通过自然酶序列的生成模型来增强光酶活性和稳定性
Wen Jun Xie1,2, Dangliang Liu3, Xiaoya Wang3
1Department of Chemistry, University of Southern California, Los Angeles, CA 90089.
概括
生成型人工智能和进化数据可以预测有益的单一突变,用于酶工程. 这种方法成功地改善了约50%的工程单一突变的酶活性或稳定性.
科学领域:
- 生物化学和分子生物学
- 生物工程和合成生物学
- 计算生物学和生物信息学
背景情况:
- 生成型人工智能和天然蛋白质序列为酶工程提供了新的可能性.
- 当前的人工智能模型经常产生与野生类型相比性能降低的酶变体.
- 识别单个有益突变是具有挑战性的,但实际上比广泛的改变更有利.
研究的目的:
- 为了利用自然进化信息进行预测性酶改进.
- 在Renilla luciferase (RLuc) 中设计单个突变,以提高活性和稳定性.
- 探索计算机辅助理性酶工程的策略.
主要方法:
- 使用生成性最大模型对Renilla luciferase (RLuc) 同类物的分析.
- 进化信息与生化实验的整合.
- 设计和测试针对活性中心和蛋白质支架的单点突变.
主要成果:
- 自然进化数据成功预测了改善RLuc活动或稳定的单个突变.
- 改造单个突变体的成功率约为50%,提高了活动或稳定性.
- 确定了RLuc中蓝光发射的进化偏好,在水透方面提供了优势.
结论:
- 自然进化信息是预测酶工程的宝贵资源.
- 这项研究展示了计算机辅助的酶合理设计的有效策略,其特性得到了改进.
- 大自然的进化过程优先应用选择性压力,以优化酶的区域功能.
更多相关视频
10:13A Multiplexed Luciferase-based Screening Platform for Interrogating Cancer-associated Signal Transduction in Cultured Cells
Published on: July 3, 2013
11.2K
07:16Monitoring Hippo Signaling Pathway Activity Using a Luciferase-based Large Tumor Suppressor LATS Biosensor
Published on: September 13, 2018
19.8K
