DOI: https://doi.org/10.1038/s41586-026-11143-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41332739
تاريخ النشر: 2026-10-14
المؤلف: Hojae Choi وآخرون
الموضوع الرئيسي: هيكل البروتين والديناميات
نظرة عامة
في هذا القسم، يناقش المؤلفون قيود تصميم الإنزيمات de novo الحالية، خاصة في سياق الروابط الأميدية المستقرة، التي تقاوم التحلل المائي بسبب الحواجز الطاقية العالية. يقدمون طريقة جديدة للتعلم العميق، RFD2-MI، التي تسهل تصميم الإنزيمات القادرة على تحلل العمود الفقري للببتيد من خلال نوكليوفيل سيستين مفعل بطريقة تعتمد على التسلسل. ومن المRemarkable، أن هذه الإنزيمات المهندسة تظهر تحسينات في المعدل (k_cat/k_uncat) تصل إلى \(3 \times 10^7\) مقارنة بالتفاعلات الخلفية.
تظهر الإنزيمات المصممة طيات تختلف بشكل كبير عن البروتيازات الطبيعية، كما يتضح من درجة TM أقل من 0.50، ومع ذلك، تتماشى هياكلها البلورية عن كثب مع نماذج التصميم، مع Cα RMSDs أقل من 1.2 Å. وهذا يدل على فعالية ودقة منهجية التصميم المستخدمة. تشير النتائج إلى أن هذه الطريقة لديها إمكانات كبيرة لإنشاء بروتيازات جديدة مع تطبيقات في التكنولوجيا الحيوية والطب.
مقدمة
تناقش المقدمة التحديات المرتبطة بتصميم البروتيازات de novo، وهي إنزيمات تقطع الروابط الأميدية في البروتينات. على الرغم من انتشارها في الطبيعة وتطبيقاتها في التكنولوجيا الحيوية، فإن تصميم هذه الإنزيمات أثبت أنه صعب بسبب الاستقرار الفطري للأميدات، التي تقاوم التحلل المائي وتتطلب تفعيلًا كبيرًا للقطع. تتعامل عائلة بروتياز السيستين مع هذا التحدي من خلال ثلاثي تحفيزي يتكون من الأسبارتات، الهيستيدين، والسيستين، الذي ينشط نوكليوفيل السيستين ويستقر الوسائط عالية الطاقة عبر ثقب الأوكسيان. لقد أعاق تعقيد هذه البنية، جنبًا إلى جنب مع الاستقرار الكيميائي لمواد البروتين، جهود التصميم الحسابي، التي نجحت فقط مؤخرًا مع الهيدرازات السيرينية الأبسط.
يقترح المؤلفون الاستفادة من التقدمات الأخيرة في التعلم الآلي (ML) لتصميم البروتينات، باستخدام نموذج الذكاء الاصطناعي التوليدي RFdiffusion2 (RFD2) لبناء البنية اللازمة لقطع الروابط الأميدية. من خلال استخدام نسخة محسّنة لتفاعلات الإنزيم والبروتين-بروتين (RFD2-MI)، يهدفون إلى إنشاء شق ربط الببتيد الذي يضع الركيزة بشكل فعال. يفرض المؤلفون أن ثلاثي التحفيز القائم على السيستين يمكن أن يعزز عملية التصميم، نظرًا لآليته المتعددة الخطوات المعروفة وسهولة تنشيط السيستين مقارنة بالسيرين. تهدف هذه الدراسة إلى استكشاف إمكانات RFD2-MI في تصميم بروتيازات جديدة من السيستين de novo.
طرق
يحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. شملت المنهجيات المحددة تجارب محكومة، وتحليلات إحصائية، وتقنيات نمذجة، والتي تم تصميمها لاختبار الفرضيات التي تم وضعها في بداية البحث.
شمل جمع البيانات أخذ عينات منهجية وبروتوكولات صارمة لتقليل التحيز وزيادة الموثوقية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما يسمح بتطبيق اختبارات مختلفة لتحديد أهمية النتائج. بالإضافة إلى ذلك، يوضح القسم معايير اختيار المشاركين، والأدوات المستخدمة للقياس، والإجراءات المتبعة لضمان الامتثال الأخلاقي طوال الدراسة. بشكل عام، كانت الطرق المستخدمة قوية ومصممة لمعالجة أسئلة البحث بفعالية.
