深度学习指导的热裂褐藻角质酶工程用于促进PET解聚

有效和可持续的聚合物循环经济需要低二氧化碳排放和高效的回收工艺.聚对苯二甲酸乙二醇酯(PET)的酶解聚是使PET聚合物成为聚合物循环经济一部分的第一步.本文利用基于结构的深度学习模型来识别TfCut2中负责提高水解活性和增强稳定性的残基.机器学习引导设计确定了新的有益位置(L32E,S35E,H77Y,R110L,S113E,T237Q,R245Q和E253H),对其进行评估并逐步重组,最终获得有益变体L32E/S113E/T237Q.与TfCut2WT相比,后一种TfCut2变体表现出更好的PET解聚性能:无定形PET膜,2.9倍的改进;结晶PET粉末(结晶度>40%),5.3倍的改进.就耐热性而言,变体L32E/S113E/T237Q的半灭活温度(T_(50)^(60))增加5.7℃.利用带耗散监测的石英晶体微量天平(QCM-D)实时监测PET水解过程,以研究涂覆在金传感器上的PET解聚动力学.构象动力学分析结果表明,取代诱导了变体L32E/S113E/T237Q的构象变化,其中主要构象使催化位点和PET之间的接触更紧密,促进了PET水解.总之,本文展示了蛋白质工程中深度学习模型在识别和设计高效PET解聚酶方面的潜力.