Deep learning guided enzyme engineering of Thermobifida fusca cutinase for increased PET depolymerization
Meng, S., Li, Z., Zhang, P., Contreras, F., Ji, Y., Schwaneberg, U., Chinese Journal of Catalysis , doi.org/10.1016/S1872-2067(23)64470-5
Anwendung von Deep Learning zur Verbesserung der Effizienz der enzymvermittelten PET-Depolymerisation.
Eine verantwortungsvolle und nachhaltige Kreislaufwirtschaft von Polymeren erfordert effiziente Recyclingprozesse mit einem geringen CO2 -Fußabdruck. Die enzymatische Depolymerisation von Polyethylenterephthalat (PET) ist ein erster Schritt, um PET-Polymere zu einem Teil einer Polymerkreislaufwirtschaft zu machen. In dieser Studie wurde ein strukturbasiertes Deep-Learning-Modell eingesetzt, um Positionen in TfCut2 zu identifizieren, die für eine verbesserte hydrolytische Aktivität und erhöhte Stabilität verantwortlich sind.
Durch die Anwendung von maschinellem Lernen gesteuertem Design wurden vorteilhafte Positionen (L32E, S35E, H77Y, R110L, S113E, T237Q, R245Q und E253H) innerhalb der Proteinstruktur identifiziert. Diese Positionen wurden dann systematisch zusammengefasst, was zur Entwicklung der optimierten Variante L32E/S113E/T237Q führte. Diese Variante zeigte eine verbesserte PET-Depolymerisation im Vergleich zum TfCut2 Wildtyp (amorpher PET-Film, 2,9-fache Verbesserung // kristallines PET-Pulver (Kristallinität > 40 %), 5,3-fache Verbesserung). Bezüglich der thermischen Stabilität zeigte die Variante L32E/S113E/T237Q eine um 5,7 °C erhöhte Halbinaktivierungstemperatur (T 5060 ). Der PET-Hydrolyseprozess wurde über eine Quarzkristall-Mikrowaage mit Dissipationsüberwachung (QCM-D) in Echtzeit analysiert, um die PET-Depolymerisationskinetik (PET aufgetragen auf Goldsensor) zu bestimmen. Schließlich ergab die Analyse der Konformationsdynamik, dass die Substitutionen L32E/S113E/T237Q eine Konformationsänderung hervorrufen, bei der die dominante Konformation einen engeren Kontakt zwischen dem katalytischen Zentrum und dem PET-Polymer ermöglichte, was zu einer erhöhten PET-Hydrolyse führte. Insgesamt zeigt diese Studie das Potenzial von Deep-Learning-Modellen im Protein-Engineering zur Identifizierung und Entwicklung effizienter PET-Depolymerisationsenzyme.
Shuaiqi Meng wurde von einem Ph.D. Stipendium des China Scholarship Council (CSC No. 201906880011) unterstützt.
Zugang zu der Publikation finden Sie unter Publikationen und Patente und unter
Meng, S., Li, Z., Zhang, P., Contreras, F., Ji, Y., Schwaneberg, U., Chinese Journal of Catalysis , doi.org/10.1016/S1872-2067(23)64470-5
Deep learning algorithm was utilized to engineer TfCut2 for a robust and active PET hydrolase, leading to obviously incensement of kinetic stability and activity towards amorphous and crystalline PET.