Mejora del rendimiento catalítico de una enzima metálica artificial mediante diseño computacional

Área de la Ciencia:

• Biocatálisis
• Química computacional
• Ingeniería de enzimas

Sus antecedentes:

• Las metalenzimas artificiales combinan la reactividad del catalizador de moléculas pequeñas con la selectividad de la enzima.
• El ajuste de las propiedades catalíticas requiere nuevos métodos para aplicaciones específicas.
• El diseño computacional basado en la estructura ofrece una vía para diseñar variantes enzimáticas mejoradas.

Objetivo del estudio:

• Optimizar genéticamente una hidrogenasa de transferencia artificial (ATHase) utilizando el diseño de Rosetta.
• Mejorar la actividad catalítica y la enantioselectividad para la reducción asimétrica de iminas.
• Investigar el impacto de las mutaciones de proteínas y las modificaciones del catalizador en el rendimiento de la ATHase.

Principales métodos:

• Aplicación del diseño Rosetta para la ingeniería de proteínas basada en la estructura cristalina.
• Creación de variantes hCAII con mutaciones estabilizadoras e hidrofóbicas.
• Pruebas de competencia de dansilamida para determinar la afinidad catalizador-proteína.
• Reducción asimétrica de una imina cíclica precursora de la salsolidina.
• Modificación de la cantidad de Cp* del catalizador de iridio para aumentar la hidrofobia.

Principales resultados:

• Cuatro variantes de hCAII mostraron una afinidad mejorada de 46 a 64 veces para el complejo de iridio.
• La enantioselectividad para la producción de (S) -salsolidina aumentó del 70% a un máximo del 92%.
• Se observó un aumento de 4 veces en el número total de facturación.
• Un catalizador modificado con un sustituto de propilo alcanzó el 96% ee, la selectividad más alta reportada para esta ATHasa.
• La cristalografía de rayos X confirmó la incorporación del cofactor dentro de la estructura de la proteína.

Conclusiones:

• El diseño computacional basado en la estructura optimizó con éxito el rendimiento de ATHase.
• Las ATHases diseñadas demuestran una actividad y enantioselectividad significativamente mejoradas.
• La modificación del catalizador, junto con la ingeniería de proteínas, mejora aún más la estereoselectividad.
• El estudio proporciona un enfoque computacional validado para el diseño de metalloenzimas artificiales altamente selectivas.