Toward the Bioremediation of Nylon Waste Materials: Genome Mining Leads to the Identification of a Thermostable Laurolactamase From <i>Thermopolyspora flexuosa</i>
Notice bibliographique
Résumé
Plastic waste accumulation presents an environmental and human health crisis. With current recycling technologies recovering only ∼9% of plastics globally, there is an urgent need for sustainable solutions. While enzymatic strategies for polyethylene terephthalate degradation have made significant progress, analogous approaches for other plastics, like nylon, remain underdeveloped. In particular, the persistence of cyclic nylon oligomers has received limited attention, with only one distinct enzyme (NylA) reported decades ago, exhibiting poor catalytic performance. To address this critical gap, using genome mining, novel amidases were identified with enhanced activity and thermal stability. Herein, we report the discovery and characterization of a lactam hydrolase from Thermopolyspora flexuosa , the first thermostable NylA orthologue ( T m = 72°C ± 0.3°C). Biochemical analyses reveal that Tfl NylA hydrolyzes a range of lactams, including cyclic nylon byproducts, with particularly high specificity and turnover for laurolactam. Substrate scope analysis and structural modeling revealed key molecular features governing enzyme‐substrate compatibility, explaining the preferential activity of Tfl NylA. Co‐incubation of Tfl NylA and TvgC with nylon film increased nylon dimer production, underscoring the potential of enzyme synergy for enhanced plastic degradation. This thermostable NylA variant provides an ideal starting point for enzyme engineering efforts to develop robust catalysts for nylon waste remediation.
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 | 0,001 | 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 ».