Data‐Driven Protein Engineering for Improving Catalytic Activity and Selectivity - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue ChemBioChem Année : 2023

Data‐Driven Protein Engineering for Improving Catalytic Activity and Selectivity

Ingénierie des protéines guidée par l'analyse de données pour améliorer leur activité et leur sélectivité catalytiques

Résumé

Protein engineering is essential for altering the substrate scope, catalytic activity and selectivity of enzymes for applications in biocatalysis. However, traditional approaches, such as directed evolution and rational design, encounter the challenge in dealing with the experimental screening process of a large protein mutation space. Machine learning methods allow the approximation of protein fitness landscapes and the identification of catalytic patterns using limited experimental data, thus providing a new avenue to guide protein engineering campaigns. In this concept article, we review machine learning models that have been developed to assess enzyme-substrate-catalysis performance relationships aiming to improve enzymes through data-driven protein engineering. Furthermore, we prospect the future development of this field to provide additional strategies and tools for achieving desired activities and selectivities.
L'ingénierie des protéines est essentielle pour modifier le champ d'application de ces dernières vis à vis des substrats qu'elles peuvent transformer, de leur activité catalytique et leur sélectivité notamment pour des applications en biocatalyse. Toutefois, les approches traditionnelles, telles que l'évolution dirigée et la conception rationnelle, se heurtent à la difficulté de traiter le processus de criblage expérimental d'un vaste espace de mutations des protéines. Les méthodes d'apprentissage automatique permettent l'approximation du champs des possibles concernant la modification des protéines et l'identification des modèles catalytiques associés en utilisant des données expérimentales limitées, offrant ainsi une nouvelle voie pour guider les campagnes d'ingénierie des protéines. Dans cet article conceptuel, nous passons en revue les modèles d'apprentissage automatique qui ont été développés pour évaluer les relations de performance enzyme-substrat-catalyse dans le but d'améliorer les enzymes par le biais de l'ingénierie des protéines guidée par les données. En outre, nous envisageons le développement futur de ce domaine afin de fournir des stratégies et des outils supplémentaires pour atteindre les activités et les sélectivités souhaitées.
Fichier principal
Vignette du fichier
Ao et al_Data-Driven Protein Engineering for Improving Catalytic Activity and Selectivity.pdf (3.1 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-04403286 , version 1 (18-01-2024)

Identifiants

Citer

Yu‐fei Ao, Mark Dörr, Marian J Menke, Stefan Born, Egon Heuson, et al.. Data‐Driven Protein Engineering for Improving Catalytic Activity and Selectivity. ChemBioChem, 2023, ⟨10.1002/cbic.202300754⟩. ⟨hal-04403286⟩
9 Consultations
15 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More