[論文レビュー] Strangers in a foreign land: 'Yeastizing' plant enzymes

Kristen Van Gelder, Steffen N. Lindner+2 more|arXiv (Cornell University)|Mar 19, 2024

Plant and animal studiesAgricultural and Biological Sciences被引用数 3

ひとこと要約

本論文は、自然な変異から一般化可能な配列ルールを同定することで、酵母における最適な機能を実現するように植物酵素を再設計する機械学習パイプラインを提案する。酵素ファミリー全体を通じてデータ駆動型の酵母適応パターンを活用することで、酵母における酵素不相容性という合成生物学プラットフォームのボトルネックを克服し、植物代謝経路のスケーラブルでコスト効率の良い工学的設計を可能にする。

ABSTRACT

Expressing plant metabolic pathways in microbial platforms is an efficient, cost-effective solution for producing many desired plant compounds. As eukaryotic organisms, yeasts are often the preferred platform. However, expression of plant enzymes in a yeast frequently leads to failure because the enzymes are poorly adapted to the foreign yeast cellular environment. Here we first summarize current engineering approaches for optimizing performance of plant enzymes in yeast. A critical limitation of these approaches is that they are labor-intensive and must be customized for each individual enzyme, which significantly hinders the establishment of plant pathways in cellular factories. In response to this challenge, we propose the development of a cost-effective computational pipeline to redesign plant enzymes for better adaptation to the yeast cellular milieu. This proposition is underpinned by compelling evidence that plant and yeast enzymes exhibit distinct sequence features that are generalizable across enzyme families. Consequently, we introduce a data-driven machine learning framework designed to extract 'yeastizing' rules from natural protein sequence variations, which can be broadly applied to all enzymes. Additionally, we discuss the potential to integrate the machine learning model into a full design-build-test-cycle.

研究の動機と目的

• 酵母を基盤とする微生物セルファクトリーにおいて、植物酵素の発現および機能が不十分であるという課題に対処すること。
• 酵母における植物経路工学のための現在の手作業に時間がかかる、酵素特異的な最適化を克服すること。
• 機能的な酵母酵素と植物酵素を区別する一般化可能な配列特徴を特定すること。
• 機械学習を用いて植物酵素の酵母適応バージョンを予測する計算パイプラインを開発すること。
• 合成生物学アプリケーションのための設計・構築・試験のサイクルにモデルを統合すること。

提案手法

• 複数の酵素ファミリーにわたる植物および酵母酵素間の自然な配列変異を活用し、保存された適応パターンを抽出する。
• 精査されたタンパク質配列データ上で機械学習モデルをトレーニングし、「酵母化」ルールを学習し、機能的適合性を予測する。
• アミノ酸組成、構造的安定性、細胞小器官局在化モチーフなどの一般化可能な特徴に焦点を当てる。
• 植物酵素配列を入力とし、酵母最適化バージョンを出力する計算パイプラインを設計する。
• 予測を段階的に改善するため、実験的テストとフィードバックループをモデルに統合する。
• トランスファーラーニングと特徴工学を活用して、多様な酵素ファミリーにわたるモデルの一般化を向上させる。

実験結果

リサーチクエスチョン

• RQ1 多様な酵素ファミリーにわたる機能的な酵母酵素とその植物オルソログとの間で、何が配列特徴によって区別されるか？
• RQ2 自然な配列変異から一般化可能な「酵母化」ルールを抽出し、機能的適応を予測できるか？
• RQ3 データ駆動型の機械学習アプローチは、酵母における植物酵素の機能向上のための再設計にどの程度効果的か？
• RQ4 このフレームワークは、植物代謝経路全体の高スルーレット工学を支援するためにスケーラブルか？
• RQ5 モデルは合成生物学のクローズドループの設計・構築・試験サイクルにどのように統合できるか？

主な発見

• 植物および酵母酵素は、酵素ファミリー全体にわたり、明確で一般化可能な配列特徴を示しており、自然な適応のパターンを示している。
• 機械学習フレームワークは、酵母における機能的適合性と相関する保存則のある配列ルールを効果的に同定した。
• 提案されたパイプラインにより、酵素特異的な最適化を必要とせず、スケーラブルでコスト効率の良い植物酵素の再設計が可能になった。
• このアプローチは酵素ファミリー全体に一般化可能であり、代謝経路工学への広範な適用可能性を示唆している。
• モデルを設計・構築・試験サイクルに統合することは実現可能であり、合成生物学ワークフローの加速に寄与する可能性がある。
• 本研究は、微生物セルファクトリーにおけるホスト不適合性の障壁を克服する基盤フレームワークを提供する。