Enhancing a De Novo Enzyme Activity by Computationally-Focused, Ultra-Low-Throughput Sequence Screening
Notice bibliographique
Résumé
Directed evolution has revolutionized protein engineering. Still, enzyme optimization by random library screening remains a sluggish process, in large part due to futile probing of mutations that are catalytically neutral and/or impair stability and folding. FuncLib (funclib-weizmann.ac.il) is a novel automated computational procedure which uses phylogenetic analysis and Rosetta design to rank enzyme variants with multiple mutations, on the basis of a stability metric. Here, we use it to target the active site region of a minimalist-designed, de novo Kemp eliminase. The similarity between the Michaelis complex and transition state for the enzymatic reaction makes this a particularly challenging system to optimize. Yet, experimental screening of a very small number of active-site, multi-point variants at the top of the predicted stability ranking leads to catalytic efficiencies and turnover numbers (~2·104 M-1 s-1 and ~102 s-1) that compare well with modern natural enzymes, and that approach the catalysis levels for the best Kemp eliminases derived from extensive screening. This result illustrates the promise of FuncLib as a powerful tool with which to speed up directed evolution, by guiding screening to regions of the sequence space that encode stable and catalytically diverse enzymes. Empirical valence bond calculations reproduce the experimental activation energies for the optimized eliminases to within ~2 kcal·mol-1 and indicate that the improvements in activity are linked to better geometric preorganization of the active site. This raises the possibility of further enhancing the stability-guidance of FuncLib by EVB-based computational predictions of catalytic activity, as a generalized approach for computational enzyme design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».