Künstliche Intelligenz macht Enzym-Engineering einfacher

Forscher haben den traditionell langsamen Prozess des Enzym-Engineerings beschleunigt

18.11.2022 - Japan

Man kann nicht erwarten, dass ein Pharmawissenschaftler sein Labor mit den Einrichtungen eines Fernsehstudios tauscht und dieselben Forschungsergebnisse erwartet. Enzyme verhalten sich genau gleich. In einer Studie, die kürzlich in der Zeitschrift ACS Synthetic Biology veröffentlicht wurde, haben Forscher der Universität Osaka Enzymen ein ähnliches Maß an Anpassungsfähigkeit verliehen - ein Ziel, das seit über 30 Jahren unerreichbar ist.

Enzyme erfüllen beeindruckende Funktionen, die durch die einzigartige Anordnung der sie bildenden Aminosäuren ermöglicht werden, aber in der Regel nur in einer bestimmten zellulären Umgebung. Ändert man die zelluläre Umgebung, funktioniert das Enzym selten gut, wenn überhaupt. Daher besteht ein langjähriges Forschungsziel darin, die Funktion von Enzymen in unterschiedlichen Umgebungen beizubehalten oder sogar zu verbessern, zum Beispiel unter Bedingungen, die für die Biokraftstoffproduktion günstig sind. Traditionell waren solche Arbeiten mit umfangreichen experimentellen Versuchen verbunden, bei denen die Sicherheit, ein optimales Ergebnis zu erzielen, gering war.

Künstliche Intelligenz kann diese Fehlversuche minimieren, ist aber immer noch auf experimentell gewonnene Kristallstrukturen von Enzymen angewiesen, die unter Umständen nicht verfügbar oder nicht besonders nützlich sind. Die entsprechenden Aminosäuren, die man im Enzym mutieren sollte, sind daher möglicherweise nur Vermutungen", sagt Teppei Niide, Co-Autor des Buches. "Um dieses Problem zu lösen, haben wir eine Methode zur Einstufung von Aminosäuren entwickelt, die nur auf der weithin verfügbaren Aminosäuresequenz von analogen Enzymen anderer Lebewesen beruht.

Die Forscher konzentrierten sich auf die Aminosäuren, die an der Spezifität des Apfelsäureenzyms für das Molekül, das das Enzym umwandelt (d. h. das Substrat), und für die Substanz, die die Umwandlung unterstützt (d. h. den Cofaktor), beteiligt sind. Durch die Identifizierung der Aminosäuresequenzen, die sich im Laufe der Evolution nicht verändert haben, konnten die Forscher die Aminosäuremutationen identifizieren, die Anpassungen an unterschiedliche zelluläre Bedingungen in verschiedenen Arten darstellen.

"Durch den Einsatz künstlicher Intelligenz haben wir unerwartete Aminosäurereste im Apfelsäureenzym identifiziert, die mit der Verwendung verschiedener Redox-Cofaktoren durch das Enzym korrespondieren", sagt Hiroshi Shimizu, Co-Senior-Autor. "Dies hat uns geholfen, den Mechanismus der Substratspezifität des Enzyms zu verstehen, und wird die optimale Entwicklung des Enzyms in den Labors erleichtern."

Durch den Einsatz künstlicher Intelligenz ist es gelungen, die spezifische Wirkungsweise eines Enzyms erheblich zu beschleunigen und erfolgreicher zu gestalten, ohne die Funktion des Enzyms grundlegend zu verändern. Künftige Fortschritte im Enzym-Engineering werden Bereichen wie der Pharma- und Biokraftstoffproduktion, die eine sorgfältige Abstimmung der Vielseitigkeit von Enzymen auf unterschiedliche biochemische Umgebungen erfordern, sehr zugute kommen - selbst wenn die Kristallstrukturen der entsprechenden Enzyme nicht vorliegen.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Sou Sugiki et al.; Logistic Regression-Guided Identification of Cofactor Specificity-Contributing Residues in Enzyme with Sequence Datasets Partitioned by Catalytic Properties; ACS Synth. Biol.; 2022

https://www.analytica-world.com/de/news/1178541/kuenstliche-intelligenz-macht-enzym-engineering-einfacher.html

Originalveröffentlichung

Sou Sugiki et al.; Logistic Regression-Guided Identification of Cofactor Specificity-Contributing Residues in Enzyme with Sequence Datasets Partitioned by Catalytic Properties; ACS Synth. Biol.; 2022

Themen

künstliche Intelligenz Enzym-Engineering Enzyme Aminosäuren Apfelsäure

Alle anzeigen