Multi-objective Engineering of Trimethylamine Monooxygenase for Improved Thermostability and Cofactor Use

Cette étude explore une stratégie d'ingénierie multi-objectif pour améliorer la thermostabilité et la compatibilité avec le cofacteur NADH de la monooxygénase à triméthylamine, révélant que bien que des combinaisons de méthodes permettent de préserver l'activité NADPH après traitement thermique, l'obtention d'une fonction NADH robuste sous contrainte thermique reste un défi majeur.

L'essentiel

🐟 Le Problème : L'odeur de poisson et l'ingrédient cher

Imaginez que vous essayez de transformer des déchets de poisson en une nourriture délicieuse et sans odeur. Le problème ? Ces déchets sentent très fort le poisson (à cause d'une molécule appelée triméthylamine ou TMA). Pour éliminer cette odeur, les scientifiques utilisent une petite machine biologique, une enzyme, qui agit comme un nettoyeur magique. Elle transforme le "mauvais" en "inodore".

Mais il y a deux gros soucis pour utiliser cette machine dans une usine :

1. Elle n'aime pas la chaleur : Comme un œuf qui cuit trop vite, l'enzyme se dégrade quand il fait chaud.
2. Elle est gourmande et chère : Pour fonctionner, elle a besoin d'un "carburant" spécial (un cofacteur) qui coûte très cher et qui se gâte vite. Les scientifiques aimeraient qu'elle utilise un carburant moins cher et plus stable, mais elle refuse de le faire.

🛠️ La Mission : Réparer la machine

L'équipe de chercheurs a pris une version de cette enzyme qui résiste déjà un peu mieux à la chaleur (appelée mFMO_20), mais qui a perdu la capacité d'utiliser le carburant bon marché. Leur mission ? Réparer l'enzyme pour qu'elle soit à la fois solide comme un roc et capable d'utiliser le carburant pas cher.

C'est un peu comme essayer de modifier une voiture de course pour qu'elle soit aussi rapide sur la piste (thermostable) tout en pouvant rouler au diesel bon marché au lieu de l'essence de compétition (NADPH vs NADH).

🧠 L'Approche : Le "Jeu de l'Évolution" assisté par l'IA

Au lieu de deviner au hasard, les chercheurs ont utilisé une stratégie intelligente en trois étapes, un peu comme un entraîneur qui perfectionne un athlète :

1. L'analyse du mouvement (Simulation) :
   Ils ont d'abord regardé comment l'enzyme "tenait" son carburant. Ils ont découvert que, dans la version récalcitrante, le carburant bon marché entrait dans la machine mais se retournait comme un pantalon à l'envers ! Au lieu de s'asseoir correctement pour travailler, il restait bloqué dans une position inutile. C'est comme si vous essayiez de mettre une clé dans une serrure, mais que vous la teniez par le mauvais bout.

2. La première tentative (L'approche directe) :
   Ils ont essayé de forcer la clé à entrer dans le bon sens en modifiant quelques pièces de la serrure. Résultat ? La clé est entrée, mais la machine s'est grippée et ne fonctionnait plus du tout. C'était trop risqué de toucher aux pièces centrales.

3. La deuxième tentative (L'approche de l'évolution) :
   Cette fois, ils ont changé de tactique. Au lieu de toucher au cœur de la machine, ils ont renforcé le châssis (la structure de l'enzyme) en utilisant des mutations que l'on trouve souvent dans la nature (des "copies" de versions stables existantes).

   • Le résultat : Ils ont trouvé des versions plus solides, mais elles n'avaient pas encore la capacité d'utiliser le carburant bon marché.

4. La troisième tentative (Le mélange gagnant) :
   Pour la dernière étape, ils ont utilisé une boîte à outils numérique très puissante. Ils ont combiné :

   • La physique (pour voir si la machine tient bon).
   • L'évolution (pour voir si les modifications ressemblent à ce que la nature a déjà fait).
   • L'intelligence artificielle (pour prédire si la machine va fonctionner).

   C'est comme si un architecte, un biologiste et un robot travaillaient ensemble pour dessiner la voiture parfaite.

