[论文解读] 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 3

一句话总结

本文提出了一种机器学习流程以实现植物酶的'酿酒酵母化'——通过从自然变异中识别可泛化的序列规则，对植物酶进行重新设计，使其在酿酒酵母中实现最佳功能。通过利用跨酶家族的数据驱动酿酒酵母适应模式，该框架实现了在酿酒酵母中可扩展、低成本的植物代谢途径工程，克服了合成生物学平台中酶不相容性的瓶颈。

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.

研究动机与目标

• 为解决植物酶在基于酿酒酵母的微生物细胞工厂中表达差、功能弱的问题。
• 克服当前在酿酒酵母中进行植物途径工程所需的劳动密集型、酶特异性的优化方法。
• 识别可泛化的序列特征，以区分功能性的酿酒酵母酶与植物酶。
• 开发一种计算流程，利用机器学习预测植物酶的酿酒酵母适应型变体。
• 将模型整合到合成生物学应用的完整设计-构建-测试循环中。

提出的方法

• 利用多个酶家族中植物酶与酿酒酵母酶之间的自然序列变异，提取保守的适应模式。
• 在整理后的蛋白质序列数据上训练机器学习模型，以学习预测功能相容性的'酿酒酵母化'规则。
• 聚焦于可泛化的特征，如氨基酸组成、结构稳定性以及亚细胞定位基序。
• 设计一种计算流程，输入植物酶序列并输出酿酒酵母优化型变体。
• 将模型与实验测试结合，形成反馈回路，以迭代方式优化预测结果。
• 应用迁移学习与特征工程，以提升模型在多样化酶家族中的泛化能力。

实验结果

研究问题

• RQ1 在多样化的酶家族中，哪些序列特征可区分功能性的酿酒酵母酶与其植物同源物？
• RQ2 能否从自然序列变异中提取出可泛化的'酿酒酵母化'规则，以预测功能适应性？
• RQ3 数据驱动的机器学习方法在重新设计植物酶以提升其在酿酒酵母中的功能方面有多有效？
• RQ4 该框架能否扩展以支持整个植物代谢途径的高通量工程？
• RQ5 如何将该模型整合到合成生物学的闭环设计-构建-测试循环中？

主要发现

• 植物酶与酿酒酵母酶在多个酶家族中表现出截然不同且可泛化的序列特征，表明存在自然适应的模式。
• 机器学习框架成功识别出与酿酒酵母中功能相容性相关的保守序列规则。
• 所提出的流程实现了可扩展、低成本的植物酶重新设计，且无需进行酶特异性优化。
• 该方法在酶家族间具有泛化能力，表明其在代谢途径工程中具有广泛适用性。
• 将模型整合到设计-构建-测试循环中是可行的，且可加速合成生物学工作流程。
• 本研究为克服微生物细胞工厂中宿主不相容性的障碍提供了基础性框架。