نتائج
تفصل نتائج هذه الدراسة التصميم الناجح وتوصيف بروتيازات السيستين de novo، مع التركيز على بناء هندسة موقع نشط بسيط. يتضمن التصميم ثلاثي تحفيزي يتكون من السيستين، الهيستيدين، والأسبارتات، إلى جانب ثقب الأوكسيان الذي يتشكل من تفاعلات العمود الفقري والسلسلة الجانبية المحددة. باستخدام بروتياز السيستين Ulp1 كنموذج، استخدم الباحثون نهجًا حسابيًا (RFD2-MI) لإنشاء مجمعات إنزيم-ركيزة متنوعة، مما يسمح بتصميم وتحسين تكراري. من بين 69 تصميمًا تم اختباره، أظهر 13 نشاطًا في القطع، مع تحقيق العمود الفقري Dokki أعلى كفاءة، حيث حقق تقريبًا قطعًا كاملًا للركيزة.
كشفت التحليلات الإضافية أن البروتيازات المصممة تعمل كتحفيزات حقيقية، مع دراسات حركية تشير إلى تسريع كبير في المعدلات مقارنة بالتفاعلات غير المحفزة. عرض التصميم الأكثر كفاءة، Dokki_15، ملف نشاط يعتمد على الرقم الهيدروجيني يتماشى مع البروتيازات الطبيعية من السيستين وحافظ على الاستقرار عند درجات حرارة مرتفعة. أكدت التقييمات الهيكلية من خلال البلورة بالأشعة السينية دقة طريقة التصميم، حيث أظهرت أن البروتيازات المهندسة تتبنى طيات مميزة لا تتكرر في الهياكل الطبيعية الموجودة. تشير هذه النتائج إلى أن البروتيازات المصممة لا تظهر فقط الخصائص التحفيزية المرغوبة ولكن تمثل أيضًا هياكل معمارية جديدة، مما يمهد الطريق لتحقيق تقدمات مستقبلية في تصميم الإنزيمات مع خصوصية ونشاط مصممين.
مناقشة
تسلط قسم المناقشة الضوء على تقدم كبير في تصميم بروتيازات السيستين de novo، مما يظهر قدرة التصميم التوليدي على تسهيل التحولات البيولوجية المعقدة، وخاصة التحلل المائي للروابط الأميدية في الركائز البروتينية. حققت التصميمات الأكثر فعالية تحسينات في المعدلات تصل إلى $3 \times 10^7$ مقارنة بالتفاعلات غير المحفزة، مما يدل على إمكانات المواقع النشطة المهندسة. تتميز هذه الإنزيمات، التي تتسم بثلاثي Cys-His-Asp، بقطع دقيق عند روابط الببتيد المستهدفة وتحافظ على دقة هيكلية لنماذج التصميم، مع Cα RMSDs أقل من 1.2 Å. ومع ذلك، لا يزال هناك فجوة في الكفاءة التحفيزية مقارنة ببروتيازات السيستين الطبيعية، تُعزى إلى انحرافات طفيفة في الهندسة التحفيزية، مما يشير إلى أن التصميمات المستقبلية يجب أن تركز على الهياكل التي تحاكي التكوينات الأصلية بشكل أفضل.
شملت المنهجية المستخدمة لتوليد العمود الفقري وتصميم التسلسل عمليات انتشار تكرارية ومعايير تصفية صارمة لضمان سلامة الهيكل والهندسة التحفيزية. كما توضح الدراسة تحسين نشاط الإنزيم من خلال استراتيجيات إعادة التصميم، مما أدى إلى ظهور عدة نسخ تفوقت على أسلافها، مع تحسينات ملحوظة في النشاط لوحظت في تصميمات محددة. تؤكد النتائج على الإمكانات الكبيرة للبروتيازات المهندسة في التطبيقات البيوتكنولوجية والعلاجية، مما يبرز الحاجة إلى مزيد من التحسين في تصميم الركيزة والكفاءة التحفيزية لسد الفجوة في الأداء مع الإنزيمات التي تطورت بشكل طبيعي.
DOI: https://doi.org/10.1038/s41586-026-11143-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41332739
Publication Date: 2026-10-14
Author(s): Hojae Choi et al.
Primary Topic: Protein Structure and Dynamics
Overview
In this section, the authors discuss the limitations of current de novo enzyme design, particularly in the context of stable amide bonds, which resist hydrolysis due to high energy barriers. They introduce a novel deep learning method, RFD2-MI, which facilitates the design of enzymes capable of hydrolyzing the polypeptide backbone through an activated cysteine nucleophile in a sequence-dependent manner. Remarkably, these engineered enzymes exhibit rate enhancements (k_cat/k_uncat) of up to \(3 \times 10^7\) compared to background reactions.
