一項利用人工智能驅動的蛋白質設計方法成功創(chuàng)建了能夠高效催化酯水解的絲氨酸水解酶，展示了計算方法在創(chuàng)建復雜多步反應酶的潛力。
這項研究發(fā)表在《科學》雜志上，題為《絲氨酸水解酶的計算設計》。研究成果為工程化具有復雜活性位點的酶提供了框架，拓展了合成生物催化劑的可能性。
從零開始設計功能性酶仍然是蛋白質工程中的重大挑戰(zhàn)。傳統(tǒng)方法通常依賴于將活性位點插入現有的蛋白質支架中，這可能由于結構限制而影響催化效率。盡管如此，計算設計的酶相比天然酶效率較低，但機器學習和人工智能的進步為更復雜的蛋白質設計提供了新機遇。
“我們認為，設計一個絲氨酸水解酶，這種酶雖然特性明確但結構復雜，將是一個理想的模型系統(tǒng)，可以用來測試最新的AI工具，并幫助我們發(fā)現可以應用于其他酶設計的一般方法。”共同主筆Anna Lauko博士在接受GEN采訪時表示。她是華盛頓大學Baker實驗室的博士后研究員。
Lauko和她的同事們開發(fā)了一種名為PLACER(Protein-Ligand Atomistic Conformational Ensemble Reproduction)的新型機器學習模型，用于預測設計酶的活性位點構象。
AI設計的絲氨酸水解酶
“我們可以配置PLACER來預測化學反應每一步中活性位點的構象，從而計算檢查催化側鏈是否在整個反應機制中采用活性構象?！盠auko向GEN解釋道。
研究團隊首先使用已有的生成AI框架RFdiffusion來設計具有復雜催化位點的蛋白質。然后，他們用PLACER評估活性位點構象，通過分析蛋白質骨架、氨基酸和結合分子的化學結構，實現高精度的酶設計。利用這種方法，團隊成功設計出能夠高效催化酯水解的絲氨酸水解酶。
“酶的設計非常具有挑戰(zhàn)性，因為活性位點的構象必須原子級精確，才能使催化反應順利進行?！惫餐鞴PSam Pellock博士指出，他也在華盛頓大學工作?！斑@需要精確設計和預測不僅僅是整體蛋白質折疊，還包括單個側鏈的構象，尤其是對于那些含有多個催化殘基或使用多步催化機制的酶。”
最終，團隊設計出的酶在保持高催化效率的同時，對活性位點的具體要求最小化。起初，設計的酶只能完成反應機制的前半部分，然后就失去活性。
團隊首先設計了包含三個催化基團的簡化版本，然后轉向創(chuàng)建包含天然絲氨酸水解酶中所有五個催化基團的更復雜設計。
“我們認為設計一個更簡單的活性位點可能會更容易實現。”Lauko解釋道?！拔覀儑L試了更復雜的設計，當看到一些設計能夠催化整個反應時，我們非常高興?！?/p>
通過對創(chuàng)建的絲氨酸水解酶進行實驗表征，團隊發(fā)現這些新酶保留了與天然絲氨酸水解酶不同的折疊結構，并具有高催化效率。這些新酶的結構與計算設計模型高度吻合，這一點通過晶體結構分析得到了證實?！爱斘覀兛吹剿c預測結構如此吻合時，我們非常激動。”Lauko說。
通過篩選具有活性位點預組織的設計酶，團隊能夠預先選擇在現實中更有可能成功的新酶設計。研究結果凸顯了計算工具在酶工程中的潛力，特別是在創(chuàng)建具有工業(yè)和藥物應用的生物催化劑方面。通過將AI工具融入實驗方法，研究人員建立了一種靈活的策略，用于設計具有定制功能的酶，在合成生物學應用中具有高價值。
“我們希望本文中的概念和方法能夠在未來應用于設計新酶，這些酶能夠作用于重要底物或執(zhí)行新的化學反應。”Pellock總結道。
本文譯自 genengnews，由 BALI 編輯發(fā)布。
（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
