相关实验视频
Updated: Jul 10, 2025
09:58
Light-driven Enzymatic Decarboxylation
Published on: May 22, 2016
11.7K
机器学习支持的酶工程,以改善CO2 - - 糖-CoA碳氧酶的固定
Daniel G Marchal1, Luca Schulz1, Ingmar Schuster2
1Department of Biochemistry and Synthetic Metabolism, Max-Planck-Institute for Terrestrial Microbiology, Marburg 35043, Germany.
ACS synthetic biology
|November 20, 2023
概括
研究人员设计了一种新的酶 - - 糖醇-CoA碳氧酶 (GCC),以促进光合作用. 利用机器学习,他们开发了改进的变体,提高了二氧化碳固定效率,减少了能源浪费.
科学领域:
- 生物催化和酶工程 生物催化和酶工程
- 合成生物学用于碳固定.
- 蛋白质设计中的计算方法
背景情况:
- 甘基-CoA核糖酶 (GCC) 是一种合成酶,对甲基-CoA (TaCo) 途径至关重要,旨在增强光合作用CO2固定.
- 最初的GCC变体 (GCC M5),通过五种突变从甲碳酸酶 (PCC) 衍生出来,表现出活性,但在催化效率和能源利用方面存在局限性.
- 低效率包括与PCC相比触媒效率降低了4倍,以及在二氧化碳固定过程中不良的ATP水解.
研究的目的:
- 为了工程增强的变体的糖-CoA碳氧化酶 (GCC) 改进的动力学和热力学特性.
- 通过机器学习辅助的工作流程,减少酶工程所需的选工作量.
- 为了克服甲-CoA (TaCo) 途径的局限性,以实现更高效的碳固定.
主要方法:
- 开发机器学习支持的工作流程,以指导导导向进化的努力.
- 基于计算预测和实验查的GCC的代蛋白质工程.
- 对新型GCC变体的表征,以评估碳氧化率和能源效率.
主要成果:
- 识别了两种新的GCC变体,显著提高了性能.
- 一种变体表明,碳素化速率增加了2倍.
- 另一种变种实现了60%的能源需求减少 (ATP水解).
结论:
- 机器学习引导的方法有效地加速了改进的酶变体的发现.
- 工程 GCC 变种显示出有可能提高合成 TaCo 途径用于 CO2 固定的效率.
- 这项研究证明了将机器学习与定向进化相结合的协同力量,以应对酶工程挑战.
