓度增加产物产量提升,尽管总体产量仍较低。这些结果表明tP4H确实参与了该非原生反应(图1-2)。


图1. 使用Fe(II)/αKG氨基酸羟化酶和自由酸底物类似物的初始全细胞反应筛选

图2. 使用游离酸1验证tP4H活性


为提高tP4H对底物1的活性,作者进行了定向进化,由于酶稳定性差,表达和纯化变体困难,且野生型酶活性随时间下降。利用深度学习工具ProteinMPNN,重设计了tP4H序列,固定了关键活性位点和一些保守残基。最终生成了96个序列,其中69个能表达可检测量的蛋白,11个在天然底物上有可检测活性。表现最佳的突变体R2_11在L-Pip上的kcat接近野生型,同时热稳定性显著提高,尽管非天然底物的活性有所下降图3


图3. 野生型tP4H和ProteinMPNN设计R2_11的稳定性和活性


接下来作者通过定向进化提高了非原生羧酸C(sp³)-H羟化酶tP4H的活性,针对活性位点中的底物结合残基进行了三轮突变筛选,最终获得了H58L、H58L/W170Q和H58L/W170Q/E118K,TTN分别提高至7、15和31,整体提高了6倍。随后,对ProteinMPNN稳定突变体R2_11进行进化,筛选出H58F突变体,TTN相较于R2_11提高了27倍。进一步优化后,得到了L174G和V57H突变体,最终三重突变体TTN达138,整体提高了80倍,显示出稳定蛋白质框架显著促进了酶的可进化性(图4)。


图4. tP4H和R2_11的定向进化


R2_11三重突变体在稳定性方面优于野生型tP4H的三重突变体,且相比于R2_11母体,仅有轻微的热稳定性下降。更高的稳定性使得反应在更高温度和更短时间内进行更有效(图5)。R2_11三重突变体的稳定性表明,它更适合进一步的工程优化,未来的工作可集中在提高反应周转率、选择性和底物范围等关键指标上。


图5. 稳定性和活性测试

定向进化是一种用于工程化酶以实现新反应的强大工具,但许多起始酶缺乏足够的稳定性。研究表明,深度学习工具ProteinMPNN可以通过简单的序列约束来稳定Fe(II)/αKG酶超家族成员tP4H和GriE,同时保持催化活性。成功识别出最优的tP4H设计,并生成了具有催化活性的稳定突变体。比较野生型tP4H与稳定突变体R2_11的性能,后者表现更优。未来研究将探索该方法在其他酶上的适用性,并评估ProteinMPNN与其他稳定化方法的相对优势。建议将这些用户友好的计算工具整合进酶工程工作流程,以优化新型生物催化剂的性能。
3
论文相关信息

文章信息:Computational Stabilization of a Non-heme Iron Enzyme Enables Efficient Evolution of New Function

文章链接:https://doi.org/10.1002/anie.202414705

谢谢支持,欢迎您用科研的小手点个赞
 左下角阅读原文

蛋白质工程与生物催化
广阔的生物世界
 最新文章