基于机器学习的严格正交生物传感器设计及其在可再生生物燃料高产中的应用

《Journal of Advanced Research》：Design of strictly orthogonal biosensors for maximizing renewable biofuel overproduction

本研究针对转录因子(TF)对非天然信号分子(SM)识别精度不足的问题，开发了机器学习引导的BmoR蛋白工程策略。通过随机森林算法构建预测模型BT（准确率88.5%），成功识别出36个关键残基区域(CRRs)，经半理性改造获得严格SM正交性(SSO)突变体。MicroScale Thermophoresis(MST)验证显示突变体对异戊醇的亲和力(Kd)达0.0261μM，正交性提升显著。应用SSO生物传感器筛选获得异戊醇高产菌株，3-L发酵产量达12.6g/L，创历史新高。该研究为合成生物学提供了精准分子识别的通用框架。

　　

在合成生物学和代谢工程领域，转录因子(TF)作为天然生物传感器核心组件，能够特异性识别信号分子(SM)并激活基因表达，已成为高产菌株筛选和代谢通路优化的重要工具。然而天然转录因子存在明显的局限性——它们对结构类似物的区分能力有限，这种交叉反应性会导致假阳性信号，严重影响高通量筛选的准确性。以醇类传感转录因子BmoR为例，虽然能响应C2-C5直链或支链醇，但无法区分戊醇异构体（正戊醇与异戊醇）或丁醇异构体，在乙醇背景较高的发酵体系中尤其容易产生误报。

传统蛋白质工程方法如错误倾向PCR虽能创造突变库，但存在盲目性大、效率低的缺陷。突变可能分布在蛋白质全长序列中，其中多数突变不影响功能甚至破坏蛋白结构，而真正有效的突变又容易被海量非功能性突变淹没。如何精准定位决定分子识别特性的关键区域，成为TF工程化改造的核心挑战。

北京理工大学研究团队在《Journal of Advanced Research》发表的最新研究中，开创性地将机器学习与分子模拟相结合，建立了TF理性设计新范式。研究人员以Pseudomonas butanovora来源的BmoR为模型，通过构建包含245个突变体的学习数据集，采用随机森林算法训练得到预测模型BT。该模型整合了五个关键参数：BmoR-SM氢键(BSH)数量、突变位点所在结构域、二级结构定位、与结合域(SBD)距离以及残基特性变化。为扩大预测范围，团队对N端SM识别区域(1-300位氨基酸)进行饱和突变设计，通过Discovery Studio批量模拟5700个突变体与四种醇类SM的22800个复合物，获得BSH计数并形成预测数据集。

关键技术方法包括：1）采用随机森林算法构建机器学习模型；2）利用Discovery Studio进行分子对接和批量模拟；3）通过MicroScale Thermophoresis(MST)验证蛋白-配体亲和力；4）应用流式细胞术(FACS)进行高通量筛选；5）采用3-L生物反应器进行发酵验证。

机器学习驱动识别SM正交性的关键残基区域

研究人员首先建立了包含245个全长BmoR突变体的学习数据集，将GFP/OD₆₀₀值增加≥25%定义为阳性输出“1”，反之为“0”。分子模拟分析各突变体与SM复合物的BSH数量等参数，随机森林算法训练后的模型BT对测试集37个突变体的预测准确率达86.5%，综合四种SM识别能力后整体准确率提升至88.5%。部分依赖分析显示BSH数量与输出值呈显著正相关，表明氢键形成是生物传感器正交性的关键决定因素。

通过对5700个N端饱和突变体的模拟预测，研究成功鉴定出三个关键残基区域(CRRs)：117-133、153-168和206-211位氨基酸。这些区域内的残基突变能显著影响BmoR-SM结合，其中虽仅Phe210和Gln212位于野生型BmoR的SM结合位点，但CRRs内非结合位点的突变同样能破坏氢键网络，从根本上改变SM正交性。

