Design of Efficient Artificial Enzymes Using Crystallographically Enhanced Conformational Sampling
Notice bibliographique
Résumé
The ability to create efficient artificial enzymes for any chemical reaction is of great interest. Here, we describe a computational design method for increasing the catalytic efficiency of de novo enzymes by several orders of magnitude taking advantage of X- ray crystallography data and ensemble refinement. Our approach circumvents the need for labor-intensive directed evolution and high-throughput screening methods typically used to improve the activity of de novo enzymes. We used Phenix ensemble refinement (Burnley et al. 2012) to generate ensemble models from dynamics-based refinement against room temperature X-ray diffraction data collected from crystals of Kemp eliminases HG3 (kcat/KM 125 M−1 s−1) and KE70 (kcat/KM 57 M−1 s−1). Using backbone templates from these ensemble models, we designed, for each of the two enzymes, ≤10 sequences predicted to catalyze this reaction more efficiently. The most active designs display kcat/KM values improved by 100−250-fold, comparable to mutants obtained after screening thousands of variants in multiple rounds of directed evolution. Crystal structures show excellent agreement with computational models, with catalytic contacts present as designed and transition-state root-mean-square deviations of ≤0.65 Å. Our work shows how a more precise sampling of backbone dynamics and conformational sub-states through ensemble refinement can improve de novo enzyme design algorithms for producing more efficient artificial enzymes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».