跳到正文
Nature Biotechnology· Dario Ummarino·· 9 天前精选AI 评分63

基于机器学习的从头设计蛋白酶研究亮点

De novo design of proteases

AI 导读

Nature Biotechnology 的研究亮点介绍了两项发表于 Nature 的工作,它们用机器学习工具从头设计半胱氨酸蛋白酶和金属蛋白酶。Choi 等使用针对酶活性位点与蛋白-蛋白相互作用优化的 RoseTTAFold 扩散模型 RFD2-MI 生成 69 个半胱氨酸蛋白酶计算设计,其中 13 个具有催化活性并能切割目标肽序列。

AI 深度导读基于原文整理的分节解读
背景
蛋白酶的从头设计一直是蛋白质设计里格外困难的一类题目,原因在于这类酶的催化位点在生化上相当复杂。此前缺乏把这类催化位点设计出来的可行路径。近期 Nature 上两项分别发表的工作,分别报告了半胱氨酸蛋白酶与金属蛋白酶的从头设计,均借助机器学习工具完成。
做法
Choi 等使用的是一种针对酶活性位点与蛋白–蛋白相互作用优化的 RoseTTAFold 扩散模型版本,名为 RoseTTAFold Diffusion 2 for Molecular Interfaces(RFD2-MI),并据此生成了 69 个半胱氨酸蛋白酶计算设计。Chen 等报告的是金属蛋白酶的从头设计。两篇论文均发表于 Nature,均属基于机器学习工具的设计路线。
结论
在 69 个半胱氨酸蛋白酶计算设计中,有 13 个具备催化活性,能够切割其目标肽序列。结构研究显示这些设计酶中存在天冬氨酸–组氨酸–半胱氨酸催化三联体,且其折叠方式与天然半胱氨酸蛋白酶的折叠不同。后续研究进一步确认,这些设计蛋白酶在哺乳动物细胞中具有酶活性。Chen 等金属蛋白酶工作的具体设计与活性数据未在本文中给出。
意义
结果说明,用扩散模型设计出的蛋白酶可以带有与天然酶不同的折叠,同时仍保持催化活性,并且这种活性能够在哺乳动物细胞的胞内环境中检出。对做酶从头设计的研究者而言,RFD2-MI 是一条针对活性位点和蛋白–蛋白界面优化的可参考路径;对需要在细胞环境里使用设计蛋白酶的方向,这批设计提供了细胞层面活性的证据。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

推荐理由

这条研究亮点汇总了两项用机器学习从头设计蛋白酶的工作,可作为了解酶设计可行边界的索引入口。

来源:Nature Biotechnology · nature.com