От пивоварения до очистки загрязнений и создания новых лекарств — ферменты являются крошечными молекулярными машинами, которые делают возможной современную биотехнологию. При этом многие ферменты разборчивы: они эффективно работают с одним соединением, но почти не взаимодействуют с близкими родственниками по структуре. Другие более гибкие и способны перерабатывать целые семейства сходных молекул. В этом исследовании поставлен на первый взгляд простой, но важный вопрос: как небольшие генетические изменения превращают «универсальный» фермент, принимающий множество субстратов, в «специалиста», предпочитающего лишь один — и как мы можем целенаправленно управлять этим превращением?
Изучение фермента-перестройщика
Исследователи сосредоточились на естественно промискуитетной D-аминокислотной оксидазе (DAOx), которая участвует в расщеплении строительных блоков белков. Этот фермент уже действует на несколько родственных D-аминокислот, которые незначительно различаются по размеру и гидрофильности/гидрофобности. Такая универсальность делает DAOx привлекательной для промышленной химии и потенциальных противораковых терапий, но также порождает вопрос: что именно в структуре фермента определяет, какие из похожих молекул он предпочитает? Традиционная структурная биология дает статичные снимки, но они не показывают, как тысячи возможных мутаций по всей длине фермента изменяют его предпочтения.
Чтобы решить эту задачу, команда использовала платформу, которую они ранее разработали, — «enzyme proximity sequencing» (EP-Seq). В этой системе каждый вариант DAOx отображается на поверхности дрожжевой клетки. Когда фермент перерабатывает субстрат, он генерирует перекись водорода, что запускает химическую реакцию, фиксирующую флуоресцентные метки на поверхности той же клетки. Более яркие клетки содержат более активный фермент. Сортируя клетки по уровню флуоресценции, ученые разделяли миллионы клеток на бинны по яркости для каждого из пяти различных D-аминокислотных субстратов. Затем они секвенировали ДНК-штрихкоды, чтобы узнать, какие мутации присутствовали в каждом бине, тем самым переводя флуоресценцию в количественную «оценку приспособленности» для того, насколько хорошо каждый мутант фермента работал с каждым субстратом.
Картирование ландшафта специфичности
Этот подход дал около 40 000 измерений, охватывающих примерно 6 500 уникальных вариантов DAOx, каждый протестированный на пяти субстратах. Сравнивая эффективность по субстратам, исследователи определили «оценку специфичности», отражающую, насколько сильно мутация смещает фермент в сторону одного субстрата и прочь от другого. Удивительно, но мутации, изменяющие выбор субстрата, не ограничивались активным центром, где происходит химия; напротив, они распределялись почти по половине позиций фермента. Изменения прямо у активного центра вызывали драматические сдвиги предпочтений, но часто замедляли общую реакцию, тогда как более отдалённые изменения мягко корректировали предпочтения с лишь незначительным влиянием на активность. Это выявляет два разных пути к специфичности: решительная перестройка каталитического кармана с ценой в виде потери активности или тонкая дальнодействующая настройка, сохраняющая функцию.
Как размер и заряд формируют выбор Figure 2.
Углубившись, команда измерила традиционные кинетические параметры для вручную отобранных мутантов и сравнила их с результатами высокопроизводительного сканирования. Они обнаружили сильное совпадение, подтвердив, что их метрика специфичности действительно отражает, насколько эффективно каждый вариант фермента перерабатывает разные субстраты. Многие из наиболее селективных мутантов действуют, исключая «неправильные» молекулы, а не сильнее захватывая «правильные». Например, увеличение объёма у входа в туннель субстрата благоприятствовало наименьшему субстрату, D-аланину, блокируя более крупные молекулы. Другие мутации изменяли локальные электрические заряды, чтобы лучше принимать гидрофильные субстраты, такие как D-аспарагин и D-глутамин, одновременно отталкивая гидрофобные. Удивительно, что некоторые мутации, удалённые от активного центра, действовали как скрытые регуляторы, тонко перестраивая внутренние взаимодействия и смещая выбор субстрата без серьёзного ущерба для активности.
Создание лучших катализаторов из модульных изменений
Поскольку многие мутации влияли на специфичность комплементарными способами, исследователи затем спросили, можно ли их сочетать для создания высокоточных ферментов. В нескольких случаях сочетание двух мутаций, каждая из которых сдвигала фермент в сторону определённого субстрата, давало ещё более выраженного специалиста, иногда усиливая предпочтение более чем в 200 раз по сравнению с исходным ферментом. Один вариант стал фактически эксклюзивным для D-глутамина, субстрата, с которым дикий тип фермента едва взаимодействовал. Другие комбинации направляли DAOx в сторону объёмных гидрофобных субстратов или, напротив, маленьких, в зависимости от того, как совместно настраивались стерическое затруднение и заряд. Эти результаты показывают, что специфичность можно проектировать модульно, складывая мутации, чьи эффекты суммируются или усиливают друг друга.
Что это значит для будущего дизайна ферментов
Проще говоря, эта работа превращает запутанную задачу — предсказать, как бесчисленные возможные мутации изменяют предпочтения фермента — в измеримый ландшафт. Систематически связывая активность фермента с последовательностью ДНК, платформа EP-Seq выявляет, какие участки белка являются основными переключателями выбора субстрата, а какие служат ручками тонкой настройки. Исследование демонстрирует, что часто в эволюции и в лаборатории проще сделать ферменты более селективными, блокируя нежелательные реакции, чем радикально усиливать желаемые. Это понимание, вместе с обширным общедоступным набором данных, предоставляет дорожную карту для проектирования индивидуальных биокатализаторов и для обучения моделей искусственного интеллекта предсказывать и инженерить специфичность ферментов с гораздо большей уверенностью.
Цитирование: Vanella, R., Boult, S., Küng, C. et al. Decoding the substrate specificity landscape of a promiscuous enzyme through multi-substrate mutational scanning.
Nat Commun17, 3245 (2026). https://doi.org/10.1038/s41467-026-69913-z
