DOI: https://doi.org/10.1038/s41467-024-46574-4
PMID: https://pubmed.ncbi.nlm.nih.gov/38658554
تاريخ النشر: 2024-04-24
المؤلف: Enrico Orsi وآخرون
الموضوع الرئيسي: تحفيز الإنزيمات وتثبيتها
المناقشة
تحدد قسم المناقشة في ورقة البحث سير العمل المتكامل لتسريع هندسة الإنزيمات في الجسم الحي، مع التأكيد على ضرورة التعاون بين التخصصات، وخاصة دمج تقنيات تعلم الآلة (ML). يتضمن سير العمل المقترح التنبؤ بالتعديلات اللازمة للإنزيمات المستهدفة وتصميم سلالات اختيار الأوكستروف من خلال حذف الجينات. بعد ذلك، يتم استخدام المحولات الفائقة في الجسم الحي لتعزيز معدلات الطفرات، مما يسهل إثراء تجمعات الميكروبات مع متغيرات الإنزيم المتطورة من خلال الزراعة عالية الإنتاجية. يتم تقييم نجاح هذه العملية التطورية من خلال تسلسل النسخ الغنية، مع إمكانية تكرار العملية حسب الحاجة.
تسلط الورقة أيضًا الضوء على أهمية هندسة الإنزيمات في تحسين المحفزات الحيوية، موضحة استراتيجيات مختلفة مثل الطفرات العقلانية وشبه العقلانية، والتطور الموجه، وبناء مكتبات إنزيمية تركيبية. تهدف هذه الطرق إلى تحسين خصائص الإنزيم، بما في ذلك خصوصية الركيزة والثبات الحراري، مع التنقل عبر المناظر الطبيعية المعقدة التي غالبًا ما تؤدي إلى عوائد متناقصة. تم الإشارة إلى دمج الأدوات الحاسوبية، مثل AlphaFold لتوقع بنية البروتين، كأصل قيم في تحديد البقايا الرئيسية للطفرات. علاوة على ذلك، تؤكد المناقشة على دور تصميم الإنزيمات من الصفر، والذي يسمح بإنشاء إنزيمات جديدة مستقلة عن القوالب الطبيعية، وإمكانية تعلم الآلة لتعزيز تصميم المسارات والهندسة الأيضية، مما يوسع بذلك مساحة التصميم للمهندسين البيولوجيين.
DOI: https://doi.org/10.1038/s41467-024-46574-4
PMID: https://pubmed.ncbi.nlm.nih.gov/38658554
Publication Date: 2024-04-24
Author(s): Enrico Orsi et al.
Primary Topic: Enzyme Catalysis and Immobilization
Discussion
The discussion section of the research paper outlines an integrated workflow for accelerating in vivo enzyme engineering, emphasizing the necessity of interdisciplinary collaboration, particularly the incorporation of machine learning (ML) techniques. The proposed workflow involves predicting necessary modifications for target enzymes and designing auxotroph selection strains through gene deletions. Following this, in vivo hypermutators are utilized to enhance mutation rates, facilitating the enrichment of microbial populations with evolved enzyme variants via high-throughput cultivation. The success of this evolutionary process is assessed through sequencing enriched clones, with the possibility of iterating the pipeline as needed.
The paper also highlights the significance of enzyme engineering in optimizing biocatalysts, detailing various strategies such as rational and semi-rational mutagenesis, directed evolution, and the construction of combinatorial enzyme libraries. These methods aim to improve enzyme properties, including substrate specificity and thermal stability, while navigating complex fitness landscapes that often lead to diminishing returns. The integration of computational tools, such as AlphaFold for protein structure prediction, is noted as a valuable asset in identifying key residues for mutation. Furthermore, the discussion emphasizes the role of de novo enzyme design, which allows for the creation of novel enzymes independent of natural templates, and the potential of ML to enhance pathway design and metabolic engineering, thereby expanding the design space for biological engineers.