基于物理和深度学习的蛋白质工程过器的分辨率:用脂酶进行工业基质水解的案例研究

科学领域:

• 酶工程和计算生物化学.
• 蛋白质结构-功能关系分析.
• 生物催化和工业酶应用.

背景情况:

• 计算性酶设计对于优化生物催化剂至关重要,特别是对于非天然基质.
• 灵活盖的脂酶Pseudomonas aeruginosa LipA是增强工业相关的罗氏的水解的目标.
• 现有的计算工具在预测酶变体中微妙的功能改进方面存在局限性.

研究的目的:

• 通过计算酶设计,研究和增强Pseudomonas aeruginosa LipA对罗氏的水解活性.
• 评估一个集成分子动力学 (MD) 模拟,密度函数理论 (DFT) 计算和基于集体的能量评分的计算管道的有效性.
• 评估深度学习模型 (如AlphaFold3) 在分析酶变异和预测活性方面的实用性.

主要方法:

• 基于活动部位附近的Pseudomonas aeruginosa LipA单点突变的生成.
• 使用计算管道评估突变变种,包括MD模拟,DFT计算和能量评分.
• 应用深度学习模型 (AlphaFold3) 进行特设后结构分析.
• 反应路径分析以确定速率限制步骤和能量障碍.

主要成果:

• 确定了几种活性酶变体,但使用结构特征根据活性对它们进行排序是具有挑战性的.
• 深度学习模型在各个变体中产生了非常相似的活性站点几何形状,无法区分活动水平.
• 反应路径分析显示了微小的能量屏障变化 (5-15 kcal/mol),这些变化无法通过当前的计算方法来区分.

结论:

• 当前的计算和深度学习方法在解决微妙的功能差异方面存在局限性,这些差异对于增量酶活性改进至关重要.
• 在计算酶设计中,需要改进基准,反应力场和更敏感的排名指标.
• 进步对于设计具有渐进的,类似进化的活性增强的酶和弥合结构预测和催化功能之间的差距至关重要.