迭代同源挖掘策略结合数据驱动建模高效发现立体选择性酮还原酶

《Nature Communications》：Iterative and data-driven ortholog mining enables reliable discovery of stereoselective ketoreductases

　　

摘要

酮还原酶（KREDs）能够实现立体选择性醇的合成，并在工业中得到广泛应用。然而，针对非天然底物寻找工艺兼容且具有选择性的酶仍然具有挑战性，需要进行大量筛选。在此，我们提出了一种迭代的直系同源蛋白挖掘策略来探索功能空间。从一种已知的KRED出发，我们在48个进化距离较远的变体中对其直系同源组进行采样，鉴定出五种能够生产具有药用价值的醇的酶（非对映体选择性/对映体过量值 de/ee 42.8% 至 >99%）。对60个系统发育相近的直系同源物进行优化采样，获得了进一步改进的酮还原酶（de/ee 98% 至 >99%）。由于直系同源蛋白挖掘依赖于基因组数据，它忽略了来自未测序生物体的酶。为解决这一问题，我们利用我们的数据集探索了采样直系同源组之外的同源KREDs，将搜索空间扩大了十五倍。为此，我们开发了自动化流程HomoLogic，其功能描述符被输入到可解释模型中，能够准确预测KRED的性能（R2高达0.76）。总体而言，我们表明，进化上平衡的直系同源面板与数据驱动建模相结合，能够有效地发现立体选择性生物催化剂。