Aprendizaje profundo de disparo cero con optimización multiobjetivo mejora la termostabilidad de la zearalenona...

Área de la Ciencia:

• Ingeniería de enzimas; Diseño de proteínas; Biología computacional

Sus antecedentes:

• La termostabilidad de las enzimas es vital para los procesos industriales en condiciones extremas.; El diseño basado en la estructura mejora la estabilidad térmica pero reduce la actividad.; El diseño basado en secuencias preserva la actividad pero no la termostabilidad.

Objetivo del estudio:

• Evaluar estrategias para el diseño de mutaciones de enzimas multisitio que equilibren la termostabilidad y la actividad.; Evaluar enfoques de aprendizaje profundo basados en estructura, basados en secuencias e integrados.; Desarrollar enzimas termoestables industrialmente relevantes con un mínimo esfuerzo experimental.

Principales métodos:

• Se utilizó la zearalenona hidrolasa (RmZHD) y la xilanasa como sistemas modelo.; Se emplearon modelos de aprendizaje profundo basados en estructura (ABACUS-R) y basados en secuencias (ProGen2, MSA Transformer).; Se integraron modelos utilizando muestreo de Cadena de Markov Monte Carlo con puntuación multiobjetivo.

Principales resultados:

• El diseño basado en la estructura aumentó la termostabilidad en ~15 °C pero causó una pérdida de actividad del 80-100 %.; Los diseños basados en secuencias retuvieron ~19 % de actividad sin ganancias de termostabilidad.; El integrado ABACUS-R y MSA Transformer logró una ganancia de termostabilidad de ~8 °C preservando >95 % de actividad.

Conclusiones:

• Los modelos integrados de aprendizaje profundo basados en secuencias y estructuras ofrecen una estrategia poderosa para la ingeniería de enzimas.; Este enfoque equilibra con éxito la termostabilidad mejorada y la actividad enzimática conservada.; Los hallazgos allanan el camino para el desarrollo de enzimas robustas para aplicaciones industriales.