CRRs工程化改造筛选双正交性突变体

通过针对CRRs构建精确突变库，经两轮FACS筛选，研究人员获得了具有双重正交性的突变体。BmoR^A117T/F163Y在10mM正戊醇条件下显示强烈绿色荧光，而对异戊醇无响应。梯度浓度实验显示其对正戊醇的表观K_m为59.5mM，且优先识别正丁醇而非异丁醇。分子模拟表明正戊醇通过羟基氢与Met248形成氢键，并与Pro173产生π-烷基相互作用，而正丁醇则与Asp172形成氢键。

同样地，BmoR^W128R对10mM异戊醇产生强烈响应而对正戊醇无反应，其对异戊醇的表观K_m为58.2mM，且更易识别正丁醇而非异丁醇。分子模拟揭示异戊醇与Asp172、Met248和Asn249形成氢键，并与Pro173产生π-烷基相互作用。混合SM竞争实验证明这两个突变体在复杂背景下仍保持特异性识别能力。

理性设计获得严格正交性突变体

为获得对正戊醇或异戊醇严格正交的突变体，研究人员在双正交突变体中引入已知能增强异丁醇选择性的突变位点（M94V/F272L或S240P）。获得的BmoR^{M94V/A117T/F163Y/F272L}和BmoR^{A117T/F163Y/S240P}仅对正戊醇产生浓度依赖性响应，而BmoR^{M94V/W128R/F272L}和BmoR^W128R/S240P则专门识别异戊醇。

MST亲和力测定显示BmoR^{M94V/A117T/F163Y/F272L}对正戊醇的K_d值为322μM，而BmoR^{M94V/W128R/F272L}对异戊醇的K_d值达0.0261μM。Fnorm和结合分数分析证实这些突变体仅特异性结合目标SM，无交叉反应性。

乙醇干扰下的稳健正交性验证

在葡萄酒发酵等实际应用中，乙醇背景干扰是重要挑战。实验表明，含BmoR^A117T/F163Y、BmoR^W128R、BmoR^{M94V/A117T/F163Y/F272L}或BmoR^{M94V/W128R/F272L}的菌株在100mM乙醇条件下仅产生可忽略的绿色荧光。剂量反应分析显示前两个突变体乙醇敏感性降低，后两个则完全耐受乙醇。在300mM乙醇背景噪声下，BmoR^{M94V/A117T/F163Y/F272L}和BmoR^{M94V/W128R/F272L}仍分别保持对正戊醇和异戊醇的剂量依赖性激活，证明其在实际应用中的可靠性。

BmoR六聚体建模揭示戊醇正交性关键残基

通过AlphaFold 2.0和3.0预测野生型BmoR六聚体结构，发现11个链间氢键对六聚体稳定性至关重要。丙氨酸扫描突变证实这些界面残基的功能不可或缺性，所有突变体对10mM SM的响应均较野生型降低87%以上。特别是Arg413A、Gly545A或Asp562A突变完全丧失正戊醇感知能力，而Asp562A突变则废除异戊醇感知。

结构比较显示，四个严格正交突变体均获得两个额外氢键（Chain A的Ala390与Chain B的Thr443之间，Chain A的Arg413与Chain B的Gly459之间），同时失去了一个天然氢键（Chain A的Gly545与Chain B的Tyr492之间）。值得注意的是，BmoR^{M94V/A117T/F163Y/F272L}和BmoR^{M94V/W128R/F272L}独特地形成了连接Chain A的Glu579与Chain B的Arg478的额外氢键。Glu579饱和突变实验证实，大多数取代能废除正丁醇响应性，表明该残基在SM歧视中的核心作用。