🏆 Le Résultat : Un succès partiel mais prometteur

Grâce à cette méthode, ils ont réussi à créer plusieurs versions de l'enzyme :

• La résistance : Certaines versions sont devenues beaucoup plus résistantes à la chaleur que la version précédente. Elles survivent bien mieux à la cuisson !
• Le carburant : L'une d'entre elles a même réussi à utiliser le carburant bon marché (NADH) même après avoir été chauffée. C'est une première !

Cependant, le défi reste immense. La plupart des versions qui utilisent le carburant bon marché ont perdu un peu de leur force, et inversement. C'est un équilibre délicat, comme marcher sur un fil : si vous poussez trop d'un côté (la chaleur), vous perdez l'équilibre de l'autre (l'utilisation du carburant).

💡 La Leçon à retenir

Cette étude nous apprend que la nature est complexe. On ne peut pas simplement changer une pièce pour améliorer une machine ; tout est lié. Pour réussir à créer des enzymes industrielles parfaites, il faut utiliser une approche globale qui combine la physique, l'évolution et l'intelligence artificielle.

Bien qu'ils n'aient pas encore trouvé la "machine parfaite" qui résout tout, ils ont ouvert la voie. Ils ont prouvé qu'il est possible de naviguer entre ces compromis difficiles, ce qui est une étape cruciale pour rendre le recyclage des déchets de poisson plus propre, moins cher et plus efficace pour tout le monde.

Résumé technique

1. Problématique et Contexte

Le traitement des sous-produits marins pour la production d'hydrolysats de protéines est entravé par une odeur de poisson désagréable causée par la triméthylamine (TMA). Une stratégie prometteuse consiste à oxyder la TMA en oxyde de triméthylamine (TMAO), inodore, à l'aide de monooxygénases à flavine (FMO). L'enzyme Methylophaga aminisulfidivorans FMO (mFMO) est particulièrement efficace, mais son application industrielle se heurte à deux limitations majeures :

1. Faible thermostabilité : L'enzyme native se dégrade rapidement à des températures élevées.
2. Dépendance au cofacteur coûteux : L'enzyme native utilise le NADPH, un cofacteur cher et instable. Le NADH, beaucoup moins coûteux, est une alternative idéale, mais l'enzyme native a une activité réduite avec celui-ci, et les variants thermostables précédemment développés (comme mFMO_20, généré par l'algorithme PROSS) ont perdu toute activité avec le NADH.

L'objectif de cette étude est de concevoir des variants de mFMO qui soient à la fois thermostables et compatibles avec le NADH, en résolvant le compromis (trade-off) entre stabilité et activité catalytique.

2. Méthodologie

Les auteurs ont employé une stratégie d'ingénierie multi-objectifs (MOO) combinant des approches computationnelles avancées et une validation expérimentale rigoureuse.

Approches Computationnelles

• Simulations PELE (Protein Energy Landscape Exploration) : Des simulations de type Monte Carlo ont été utilisées pour analyser les modes de liaison du NADH et du NADPH. Elles ont révélé que le variant thermostable mFMO_20 favorise une orientation non productive du NADH (orientation ADE, où l'adénine est proche du FAD) par rapport à l'orientation productive (NTA, où la nicotinamide est proche du FAD).
• Algorithmes Génétiques et Optimisation Multi-Objectifs :
  • Première campagne : Ciblage des résidus du site de liaison pour restaurer l'activité NADH sur le scaffold mFMO_20. Utilisation d'un algorithme génétique optimisant l'énergie totale (stabilité) et l'écart d'énergie de liaison entre les orientations productive et non productive.
  • Deuxième campagne (Approche conservatrice) : Introduction de mutations stabilisantes sur le scaffold wild-type (naturel) en restreignant l'espace de recherche aux substitutions hautement conservées pour préserver la plasticité du cofacteur.
  • Troisième campagne (Approche hybride) : Intégration de scores évolutifs et statistiques (modèles de Potts pour les corrélations de résidus, modèles de langage protéique ESM pour la plausibilité mutationnelle) avec les scores physiques de Rosetta. Cette approche visait à explorer un espace mutationnel plus large tout en respectant les contraintes évolutives.
• Dynamique Moléculaire (MD) : Des simulations à l'échelle de la microseconde (10-20 µs) ont été réalisées pour quantifier l'occupation des géométries catalytiquement compétentes (distance hydride-N5 < 2,7 Å).

