机器学习指导的酵母醇脱氢酶I底物特异性与热稳定性双目标优化

《Biotechnology for Biofuels and Bioproducts》：Machine learning-guided dual optimization of the substrate specificity and thermostability of yeast alcohol dehydrogenase

　　

摘要翻译：背景：酵母醇脱氢酶I（YADH）催化醛类可逆还原为伯醇。具有宽底物特异性且在高温下热稳定的YADH变体是工业生物催化所需。本研究中，研究人员旨在改变YADH底物特异性，以高效催化非天然底物反式-2-壬烯醛（trans-2-nonenal）还原为反式-2-壬烯醇（trans-2-nonenol），同时增强热稳定性。通过对接模拟识别底物结合位点周围残基，并进行饱和突变和随机突变。测定活性和热稳定性用于训练机器学习（ML）模型，以预测在保持热稳定性的同时具有改善活性的YADH变体。结果：机器学习指导的方法识别出性质改善的变体。四个变体对trans-2-nonenal的比活性高于野生型，其中一个变体还表现出改善的热稳定性。表现最佳的变体比活性增加两倍以上，同时保留耐热性。还获得了对天然底物乙醛（acetaldehyde）失去活性但对trans-2-nonenal活性更高的变体，表明底物特异性改变。这些结果表明可从有限数据集中高效识别有益突变。结论：总体而言，本研究提出一种机器学习（ML）指导的框架，整合对接和多模型评价，用于同时优化YADH的底物特异性和热稳定性。

研究背景与问题：酶是广泛应用于食品、饲料、制药、医学、生物修复、生物燃料和洗涤剂等领域的特异性生物催化剂，但天然酶的稳定性、活性和底物特异性常需优化以满足工业需求。热稳定性在工业过程中至关重要，因为提高稳定性可使反应在高温下进行；然而天然酶通常热稳定性较差，且稳定性增强常伴随活性下降。活性口袋及底物结合区域附近适当突变可能同时改善工业酶的热稳定性和活性。近年来，机器学习（ML；由实验数据训练以探索序列-功能关系的预测方法）逐渐用于酶工程，可高效识别有益突变并减少筛选负担；但多目标优化中目标构建与平衡等设计原则仍不充分。酵母醇脱氢酶I（YADH；NAD⁺依赖性催化醛可逆还原为伯醇的四聚体酶）虽催化性能较好，却因稳定性差而限制工业应用；醇脱氢酶（ADH）多偏好短链底物如乙醛，限制其对中长链醛的应用。trans-2-nonenal是皮肤脂肪酸氧化降解产生的挥发性不饱和醛，是衰老和氧化应激生物标志物，其还原产物trans-2-nonenol挥发性和毒性较低，有香料应用潜力。因此，研究人员旨在改造YADH以催化trans-2-nonenal还原为trans-2-nonenol，同时增强热稳定性，并探索ML多目标优化策略；该研究对扩展底物范围、促进工业生物转化及发展ML指导的酶工程框架具有重要意义。

研究人员开展了以对接模拟定位底物口袋残基、构建变体库、测定活性与热稳定性、训练ML模型并实验验证的研究。结论是：ML指导方法可从有限数据集中高效富集有益变体，获得活性提高及底物特异性改变的YADH变体，其中最佳变体比活性提高两倍以上且保留耐热性；还获得对天然底物乙醛失去活性、对trans-2-nonenal活性更高的变体，表明底物特异性改变。该研究提出了整合对接和多模型评价的双目标优化框架。关键技术方法概括（不超过250字）：以AutoDock对接和丙氨酸扫描定位底物口袋关键残基；构建190个五残基组合变体库（含95个单点替换及多点替换，无外部样本队列）；用NADH吸光度法测相对比活性，用热位移和热失活曲线测T_M、ΔT_M、T₅₀和t_1/2；以z-scale等理化描述符编码五位点，训练支持向量回归（SVR）活性回归、支持向量分类器（SVC）活性分类及SVR稳定性模型并集成排序；用ColabFold建模、PLIP和CASTp进行结构比较。

