기계 학습과 초고속 스크리닝을 결합하여 고도로 활성화되고 다양한 뉴클레아제 효소의 엔지니어링

초록 새롭고 독특한 화학 환경에서 기능하도록 효소를 최적화하는 것은 합성 생물학의 중심 목표이지만, 최적화는 거칠고 광범위한 단백질 탐색 공간과 비용이 많이 드는 실험에 의해 종종 방해받습니다. 이 작업에서 우리는 TeleProt라는 ML 프레임워크를 제시하며, 이는 진화적 데이터와 실험적 데이터를 혼합하여 다양한 단백질 변형 라이브러리를 설계하고, 만성 상처에 축적되는 생물막을 분해하는 뉴클레아제 효소의 촉매 활성을 향상시키기 위해 이를 사용합니다. TeleProt와 표준 유도 진화(DE) 접근 방식을 병행하여 여러 차례의 고속 실험을 수행한 결과, 우리의 접근 방식이 DE보다 현저하게 더 우수한 최고 성능의 효소 변형을 찾았고, 다양한 고활성 변형을 찾는 데 더 나은 적중률을 보였으며, 이전 실험 데이터를 사용하지 않고도 고성능 초기 라이브러리를 설계할 수 있음을 발견했습니다. 우리는 ML 유도 설계를 위한 추가 발전을 이끌어내기 위해 현재까지 가장 포괄적인 유전자형-표현형 효소 활성 풍경 중 하나인 55K 뉴클레아제 변형 데이터 세트를 공개했습니다.