文章导读
你是否想过，AI不仅能写代码，还能“设计”生命？北理工霍毅欣团队最新研究用机器学习精准锁定转录因子BmoR的36个关键氨基酸，实现对异戊醇的严格特异性识别，突破生物传感器信号“滥交”难题。该方法将突变效率大幅提升，助力筛选出产能达12.6 g/L的高产菌株，创下异戊醇生物合成新纪录。这项融合AI预测与分子模拟的半理性设计策略，不仅加速了高性能生物传感器的构建，更为合成生物学提供了一套可复制的智能改造范式。
— 内容由好学术AI分析文章内容生成，仅供参考。
近日，北京理工大学生命学院霍毅欣团队在1区TOP期刊《Journal of Advanced Research》发表题为“Design of strictly orthogonal biosensors for maximizing renewable biofuel overproduction”的研究文章。本研究通过开发一种基于机器学习的设计方法，解决了信号分子滥交和工业正交性之间的关系，以转录因子BmoR为例，利用该方法成功地缩小了BmoR的改造区域，极大地加快了获得理想突变体的速度，为合成生物学和生物制造的高度特定工具的理性设计提供了一个新的范例。该工作以北京理工大学为第一通讯单位，2020级博士生毋彤为第一作者，陈振娅长聘副教授和霍毅欣教授为共同通讯作者。
目前，转录因子（Transcription factor, TF）工程依赖于随机突变与高通量筛选相结合，而较大区域的突变会一定程度破坏转录因子的功能，同时一些非功能性的突变体的存在降低了有效突变体的筛选效率。将改造重心集中在控制信号分子正交性、灵敏度和检测范围的功能区域上，可以有效提高获得理想突变体的速率。基于此，识别这些关键区域对于高效设计高性能转录因子至关重要。人工智能推动了合成生物学和代谢工程的进步，特别是机器学习在蛋白质和酶工程中的应用。将高通量筛选与机器学习相结合，可以加速评估大量突变体性能的速度，从而显著减少实验的工作量和成本。基于此，本研究建立了基于机器学习的半理性设计策略，通过定位影响BmoR与信号分子结合的关键区域对BmoR进行半理性设计，实现BmoR对特定信号分子严格特异性响应（图1）。
图1 基于机器学习的半理性设计BmoR
以BmoR为例，本研究开发了一种量化转录激活因子影响的方法，以此指导具有精确信号分子识别能力的突变体的设计。利用随机森林算法建立机器学习辅助的半理性设计策略，通过搭建准确度为88.5%的预测模型，精准定位了三个显著影响BmoR与信号分子特异性结合的关键区域，共计36个氨基酸残基（图2）。
图2 机器学习驱动的识别影响信号分子特异性的CRR区域
通过对这三个关键区域进行半理性设计，成功实现了BmoR对同分异构体和结构类似物的严格区分。本研究通过测定BmoR与信号分子间的亲和力进一步证明了BmoR突变体对正戊醇或异戊醇的严格特异性响应。通过模拟分析BmoR突变前后六聚体结构的变化揭示了影响BmoR识别信号分子的关键残基。随后，利用对异戊醇严格特异性响应的生物传感系统，该工作成功筛选到一株异戊醇高产菌株，实现12.6 g/L异戊醇的生物合成，为迄今为止的最高产量。该方法将机器学习与分子模拟相结合，以优化转录因子改造工程，展示了解决转录因子的信号分子滥交，并提高了生物传感器的检测精度。
图3 利用对异戊醇严格特异性响应的生物传感系统筛选异戊醇高产菌株
此项工作得到国家自然科学基金委、河北省自然科学基金委和唐山市科技计划项目的资助，以及北京理工大学生物与医学工程公共实验中心的支持。
霍毅欣团队在BmoR生物传感元件的改造与应用已发表多篇高水平文章，例如Advanced Science, 2025, 2413205:1-18; Advanced Science, 2024, 2310215:1-17.；ACS Sensors, 2024, 9(10):5002-5024; Chemical Engineering Journal, 2024, 491: 152076；Microbial Cell Factories, 2019, 18: 30；Metabolic Engineering, 2019, 56: 28-38；ACS Synthetic Biology, 2022, 11: 1251-1260。
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
暂无评论...