由于難以探索巨大的序列空間，酶的定向進化往往無法獲得理想的突變體。為了從實驗室規(guī)模上非常有限的突變體中獲得活性突變體，機器學習指導的酶工程正成為一種有吸引力的方法。然而，目前為止還沒有機器學習指導的黃素單加氧酶（FMO）功能修飾的例子。眾所周知，FMO能催化各種氧化反應，并參與許多天然產物的生物合成。因此，機器學習指導的FMO功能增強可以有助于天然產物衍生物的有效開發(fā)。
有鑒于此，University of Shizuoka的Kenji Watanabe課題組對一種FMO模式酶羥基苯甲酸羥化酶（PHBH），通過機器學習指導只改變了底物結合位點周圍的四個氨基酸殘基V47、W185、L199和L210獲得了最高活性突變體。
圖片來源：ACS Catal.
該機器學習模型使用僅覆蓋整個序列空間的約0.1%的小初始庫進行訓練，并且機器學習預測的第二個庫富含活性突變體。第二個文庫中活性最高的突變體是PHBH-MWNL（V47M、W185、L199N和L210），其活性是野生型PHBH的100多倍。
圖片來源：ACS Catal.
為了闡明PHBH-MWNL活性增強的機制，解析了其與底物4-羥基-3-甲基苯甲酸復合物的晶體結構。在PHBH-MWNL晶體結構中，由于N199與WAT2的氫鍵作用，觀察到缺失的水分子WAT2，這表明L199N突變通過穩(wěn)定被認為在催化中很重要的質子中繼網絡，從而實現了其活性大幅提高。
圖片來源：ACS Catal.
原文標題：Functional Enhancement of Flavin-Containing Monooxygenase through Machine Learning Methodology
原文作者：Takuma Matsushita, Shinji Kishimoto, Kodai Hara, Hiroshi Hashimoto, Hideki Yamaguchi, Yutaka Saito, and Kenji Watanabe*
ACS Catal. 2024, 14, 6945?6951