严格正交突变体在异戊醇高产菌筛选中的应用

研究人员构建了异戊醇生物合成途径（包含alsS、ilvC、ilvD、leuA^G462DBCD、tdcB、kivD^V461A/M538A和yqhD基因），并筛选E.coli MG1655衍生敲除菌库以获得戊醇耐受菌株。野生型MG1655在20mM正戊醇和异戊醇条件下OD₆₀₀分别下降2.67和2.16倍，且在60mM戊醇中无法生长。筛选获得Δ18和Δ33菌株在40mM正戊醇中生物量分别提高1.33和1.29倍，Δ29和Δ33在异戊醇压力下生物量分别提高1.58和1.34倍。

利用BmoR^{M94V/W128R/F272L}生物传感器，从异戊醇耐受菌株中筛选高产菌。将含生物传感器和异戊醇生物合成途径的质粒共转化Δ33菌株，在24小时获得GFP/OD₆₀₀值633±23。摇瓶发酵显示工程化Δ72小时异戊醇产量达2.47±0.17g/L，较野生型MG1655提高93%。基因组分析显示Δ33敲除了32个基因，其中6个参与氨基酸转运代谢，10个调控能量产生与转换。

异戊醇生产的规模化放大

在3-L生物反应器中评估Δ33菌株的异戊醇生产能力。通过连续冷凝回收发酵液中产生的异戊醇，诱导后11小时发酵液中和累计异戊醇产量分别达0.222±0.016g/L和0.827g/L。27小时发酵液中产量升至0.588±0.029g/L，葡萄糖至异戊醇转化效率达0.260g/g，36小时最终产量达12.6g/L，较摇瓶产量提高5.09倍，且超越先前报道的最高记录9.5g/L。连续葡萄糖补料（500g/L储液）维持发酵液浓度高于5g/L，防止了底物限制导致的 productivity 下降。

讨论与结论

该研究的创新性体现在两方面：首先建立了通用性方法学，通过机器学习将蛋白质突变搜索空间从数百个残基智能缩小至少数关键区域，大幅加速了理想突变体的发现；其次获得了具有前所未有的SM正交性的工程化BmoR突变体，能区分密切相关的结构类似物甚至异构体。

蛋白质配体promiscuity源于底物类似物间的结构相似性，在生物系统中呈现情境依赖性优势与挑战。在酶工程中，底物promiscuity可作为设计新颖生物合成途径的多功能平台，但功能灵活性也带来关键权衡——非预期副反应可能将代谢通量从主要途径转移，降低生产效率。TF在SM识别能力上表现出类似的双功能性，TF promiscuity允许响应非天然SM，便于微生物高产菌的检测和高通量筛选，但结构类似SM的共存可能引起交叉结合，在菌株筛选或酶进化过程中产生假阳性信号。

BmoR的SM识别机制主要依赖于氢键相互作用，BSH数量直接控制其SM选择性。传统工程方法如错误倾向PCR介导的随机突变受限于繁琐的多步筛选过程和有限成功率。机器学习与分子模拟的革命性结合使传统蛋白质工程得以变革，通过虚拟筛选和分子模拟等预测策略简化预处理方案并提高通量能力。

本研究通过机器学习与分子模拟系统重新设计BmoR的BSH架构，发现调节BSH数量直接改变SM选择性，CRRs成为正交性工程的关键区域。靶向CRRs突变较传统随机方法显著增加产生SM正交突变体的可能性。这种精准策略不仅加速了BmoR进化，也为工程化其他氢键依赖性TF（如YqhC和PcaV）建立了可推广框架。

研究表明，通过合理设计调控六聚体链间氢键网络，能够精确重新校准TF的SM正交性。虽然研究成功实现了戊醇异构体与结构类似物的严格区分，但工业化应用仍面临挑战——产量不足以满足工业规模要求，宿主耐受性限制和并行代谢途径的竞争仍然 divert 碳通量远离异戊醇生物合成。未来需要进一步工程化以提高途径特异性和微生物鲁棒性。

该研究通过机器学习引导的TF工程化策略，成功解决了转录因子对结构类似物识别特异性不足的难题，为合成生物学和代谢工程提供了精准分子识别的通用设计原则，在生物制造和工业发酵领域具有广泛应用前景。