📄 bioengineering

Megascale recombination generates millions of catalytically competent PETases

这项研究表明，对十种细菌 PETase 序列进行超大规模重组可以产生数百万种多样化且具有催化能力的嵌合酶，证明了大规模序列重组是一种可扩展且有效的蛋白质工程策略，并与现代高通量筛选技术相兼容。

原作者： Heinzelman, P., Nisonoff, H., Busia, A., Listgarten, J., Romero, P. A.

发布于 2026-09-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Heinzelman, P., Nisonoff, H., Busia, A., Listgarten, J., Romero, P. A.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

蛋白质是驱动生命的微观机器，它们折叠成复杂的形状以执行特定任务，例如分解食物或构建细胞。几十年来，试图改进这些机器的科学家们一直依赖一种试错法，即对蛋白质的代码进行微小的、随机的修改，并寄希望于找到更好的版本。这种方法在进行微调时效果良好，但在目标是创造全新的东西或探索所有可能蛋白质形状的广阔景观时，却显得力不从心。一种更强大的策略涉及重组，即科学家从不同的、天然存在的蛋白质中剪切并粘贴大型 DNA 片段，以创建杂交版本。虽然这种方法可以产生巨大的多样性，但一个悬而未决的问题是，这些像“弗兰肯斯坦”式的杂交体是否仍能发挥功能。如果混合了过多来自不同来源的部分，这台机器会崩溃，还是依然能够运转？

杜克大学和加州大学伯克利分校的一个研究小组致力于通过构建一个规模前所未有的酶杂交库来回答这个问题。他们专注于一种名为 PETase 的特定类型的蛋白质，这种蛋白质天生就能“吃掉”塑料，他们将这种酶的十种不同细菌版本的遗传片段结合在一起。通过将来自这十个亲本的十个截然不同的 DNA 模块缝合在一起，他们创建了一个理论上包含一百亿种独特组合的库。核心挑战不仅在于制造出这数十亿种变体，还在于找到其中仍能发挥作用的那极少数。为了实现这一目标，科学家们使用酵母细胞作为微型工厂，将蛋白质展示在它们的表面。随后，他们引入了一种特殊的化学探针，这种探针只粘附在工作的酶的活性中心。如果探针附着上了，就意味着该杂交蛋白质已成功折叠成具有功能性工作部分的形状，尽管它是用来自十个不同祖先的碎片制造的。

结果令人震惊。尽管每种杂交酶与最接近其天然亲本相比都有数十处变化，但库中数十亿种变体中仍有约 2% 显示出具有功能的迹象。这个微小的百分比相当于在庞大的库中估计隐藏了一亿个工作的酶。研究人员随后使用分选机将工作的酵母与不工作的酵母分离出来，使活性酶的群体在单轮筛选中从 2% 增加到了 60% 以上。这证明了这些酶并不需要与其亲本近乎完全相同才能发挥功能；它们可以具有显著的差异，却依然保持其工作能力。

为了确认这些发现并非酵母展示系统的误差，团队将最有希望的杂交体在细菌（另一种类型的细胞）中进行表达，以观察它们是否可以在标准的实验室环境中进行纯化和测试。他们使用一种测量酶分解塑料类物质能力的液体测试法，筛选了 50 个顶尖候选者。几种杂交酶的表现与原始天然酶一样好，甚至更好。研究人员随后纯化了其中表现最好的三种，以精确测量它们的活性。这些纯化的酶是十个不同亲本的马赛克，它们保留了有效分解底物的能力。这项研究表明，工作的酶并非都是单一完美设计的克隆；相反，它们代表了多种不同的遗传组合，这表明自然界有许多不同的方式来解决同一个问题。

这项工作表明，科学家现在可以生成并筛选规模足以匹配现代高通量筛选技术的蛋白质库。通过证明大规模重组不会破坏功能，这项研究为探索此前因风险过高而无法涉足的广阔蛋白质空间打开了大门。它表明，发现新酶或改进现有酶的路径并不需要从零开始或进行微小的、增量式的改变。相反，通过将来自不同来源的大型遗传代码片段进行混合与搭配，仍然可以找到工作的解决方案。这种方法提供了一种可扩展的方式，用于生成训练计算机模型所需的海量数据，有望引导发现能够应对严峻环境挑战或执行自然界尚未发明的新化学反应的酶。

