[논문 리뷰] Strangers in a foreign land: 'Yeastizing' plant enzymes

Kristen Van Gelder, Steffen N. Lindner외 2명|arXiv (Cornell University)|2024. 03. 19.

Plant and animal studiesAgricultural and Biological Sciences인용 수 3

한 줄 요약

이 논문은 자연적 변이로부터 일반화 가능한 서열 규칙을 도출함으로써 식물 효소를 효모에서 최적의 기능을 할 수 있도록 재설계하는 기계학습 파이프라인을 제안한다. 효소 가족 전반에 걸쳐 데이터 기반의 효모 적응 패턴을 활용함으로써, 효소 불일치성의 고질적인 문제를 해결하고, 효모에서 식물 대사 경로를 스케일업하고 비용 효율적으로 공 ing하는 것이 가능해진다.

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.

연구 동기 및 목표

• 효모 기반 미생물 세포 공장에서 식물 효소의 낮은 발현과 기능 불량 문제를 해결하기 위해.
• 식물 경로 공학을 위한 현재 필수적인 효소별 최적화가 고된 노동을 요구하는 문제를 해결하기 위해.
• 기능적인 효모 효소와 식물 효소를 구분하는 일반화 가능한 서열 특징을 규명하기 위해.
• 기계학습을 활용해 식물 효소의 효모 적응 변종을 예측하는 계산 기반 파이프라인을 개발하기 위해.
• 합성 생물학 응용을 위해 설계-구축-시험 사이클 전반에 모델를 통합하기 위해.

제안 방법

• 다양한 효소 가족을 대상으로 식물 효소와 효모 효소 간의 자연적 서열 변이를 활용해 공통된 적응 패턴을 추출한다.
• 정제된 단백질 서열 데이터를 기반으로 기계학습 모델을 훈련시켜 기능적 호환성을 예측하는 '효모화' 규칙을 학습한다.
• 아미노산 조성, 구조적 안정성, 세포소기관 표적화 모티프와 같은 일반화 가능한 특징에 집중한다.
• 식물 효소 서열을 입력으로 받아 효모 최적화 변종을 출력하는 계산 기반 파이프라인을 설계한다.
• 실험적 테스트와 피드백 루프를 통합해 예측을 반복적으로 개선한다.
• 이식 학습과 특징 공학을 적용해 다양한 효소 가족에 걸쳐 모델의 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 다양한 효소 가족에서 효모 효소와 그 식물 동족 효소를 구분하는 서열 특징은 무엇인가?
• RQ2 자연적 서열 변이로부터 일반화 가능한 '효모화' 규칙을 추출해 기능적 적응을 예측할 수 있는가?
• RQ3 데이터 기반 기계학습 접근법이 식물 효소를 효모에서 기능적으로 향상시키기 위해 재설계하는 데 얼마나 효과적인가?
• RQ4 이 프레임워크는 전체 식물 대사 경로의 고속 공학을 지원하는 데 스케일업 가능한가?
• RQ5 모델는 합성 생물학을 위한 폐쇄형 설계-구축-시험 사이클에 어떻게 통합될 수 있는가?

주요 결과

• 식물 효소와 효모 효소는 효소 가족 전반에서 명확하고 일반화 가능한 서열 특징을 보이며, 자연적 적응 패턴을 나타낸다.
• 기계학습 프레임워크는 효모에서의 기능적 호환성과 관련된 공통된 서열 규칙을 성공적으로 식별한다.
• 제안된 파이프라인은 효소별 최적화 없이도 스케일업되고 비용 효율적인 식물 효소 재설계를 가능하게 한다.
• 이 접근법은 효소 가족 전반에 걸쳐 일반화 가능하므로 대사 경로 공학에 광범위하게 적용 가능하다.
• 모델를 설계-구축-시험 사이클에 통합하는 것은 실현 가능하며 합성 생물학 워크플로우의 가속화에 기여할 수 있다.
• 본 연구는 미생물 세포 공장에서의 호환성 장벽을 극복하기 위한 기초 프레임워크를 제공한다.