El uso de la ciencia de datos para conocimientos mecanicistas y predicciones de selectividad en una reacción...

Área de la Ciencia:

• Biocatálisis y ingeniería enzimática
• Química computacional
• Mecanismos moleculares

Sus antecedentes:

• Los métodos tradicionales como la evolución dirigida para el biocatálisis son empíricos y ofrecen una visión mecanicista limitada.
• El desarrollo de nuevos biocatalizadores para nuevas reacciones a menudo requiere extensos esfuerzos de ingeniería de proteínas.

Objetivo del estudio:

• Desarrollar una estrategia basada en datos para explorar el espacio de reacción biocatalítico y comprender los mecanismos de transformación enzimática.
• Crear un conjunto de herramientas para racionalizar y predecir la selectividad enzimática basada en características estructurales.

Principales métodos:

• Se exploró la selectividad de una "ene"-reductasa (GluER-T36A) utilizando un enfoque basado en datos.
• Se han desarrollado modelos estadísticos que correlacionan las características estructurales de la enzima y el sustrato con la selectividad observada.
• Modelos validados mediante la predicción de la selectividad para nuevos sustratos y mutantes enzimáticos.

Principales resultados:

• Modelos estadísticos generados que relacionan efectivamente las propiedades estructurales de la enzima y el sustrato con la selectividad.
• Se ha predicho con éxito la selectividad de sustratos y variantes enzimáticas fuera de la muestra.
• Obtuvo una visión más profunda de los mecanismos de enantioinducción de GluER-T36A.

Conclusiones:

• La estrategia desarrollada basada en datos proporciona información mecanicista sobre el biocatálisis, complementando los métodos empíricos.
• Este enfoque mejora la capacidad de predecir la selectividad de las enzimas y facilita el cribado virtual de los mutantes enzimáticos.
• Tiene potencial para acelerar el descubrimiento y la optimización de biocatalizadores para transformaciones no naturales.