结果部分：（1）通过对接模拟选择突变位点：AutoDock构建trans-2-nonenal结合YADH模型，识别距配体4 ?内的T45、W54、L56、H66、W92、Y119、C153、M270、Y294和V295；除与催化锌配位的H66和C153外进行丙氨酸扫描，T45A和V295A相对活性较低，W54A、W92A、Y119A、M270A和Y294A相对活性较高，故选择W54、W92、Y119、M270和Y294进一步分析。（2）训练数据制备：构建190个五残基替换变体库并测定相对比活性和ΔT_M，共报告19个变体活性改善、3个变体热稳定性增强；W54多数替换提高活性但降低热稳定性，W92F活性高而稳定性低，Y119F活性和稳定性均小幅提高，Y119W稳定性提高但活性低，M270G/N/Q/S/V活性高而仅M270L热稳定性提高，Y294替换降低活性和稳定性，多点替换多数降低活性或失活。（3）构建YADH活性与热稳定性双优化ML模型：比较描述符和算法组合后，z-scale描述符结合SVR对活性预测最佳；SVC区分活性/无活性变体，SVR预测活性幅度，稳定性SVR预测ΔT_M作为惩罚项；集成排序205种组合并选前22个候选进行实验验证。（4）高活性预测变体的实验评价：前22个中YADH-LWMMY因无可溶蛋白被排除；YADH-FWMMY、YADH-FWYGY、YADH-LWFMY和YADH-YWYGY活性高于野生型，其中YADH-LWFMY热稳定性也提高；随机选取的低排名10个变体均无检测活性且热稳定性明显下降，而前22个中21个保留催化活性。（5）获得变体的动力学研究：WT-YADH对trans-2-nonenal的K_M为1.5±0.3 mM、k_cat为1479±231 min^?1；YADH-LWFMY的K_M为13.0±3.3 mM、k_cat为25187±6012 min^?1，其他变体参数相近。（6）YADH变体底物特异性分析：以C2–C10醛评价，WT-YADH偏好短链C2–C4；YADH-FWMMY、YADH-W54F和YADH-W54L对C5–C6长链特异性拓宽且相对比活性提高；YADH-Y119F和YADH-Y119M谱与WT相似但短链活性增强；YADH-FWYGY和YADH-YWYGY丧失C2–C4天然底物活性，而对长链尤其heptanal和trans-2-nonenal活性增强；YADH-M270G仅对C7和C9醛有活性。（7）YADH变体热稳定性分析：WT-YADH、YADH-Y119F和YADH-LWFMY的T₅₀分别为57.0±0.3 °C、59.8±1.3 °C和60.7±0.4 °C；60 °C下t_{1/2, 60 °C}分别为13 min、29 min和19 min，表明Y119F增强热稳定性。（8）WT-YADH、YADH-Y119F、YADH-M270G和YADH-LWFMY结构比较：WT中trans-2-nonenal与W54、L56、W92和Y294形成疏水接触，并与T157存在潜在氢键；Y119F保留主要疏水接触并新增T45和L116接触，底物羰基碳与烟酰胺C4原子距离由3.4 ?降至3.0 ?；M270G使底物明显重定向，配体RMSD为3.70 ?，烷基远端位移约5.6 ?，口袋体积和入口增宽，Y294与M270/G270侧链距离由5.9 ?增至10.4 ?；LWFMY的疏水作用和醛基位置改变，T157与底物羰基氧距离由3.4 ?增至4.0 ?，PLIP未检测到相应氢键。讨论部分总结：模型在有限且不平衡训练数据下虽预测准确性有限，但能显著缩小实验搜索空间并富集有益变体；预测与实验差异可能与高活性变体稀少及多点替换多降低活性稳定性有关，迭代纳入实验验证的高活性变体可改善训练分布和泛化；若干变体底物特异性向长链醛改变，结构分析提示M270G等替换可扩大底物口袋或入口，利于容纳长链醛，与工业生物合成兼容性相关；高底物浓度筛选条件可能富集高底物条件下表现更优的变体，YADH-LWFMY的k_cat升高且K_M升高，在高底物负载工业条件下可能有利；多目标优先获得的YADH-LWFMY在提高催化活性的同时保留热稳定性，提示ML指导方法可能帮助识别部分克服活性-稳定性权衡的突变组合。研究结论翻译：本研究应用基于机器学习的方法预测具有改善活性和热稳定性的酶变体。尽管预测准确性有限，可能归因于训练数据限制，该模型能够从小候选集中高效识别相对高活性变体。值得注意的是，尽管多重突变通常对活性和热稳定性有害，预测变体大多保留两种性质。研究人员还获得底物特异性从天然C2底物乙醛完全转向非天然C9 trans-2-nonenal的YADH变体。结构分析提示较大氨基酸被较小氨基酸替换可能扩大底物结合口袋或入口，促成这些功能变化。总体而言，该方法为识别平衡活性和稳定性的变体提供了有用框架，尽管改进训练数据对进一步提升预测性能很重要。