通过机器学习引导的细胞自由表达加速酶工程.
Grant M Landwehr1,2, Jonathan W Bogart1,2, Carol Magalhaes1,2
1Department of Chemical and Biological Engineering, Northwestern University, Evanston, IL, USA.
Nature communications
|January 20, 2025
概括
本研究介绍了一种机器学习 (ML) 引导的,用于快速酶工程的无细胞平台. 该系统通过优化多种化学反应的酶来加快新生物催化剂的发现,显著改善它们的活性.
科学领域:
- 生物化学 生物化学
- 合成生物学 合成生物学
- 机器学习 机器学习
背景情况:
- 酶工程面临的挑战是为预测设计生成大型序列函数数据集.
- 为特定的化学反应优化酶需要有效地探索蛋白质序列空间.
研究的目的:
- 为快速酶工程开发一个机器学习 (ML) 引导的无细胞平台.
- 为了改造胺合成酶,以提高合成小分子药物的活性.
主要方法:
- 集成的无细胞DNA组装,基因表达和功能测试.
- 在10,953个反应中评估了1217种酶变体,以绘制健身景观.
- 开发了用于预测设计的增强回归ML模型.
主要成果:
- 工程化胺合成酶对9种小分子向药物的活性提高了1.6至42倍.
- ML模型准确地预测了具有增强催化功能的酶变体.
- 为不同的化学反应证明了酶的并行优化.
结论:
- 这种由ML指导的无细胞框架加速了酶工程.
- 允许对蛋白质序列空间进行代探索,用于专门的生物催化剂开发.
- 承诺为各种应用增强定制酶的创建.


