Simple Science

最先端の科学をわかりやすく解説

# 生物学# 生化学

効率的なヒドロキシル化のための酵素設計

研究者たちは、タンパク質工学と機械学習を使って酵素の活性を向上させている。

― 1 分で読む


酵素工学の画期的な発見酵素工学の画期的な発見酸化を実現する。新しい変異が酵素の活性を高めて効率的な水
目次

シンプルな炭素-水素(C-H)結合をもっと便利な化学グループに変えるのは合成化学の大きな課題なんだ。科学者たちはこれを効率的にできる方法を探していて、酵素という自然のタンパク質を使ったバイオ触媒が期待されてる。酵素はC-H結合をかなり正確にターゲットにできるんだ。特に面白いのは、特定の化合物のC-H結合にヒドロキシル基を追加するってこと。ヘムを含むP450酵素と非ヘム鉄メタロ酵素の2種類の酵素が、これを効果的に行えることが示されてるよ。

これらの酵素の性能を向上させるために、研究者たちはしばしばタンパク質工学の技術を使うんだ。酵素の構造に基づいて変更を加えたり、多くのバリアントを作ってテストしたりする方法で性能を向上させることができる。最近では、機械学習(ML)がこのプロセスに役立ってきてる。MLを使うことで、科学者たちは酵素の構造に対する多くの変更を迅速に分析して、どれがより良い結果をもたらすかを予測できる。しかし、MLは効果的にするためには大量のデータが必要で、そのデータを集めるのはなかなか大変なんだ。

この研究では、MLと合理的設計アプローチを組み合わせる新しい戦略が開発された。特に注目されたのは、ライシンジオキシゲナーゼ(LDO)という非ヘム鉄酵素だ。この酵素は、ライシンというアミノ酸の特定の部分にヒドロキシル基を追加できる。生成物であるヒドロキシライシンは、製薬やポリマーなど様々な産業で貴重なんだ。

酵素の設計

主な目的は、MLを使ってLDOのより良いバージョンを設計することだった。最初に、研究者たちはMutComputeという特定のMLアプローチを使った。このツールは多くのタンパク質構造でトレーニングされていて、どの変更が酵素活性を高めるかを予測する手助けをする。研究者たちはLDOの結晶構造を使って、変更可能な部分を見つけた。

MutComputeツールは、酵素の自然なアミノ酸がその環境に合わないかもしれないいくつかの場所を特定した。合計で73の潜在的な変更ポイントが見つかった。慎重に検討した結果、予測に基づいて24の変異が提案された。酵素の鉄中心の近くでの変更は、活性を減少させることが多いので、それを避けることも重要だった。

提案された変異を検証するために、分子動力学(MD)シミュレーションを行った。これらのシミュレーションは、特定の変異が起こったときに酵素とその環境がどのように変化するかを視覚化するのに役立つ。目標は、より強い相互作用を生み出し、安定性を向上させながら酵素を活性のまま保つことだった。

さらにテストのために、5つの特定の変異が選ばれ、その分析の深さは酵素の環境や全体の安定性に与える影響を観察することで確保された。

バリアントの精製とテスト

変異が選ばれたら、次はLDOの異なるバリアントを発現させて精製するステップだ。精製プロセスでは、他の不要な材料を含まずに酵素だけを集めるんだ。興味深いことに、ほとんどの新しい設計バリアントは、元のLDOよりも多く生産されていて、これらの変更が酵素をより安定かつ溶解性を高めるのに役立っていることを示している。

一つの変異は収率を大幅に減少させ、酵素の重要な構造的役割を果たしている可能性を示唆している。他の5つは全体の収率を向上させているようで、研究者たちはすべての5つの変異を含む組み合わせの変異体も作成してテストしている。

新しいバリアントを評価する際、研究者たちは安定性と関連がある融点を測定した。テストの結果、ほとんどのバリアントの融点は元のLDOに似ていたが、少なくとも一つのバリアントは熱安定性が向上していることを示した。この種のテストは重要で、安定した酵素はしばしばより効果的だからだ。

触媒活性の評価

バリアントの安定性が確認された後、次のステップはライシンにヒドロキシル基を追加するという本来の機能を果たす能力を評価することだ。これは特別なアッセイを使って行われた。このテストでは、酵素バリアントをライシンや反応に必要な他の成分と混ぜて、反応が起こるようにした。

反応が完了した後、科学者たちは生成物を調べるために酵素を反応混合物から分離する必要があった。アミノ酸には簡単に検出できる特定の化学マーカーが付けられた。高性能液体クロマトグラフィー(HPLC)を使って、ヒドロキシル化がどれだけうまくいったかを観察した。

結果は、すべての設計バリアントがライシンにヒドロキシル基を追加する点で元のLDOよりも優れていたことを示した。最も性能の良いバリアントは、すべての5つの変異を含んでいて、元の酵素に比べて活動が顕著に向上し、より効率的にヒドロキシライシンを生産することに成功した。

結論

この研究は、機械学習技術と従来のタンパク質設計を融合させて酵素をより効果的にエンジニアリングする革新的なアプローチを強調している。ライシンジオキシゲナーゼ酵素をターゲットにして、研究者たちは酵素の性能を改善する変異を特定して実装することに成功した。

この方法によって、デザインプロセスを効率化し、通常必要な試行錯誤の量を大幅に減少させることができた。彼らの発見は、この戦略が同じファミリーの他の酵素や、より複雑な修正が必要な酵素にも適用できる可能性を示唆している。

全体として、バイオ触媒は合成化学で重要な役割を果たしている。彼らの性能を向上させることは、より良い化学プロセスを生み出すだけでなく、産業におけるより持続可能なプラクティスを促進するんだ。この研究は、さまざまな用途のためにより効率的で効果的なバイオ触媒を開発するためのエキサイティングな一歩を表している。

オリジナルソース

タイトル: Machine learning guided rational design of a non-heme iron-based lysine dioxygenase improves its total turnover number

概要: Highly selective C-H functionalization remains an ongoing challenge in organic synthetic methodologies. Biocatalysts are robust tools for achieving these difficult chemical transformations. Biocatalyst engineering has often required directed evolution or structure-based rational design campaigns to improve their activities. In recent years, machine learning has been integrated into these workflows to improve the discovery of beneficial enzyme variants. In this work, we combine a structure-based machine-learning algorithm with classical molecular dynamics simulations to down select mutations for rational design of a non-heme iron-dependent lysine dioxygenase, LDO. This approach consistently resulted in functional LDO mutants and circumvents the need for extensive study of mutational activity before-hand. Our rationally designed single mutants purified with up to 2-fold higher yields than WT and displayed higher total turnover numbers (TTN). Combining five such single mutations into a pentamutant variant, LPNYI LDO, leads to a 40% improvement in the TTN (218{+/-}3) as compared to WT LDO (TTN = 160{+/-}2). Overall, this work offers a low-barrier approach for those seeking to synergize machine learning algorithms with pre-existing protein engineering strategies.

著者: Ambika Bhagi-Damodaran, R. H. Wilson, A. R. Damodaran

最終更新: 2024-06-05 00:00:00

言語: English

ソースURL: https://www.biorxiv.org/content/10.1101/2024.06.04.597480

ソースPDF: https://www.biorxiv.org/content/10.1101/2024.06.04.597480.full.pdf

ライセンス: https://creativecommons.org/licenses/by/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた biorxiv に感謝します。

類似の記事