小分子中细微的分子变化会对其生物活性和代谢产生深远的影响。天然产物的后期功能化为创造其后修饰类似物提供了一条有效的途径。有机卤化物的合成路线通常涉及多个步骤。为了获得高的化学、区域和立体选择性,通常需要使用保护、引导或激活基团。由于这些基团中的一些可能需要在后续步骤中被移除,这种方法缺乏原子经济性。总的来说,非活性C–H键的卤化仍然是化学家面临的挑战。另一方面,即使在复杂的分子环境中,酶促卤化也往往表现出优异的区域选择性和立体选择性。因此,能够在温和条件下以高度立体和区域控制的方式对sp3-C进行卤化的酶引起了特别关注。近期,Zurich University of Applied Sciences的Rebecca Buller团队通过智能库设计与机器学习相结合,对铁/α-酮戊二酸依赖的氧化酶WelO5*进行工程化改造用于后期功能化,合成化学方法难以卤化衍生化的大环内酯类抗真菌药物soraphen A和soraphen C。
![](http://9794.seohost.cn/storage/9794/weixin/2202/17/68340cc1f8d661716ee23a01ecfff8ad.png)
图片来源:Nat.Commun.
野生型WelO5*的天然底物是12-epi-fischerindole U,不识别大环内酯类底物Soraphen A及其类似物。
![](http://9794.seohost.cn/storage/9794/weixin/2202/17/2e0f818bd5aaac4184fd6c2d14ae393a.png)
图片来源:Nat. Commun.
通过对野生型WelO5*与大环内酯类底物进行分子对接获得三个重要的氨基酸残基位点(81/88/161),并构建三点饱和突变体库,通过检测卤化产物对该突变体库进行筛选,最终筛选出具有卤化大环内酯底物功能的最优突变体GAP。接着,受到机器学习在蛋白质工程中成功应用的启发,利用高斯程序计算蛋白质景观帮助减少突变体库的物理筛选负担并加速有益突变的积累。通过将氨基酸表示为17维向量(通过连接5维T尺度描述符和其他氨基酸特征获得),再通过连接V81X、A88X和I161X位点处的单个氨基酸的向量表示来定义序列的特征向量。通过这种策略,以显著的准确性和精确度筛选出更具活性和更具选择性的突变体。其中,突变体VLA表观催化转化数kcat和总周转数分别提高了90倍和300倍以上。
![](http://9794.seohost.cn/storage/9794/weixin/2202/17/5be2101a19736334fb61fbcf70d0a1d9.png)
图片来源:Nat. Commun.
此外,这种机器学习指导酶工程化的方法能够预测更多的活性突变体,并可以改变卤化酶的区域选择性,从而促进生物分析中衍生大环内酯类化合物结构-功能活性的目标分析。
参考文献:Algorithm-aided engineering of aliphatic halogenase WelO5* for theasymmetric late-stage {attr}3138{/attr}ization of soraphens
Nat. Commun.
DOI: 10.1038/s41467-022-27999-1
原文作者:Johannes Büchler, Sumire Honda Malca, DavidPatsch, Moritz Voss, Nicholas J. Turner, Uwe T. Bornscheuer, Oliver Allemann,Camille Le Chapelain, Alexandre Lumbroso, Olivier Loiseleur✉ & Rebecca Buller✉
目前评论:0