Enzyme mit spezifischen Funktionen gewinnen in Industrie, Medizin und Umweltschutz immer größere Bedeutung. Sie ermöglichen es etwa, die Synthese von Chemikalien umweltfreundlicher zu machen, Wirkstoffe gezielt herzustellen oder umweltschädliche Stoffe abzubauen. Forschende der Arbeitsgruppe von Gustav Oberdorfer am Institut für Biochemie der TU Graz haben nun gemeinsam mit Kolleg:innen der Universität Graz eine im Wissenschaftsjournal „Nature“ publizierte Studie vorgestellt, die eine neue Methode für das Design maßgeschneiderter Enzyme beschreibt. Die Technologie namens Riff-Diff (Rotamer Inverted Fragment Finder–Diffusion) erlaubt es, die Proteinstruktur erstmals gezielt um das aktive Zentrum herum aufzubauen, anstatt eine passende Struktur aus bestehenden Datenbanken zu suchen. Die resultierenden Enzyme sind nicht nur deutlich aktiver als bisherige artifizielle Enzyme, sondern auch stabiler.
Ermöglicht hat diesen Durchbruch auch die interdisziplinäre Zusammenarbeit zwischen TU Graz und Uni Graz. Mélanie Hall vom Institut für Chemie der Universität Graz bestätigt die Stärke der Kooperation: „Die Einbindung unterschiedlicher Expertisen an der Schnittstelle von Proteinwissenschaft, Biotechnologie und organischer Chemie zeigt, wie entscheidend interdisziplinäre Ansätze für den Fortschritt moderner Biokatalyse sind.“
Hocheffiziente Biokatalysatoren
„Statt das Pferd von hinten aufzuzäumen und Datenbanken danach abzugrasen, welche Struktur zu einem aktiven Zentrum passt, können wir Enzyme für chemische Reaktionen nun effizient und präzise im One-Shot-Verfahren von Grund auf gestalten“, sagt Gustav Oberdorfer, dessen ERC-Projekt HELIXMOLD eine wesentliche Grundlage für diesen Durchbruch war. Erstautor Markus Braun vom Institut für Biochemie der TU Graz ergänzt: „Die jetzt herstellbaren Enzyme sind hocheffiziente Biokatalysatoren, die dank ihrer Stabilität auch in industriellen Umgebungen zum Einsatz kommen können. Das reduziert den bislang notwendigen Screening- und Optimierungsaufwand drastisch und macht das Enzymdesign für die breitere biotechnologische Gemeinschaft zugänglicher.“
Möglich wurde dieser Fortschritt durch neue Entwicklungen im Machine Learning, die das Design wesentlich komplexerer Strukturen erlauben als frühere Verfahren. Riff-Diff kombiniert mehrere generative Machine-Learning-Modelle mit atomistischer Modellierung. Zunächst werden strukturelle Motive von Proteinen rund um ein aktives Zentrum platziert, anschließend generiert das mit Proteindaten trainierte Modell RFdiffusion die vollständige Proteinmolekülstruktur. Dieses Gerüst verfeinern die Forschenden mittels weiterer Modelle Schritt für Schritt, sodass die chemisch aktiven Elemente hochpräzise darin platziert sind – in hochauflösenden Strukturen wurde eine Präzision auf Angström-Niveau (1 Angström entspricht 0,1 Nanometer) erreicht.
Abkürzung für die Evolution
Wie gut die Methode funktioniert, bestätigte das Team erfolgreich im Labor: Bereits aus 35 getesteten Sequenzen konnten aktive Enzyme für unterschiedliche Reaktionstypen erzeugt werden. Die neuen Katalysatoren waren bedeutend schneller als frühere computergestützte Designs. Zudem zeigten die neuen Enzyme eine hohe thermische Stabilität und blieben fast alle bis über 90 Grad Celsius gefaltet, was besonders für den Einsatz im industriellen Bereich relevant ist. Erstautor Adrian Tripp vom Institut für Biochemie der TU Graz sagt: „Die Natur bringt durch Evolution zwar selbst eine große Zahl an Enzymen hervor, doch das braucht Zeit. Mit unserem Ansatz können wir diesen Prozess massiv beschleunigen und so dazu beitragen, industrielle Prozesse nachhaltiger zu machen, gezielte Enzymtherapien zu entwickeln und die Umwelt sauberer zu halten.“
⇒ Publikation: Computational enzyme design by catalytic motif scaffolding
