Struktur‐ und Daten‐basiertes Protein Engineering von Transaminasen zur Verbesserung von Aktivität und Stereoselektivität

Yu‐Fei Ao, Shuxin Pei, Chao Xiang, Marian J. Menke, Lin Shen, Chenghai Sun, Mark Dörr, Stefan Born, Matthias Höhne, Uwe T. BornscheuerAngewandte 2023 · DOI

Abstract

Abstract Amintransaminasen (ATAs) sind leistungsstarke Biokatalysatoren für die stereoselektive Synthese chiraler Amine. Machine learning ist ein vielversprechender Ansatz für das Protein‐Engineering, aber Modelle zur Aktivitätsvorhersage für ATAs sind aufgrund der Schwierigkeit, qualitativ hochwertige Trainingsdaten zu erhalten, schwer zu finden. Aus diesem Grund haben wir zunächst Varianten der ATA aus Ruegeria sp. (3FCR) mit verbesserter katalytischer Aktivität (bis zu 2000‐fach) sowie umgekehrter Stereoselektivität durch strukturabhängiges rationales Design entwickelt und dabei einen hochwertigen Datensatz gesammelt. Anschließend entwarfen wir einen modifizierten One‐Hot‐Code, um sterische und elektronische Effekte von Substraten und Aminosäureresten innerhalb von ATAs zu beschreiben. Schließlich erstellten wir einen Gradient Boosting Regression Tree Prädiktor zur Vorhersage der katalytischen Aktivität und Stereoselektivität und wendeten diesen für das datengesteuerte Design optimierter Varianten an, die dann eine verbesserte Aktivität zeigten (bis zum Dreifachen im Vergleich zu den besten zuvor identifizierten Varianten). Wir haben zudem gezeigt, dass das Modell die katalytische Aktivität für ATA‐Varianten eines anderen Enzyms vorhersagen kann, indem es mit einem kleinen Satz zusätzlicher Daten neu trainiert wurde.
BibTeX
@inproceedings{ao2023struktur,
  author = {Yu‐Fei Ao and Shuxin Pei and Chao Xiang and Marian J. Menke and Lin Shen and Chenghai Sun and Mark Dörr and Stefan Born and Matthias Höhne and Uwe T. Bornscheuer},
  title = {{Struktur‐ und Daten‐basiertes Protein Engineering von Transaminasen zur Verbesserung von Aktivität und Stereoselektivität}},
  booktitle = {Angewandte},
  year = {2023},
  doi = {10.1002/ange.202301660},
}

Loading related content...

Figure