The designed enzymes display folds that are significantly different from natural proteases, as indicated by a TM score of less than 0.50, yet their crystal structures closely align with the design models, with Cα RMSDs of less than 1.2 Å. This demonstrates the effectiveness and precision of the design methodology employed. The findings suggest that this approach has significant potential for creating novel proteases with applications in biotechnology and medicine.
Introduction
The introduction discusses the challenges associated with the de novo design of proteases, which are enzymes that cleave amide bonds in proteins. Despite their prevalence in nature and applications in biotechnology, the design of these enzymes has proven difficult due to the inherent stability of amides, which resist hydrolysis and require significant activation for cleavage. The cysteine protease family addresses this challenge through a catalytic triad composed of aspartate, histidine, and cysteine, which activates the cysteine nucleophile and stabilizes high-energy intermediates via an oxyanion hole. The complexity of this architecture, combined with the chemical stability of protein substrates, has hindered computational design efforts, which have only recently succeeded with simpler serine hydrolases.
The authors propose leveraging recent advancements in machine learning (ML) for protein design, specifically utilizing the generative AI model RFdiffusion2 (RFD2) to construct the necessary architecture for amide bond cleavage. By employing a variant optimized for enzyme and protein-protein interactions (RFD2-MI), they aim to create a peptide binding cleft that positions the substrate effectively. The authors hypothesize that a cysteine-based catalytic triad could enhance the design process, given its established multistep mechanism and the relative ease of activating cysteine compared to serine. This study aims to explore the potential of RFD2-MI in the de novo design of new cysteine proteases.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, statistical analyses, and modeling techniques, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved systematic sampling and rigorous protocols to minimize bias and enhance reliability. The analysis was performed using advanced statistical software, allowing for the application of various tests to ascertain the significance of the results. Additionally, the section details the criteria for participant selection, the instruments used for measurement, and the procedures followed to ensure ethical compliance throughout the study. Overall, the methods employed were robust and tailored to address the research questions effectively.
Results
The results of this study detail the successful design and characterization of de novo cysteine proteases, focusing on the construction of a minimalist active site geometry. The design incorporates a catalytic triad consisting of cysteine, histidine, and aspartate, alongside an oxyanion hole formed by specific backbone and sidechain interactions. Utilizing the cysteine protease Ulp1 as a template, the researchers employed a computational approach (RFD2-MI) to generate diverse enzyme-substrate complexes, allowing for iterative design and optimization. Out of 69 designs tested, 13 exhibited cleavage activity, with the Dokki backbone demonstrating the highest efficiency, achieving nearly complete substrate cleavage.
Further analysis revealed that the designed proteases function as bona fide catalysts, with kinetic studies indicating significant rate accelerations compared to uncatalyzed reactions. The most efficient design, Dokki_15, displayed a pH-dependent activity profile consistent with natural cysteine proteases and maintained stability at elevated temperatures. Structural assessments through X-ray crystallography confirmed the accuracy of the design method, showing that the engineered proteases adopt distinct folds that do not replicate existing natural structures. These findings suggest that the designed proteases not only exhibit desired catalytic properties but also represent novel structural architectures, paving the way for future advancements in enzyme design with tailored specificity and activity.
Discussion
The discussion section highlights a significant advancement in the de novo design of cysteine proteases, showcasing the ability of generative design to facilitate complex biological transformations, specifically the hydrolysis of amide bonds in protein substrates. The most effective designs achieved rate enhancements of up to $3 \times 10^7$ compared to uncatalyzed reactions, demonstrating the potential of engineered active sites. These enzymes, characterized by a Cys-His-Asp triad, exhibit precise cleavage at target peptide bonds and maintain structural fidelity to design models, with Cα RMSDs below 1.2 Å. However, a gap in catalytic efficiency compared to natural cysteine proteases remains, attributed to slight misalignments in the catalytic geometry, suggesting that future designs should focus on scaffolds that better mimic native configurations.
The methodology employed for backbone generation and sequence design involved iterative diffusion processes and stringent filtering criteria to ensure structural integrity and catalytic geometry. The study also details the optimization of enzyme activity through redesign strategies, resulting in several variants that outperformed their predecessors, with notable enhancements in activity observed in specific designs. The findings underscore the potential for engineered proteases in biotechnological and therapeutic applications, emphasizing the need for further refinement in substrate design and catalytic efficiency to bridge the performance gap with naturally evolved enzymes.