跳到正文
bioRxiv· Hardy, F. J.; Crawshaw, R.; Dider, C.; Kohn, A. R.; Gallois, F. J.; Lauko, A.; Pellock, S. J.; Kalvet, I.; Green, A. P.; Baker, D.·· 来源仅提供日期精选AI 评分77

用 RFdiffusion-AA 与 LigandMPNN 从头设计选择性光酶

Holistic Design of Selective Photoenzymes with Genetically Programmed Sensitizers

AI 导读

研究团队用深度学习设计方法 RFdiffusion-AA 和 LigandMPNN 从头设计光酶,把作为非天然氨基酸引入的二苯甲酮光敏剂精确安置在喹诺酮底物旁,并由形状互补性高的口袋引导激发态中间体的反应性。

推荐理由

研究给出了从头设计光酶的流程和 99% e.e. 的立体控制数据,读者可据此了解深度学习设计改变生物催化选择性的路径。

预印本 · biorxiv · 10.64898/2026.10.16.759720

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

将新的催化元件以基因编程方式引入蛋白质,极大地拓展了工程酶可实现的化学反应范围,最近开发的带有有机光敏剂的能量转移光酶便是例证。然而,迄今为止,人工光催化位点的开发一直依赖于利用定向进化对天然蛋白进行大量改造,这限制了结构的多样性和可控性。在此,我们利用深度学习设计方法 RFdiffusion-AA 和 LigandMPNN 生成了从头设计的光酶,这些光酶将作为非天然氨基酸引入的二苯甲酮光敏剂精确定位在喹诺酮底物旁边,而底物被保持在一个形状互补度很高的口袋中,以引导激发态中间体的反应性。这些设计促进了热力学禁阻的 [2+2] 环加成反应,并具有出色的立体控制(99% e.e.)和区域控制(9:1 r.r.),底物结合的 X 射线晶体结构与设计模型高度吻合,关键活性位点特征均按预期编程实现。由于我们的流程不依赖于输入的手性,我们通过搭建镜像对称的催化位点,成功设计出了对映互补的光酶(98% e.e.,>20:1 r.r.)。这项工作表明,深度学习设计方法为实现立体选择性光酶提供了一条快速且通用的途径。

来源:bioRxiv · biorxiv.org