Validation Expérimentale

• Expression et purification des variants dans E. coli.
• Tests d'activité enzymatique avec NADH et NADPH, avec et sans traitement thermique (45 °C pendant 30 min).
• Comparaison des performances avec le variant de référence mFMO_20 et l'enzyme sauvage.

3. Résultats Clés

Compréhension Mécanistique

Les simulations ont montré que la perte d'activité NADH dans mFMO_20 est due à un changement conformationnel : sans le groupement phosphate 2' du NADPH pour ancrer le cofacteur, le NADH adopte préférentiellement une orientation non productive (ADE), empêchant le transfert d'hydrure. La rigidité accrue du scaffold thermostable exacerbe ce phénomène.

Performance des Variants

• Première campagne (Ciblage du site actif) : La plupart des variants ont perdu l'activité NADPH. Seuls quelques-uns ont montré une activité NADH résiduelle, mais insuffisante pour une application industrielle.
• Deuxième campagne (Conservation stricte) : Les variants ont bien conservé l'activité NADH et NADPH, mais les gains de thermostabilité étaient modestes par rapport à mFMO_20. Les scores Rosetta ne corrélait pas parfaitement avec la stabilité thermique réelle.
• Troisième campagne (Intégration Potts/ESM/Rosetta) : C'est la campagne la plus réussie.
  • Quatre variants (BSC023, BSC026, BSC029, BSC031) ont surpassé mFMO_20 en termes de rétention d'activité NADPH après chauffage.
  • Le variant BSC029 a retenu 64 % de l'activité NADPH native après chauffage (contre 20 % pour mFMO_20).
  • Le variant BSC025 a été le seul à conserver une activité NADH détectable après traitement thermique, bien que celle-ci reste inférieure à celle de l'enzyme sauvage.

Analyse des Trajectoires Évolutionnaires

L'analyse a révélé que les variants les plus performants apparaissaient tôt dans les générations de l'algorithme génétique (10-20 premières générations), suggérant que les combinaisons mutationnelles optimales sont rapidement trouvées, tandis que les générations tardives accumulent des mutations sans bénéfice significatif, voire délétères.

4. Contributions Principales

1. Preuve de concept pour l'ingénierie multi-objectifs : Démonstration qu'il est possible de naviguer dans le compromis stabilité/activité en combinant des métriques physiques, évolutives et statistiques.
2. Insight mécanistique : Identification du rôle critique de l'orientation du cofacteur (flipping NTA/ADE) et de l'accessibilité des états réactifs dans la détermination de la spécificité et de la stabilité.
3. Supériorité des modèles hybrides : Mise en évidence que l'intégration de modèles de langage (ESM) et de modèles de Potts aux scores physiques (Rosetta) permet de mieux prioriser les variants thermostables compatibles avec le NADH que les approches purement physiques ou purement conservatrices.
4. Découverte de variants supérieurs : Identification de variants (notamment BSC029) qui surpassent l'état de l'art (mFMO_20) en termes de stabilité thermique tout en préservant une activité catalytique.

5. Signification et Perspectives

Cette étude souligne que la spécificité du cofacteur et la thermostabilité sont des contraintes de conception étroitement couplées, régies par la dynamique globale du scaffold et non seulement par des interactions statiques. Bien qu'un variant unique (BSC025) ait réussi à maintenir une activité NADH après chauffage, la tâche reste difficile, indiquant que l'ingénierie enzymatique seule pourrait ne pas suffire à résoudre totalement le problème.

Les auteurs suggèrent que les solutions industrielles viables nécessiteront une approche combinée :

• Une ingénierie enzymatique continue pour élargir la compatibilité aux cofacteurs.
• L'utilisation d'analogues de cofacteurs stabilisés (comme le carba-NADP⁺) pour surmonter les limitations de coût et de stabilité thermique du cofacteur lui-même.

En conclusion, ce travail fournit un cadre robuste pour l'ingénierie d'oxydoréductases, démontrant que l'intégration de l'intelligence artificielle (modèles de langage) et de la modélisation physique est essentielle pour concevoir des biocatalyseurs industriels robustes et économiques.