Ingénierie d'enzymes nucléases hautement actives et diverses en combinant l'apprentissage automatique et le criblage ultra-haut débit

Résumé L'optimisation des enzymes pour fonctionner dans de nouveaux environnements chimiques est un objectif central de la biologie synthétique, mais l'optimisation est souvent entravée par un espace de recherche protéique vaste et rugueux et des expériences coûteuses. Dans ce travail, nous présentons TeleProt, un cadre d'apprentissage automatique qui mélange des données évolutives et expérimentales pour concevoir des bibliothèques de variantes protéiques diverses, et l'employons pour améliorer l'activité catalytique d'une enzyme nucléase qui dégrade les biofilms s'accumulant sur les plaies chroniques. Après plusieurs séries d'expériences à haut débit utilisant à la fois TeleProt et des approches d'évolution dirigée standard (DE) en parallèle, nous constatons que notre approche a trouvé une variante enzymatique de premier plan significativement meilleure que DE, a eu un meilleur taux de réussite dans la recherche de variantes diverses et à haute activité, et a même pu concevoir une bibliothèque initiale à haute performance sans données expérimentales antérieures. Nous avons publié un ensemble de données de 55K variantes de nucléases, l'un des paysages d'activité enzymatique génotype-phénotype les plus étendus à ce jour, pour favoriser des progrès supplémentaires dans la conception guidée par l'apprentissage automatique.