De Novo Design von Hochleistungs-Sec-Typ-Signalpeptiden über eine hybride Deep-Learning-Architektur

Das rationale Design von Signalpeptiden stellt einen grundlegenden Engpass in der Biotechnologie dar, bei dem die Sequenzoptimierung direkt die Effizienz der Proteinsekretion und die industrielle Skalierbarkeit beeinflusst. Aktuelle Ansätze basieren überwiegend auf natürlichen Varianten oder empirischen Mutationen, was den zugänglichen Sequenzraum einschränkt und Leistungssteigerungen limitiert. Hier entwickeln wir das SPgo-Berechnungsframework, das diese Einschränkungen überwindet, indem es regelbasierte Domänenassemblierung mit einem Transformer-unterstützten tiefen generativen Modell kombiniert, um das Design von Sec-Typ-Signalpeptiden zu unterstützen. Unsere hybride Architektur konstruiert optimale N- und C-terminale Regionen durch biophysikalische Einschränkungen und setzt eine BERT-LSTM-Pipeline ein, um umfassende Sequenzlandschaften im kritischen hydrophoben Kern zu erkunden. Strenge Validierung einer Vielzahl von Protein-Zielen, von fluoreszierenden Proteinen bis hin zu industriellen Enzymen und bioaktiven Peptiden, zeigte, dass SPgo-designtes Sequenzen konstant besser abschnitten als natürliche Sequenzen. Besonders bemerkenswert ist, dass SPgo die sekretorische Produktion von Schlangengiftpeptiden mit einem bisher unerreichten Ertrag von 154 mg/L erreichte, was eine 150-fache Steigerung des Zielproteinertrags pro Kultureinheit im Vergleich zur traditionellen intrazellulären Expression darstellt und zuvor schwer zu handhabende Ziele in tragfähige biotechnologische Plattformen verwandelte. Diese Arbeit etabliert ein neues Paradigma für das computergestützte Protein-Design und bietet unmittelbare Anwendungen in der Biomanufactur, während sie das ungenutzte Potenzial von künstlichem Sequenzraum offenbart, um natürliche evolutionäre Lösungen zu übertreffen. Die SPgo-Framework-Daten sind auf GitHub zu finden (https://github.com/lzlinn801/SPgo).