Peroxidasas versátiles estables y funcionalmente diversas diseñadas directamente a partir de secuencias

Área de la Ciencia:

• La bioquímica
• Ingeniería de enzimas
• Biología computacional

Sus antecedentes:

• Los hongos de la podredumbre blanca utilizan oxidorreductasas, particularmente peroxidasas versátiles (VPs), para una descomposición eficiente de la lignina.
• La producción recombinante de VPs es un desafío, lo que limita sus aplicaciones industriales y de investigación.
• Las estructuras enzimáticas precisas son cruciales para la optimización computacional, pero las estructuras experimentales son escasas para muchas enzimas.

Objetivo del estudio:

• Evaluar la fiabilidad de la predicción de la estructura * ab initio * basada en el aprendizaje profundo para el diseño de enzimas computacionales.
• Diseñar y expresar funcionalmente nuevas peroxidasas versátiles (VP) con propiedades mejoradas.
• Demostrar la utilidad de los métodos basados en la IA para explorar la diversidad de las enzimas naturales.

Principales métodos:

• Utilizó la predicción de estructuras de aprendizaje profundo * ab initio * para generar modelos para la optimización de VP.
• Diseño computacional PROSS empleado para la estabilidad de un solo disparo y la mejora funcional de los VPs.
• Expresó variantes de VP diseñadas en levadura y caracterizó sus perfiles de actividad, estabilidad y reactividad.

Principales resultados:

• Las estructuras predichas por IA sirvieron como puntos de partida confiables para el diseño de enzimas computacionales.
• Cuatro VPs diseñados con hasta 43 mutaciones se expresaron con éxito en la levadura, a diferencia de sus contrapartes de tipo salvaje.
• Tres diseños mostraron una diversidad significativa en la reactividad y la tolerancia ambiental.

Conclusiones:

• La predicción de la estructura de aprendizaje profundo combinada con el diseño computacional permite una optimización eficiente de las enzimas con una expresión desafiante.
• Este enfoque amplía el alcance de la ingeniería de enzimas computacionales, facilitando el descubrimiento de nuevos biocatalizadores.
• La metodología permite la explotación directa de la diversidad funcional dentro de las familias de enzimas naturales a partir de datos genómicos.