技术摘要：大规模重组产生数百万个具有催化能力的 PETase

问题陈述
蛋白质工程正向依赖于机器学习和高通量筛选（HTS）技术的以数据为中心的学科转型，这些技术能够评估数百万甚至数十亿个变体。然而，存在一个关键瓶颈：大多数实验库仅通过点突变在序列空间的狭窄局部区域进行采样，无法匹配现代筛选能力的规模。虽然基于重组的策略提供了产生大幅度序列变化并保持结构兼容性的潜力，但目前尚不清楚当库的大小接近百万到十亿量级时，高度重组的酶是否仍能保持催化能力。以往的重组库规模通常远低于当前高通量筛选技术所能触及的水平，这导致在理解功能多样性能否在超大规模（megascale）下得以维持方面存在空白。

方法论
为了解决这一问题，作者利用十种细菌 PETase（聚对苯二甲酸乙二醇酯水解酶）作为亲本序列，构建了一个“超大规模”重组库。

库设计： 作者将 Ideonella sakaiensis PETase 的催化结构域划分为十个连续的序列模块。这些模块的设计采用了结构感知分析，旨在最大限度地减少对分子内接触的破坏，同时最大化序列多样性。选择十种亲本酶的依据是它们涵盖了广泛的序列多样性（两两身份一致性为 56–78%），同时保留了典型的 $\alpha/\beta$ -水解酶折叠。
组装策略： 采用了一种模块化的 Golden Gate 组装策略。针对十个块位置，分别合成了源自十种亲本的 DNA 片段。这些片段分两阶段进行组装：首先构建两个“半库”（模块 1–5 和 6–10），每个半库的理论多样性为 $10^5$ 。随后将这两个半库连接，创建一个理论多样性达 $10^{10}$ 种独特嵌合序列的全库。
筛选平台： 该库被展示在 Saccharomyces cerevisiae（酿酒酵母）的表面。功能筛选利用荧光磷酸酮（FP）探针，该探针能共价标记反应性丝氨酸残基，这是丝氨酸水解酶具有催化能力的标志。这使得通过流式细胞术（FACS）并行测量表面表达量和催化能力成为可能。
下游验证： 通过 FACS 富集的变体被转移至 E. coli 进行可溶性表达。通过在粗提裂解液和纯化酶制剂中分别使用可溶性显色替代底物（p-硝基苯基丁酸酯）来评估活性。通过深度测序（Oxford Nanopole）对未分选和分选后的群体进行分析，以研究重组模式和序列多样性。

关键结果

高频率的功能变体： 尽管库中的变体相对于其最接近的亲本可能存在数十个氨基酸替换，但约 2% 的采样酵母展示变体表现出 FP 反应性。鉴于其理论多样性，这表明该库包含估计达 $10^8$ 个具有催化能力的酶。
成功富集： 单轮 FACS 分选将 FP 反应性变体的比例从约 2% 提高到了总酵母群体的 >60%。
序列多样性与重组模式： 深度测序显示，功能群体保持了高度的多样性，其中位两两汉明距离（Hamming distance）为 51。没有任何单一的亲本序列在富集群体中占据主导地位；相反，催化能力是从多个不同的亲本片段组合中涌现出来的。富集模式分布在整个酶结构上，而非局限于单个区域。
可溶性活性： 对 E. coli 裂解液中 50 个富集变体的二次筛选证实，多个嵌合体在 p-硝基苯基丁酸酯上保留了显著的酯酶活性。三种性能最佳的变体（PETase-R1, R2, R3）经纯化后，其酶归一化活性与野生型 I. sakaiensis PETase 相当或更高。
库质量： 测序验证确认了 >99% 的分析构建体均为全长嵌合体，不存在插入、缺失或残留的限制性酶切位点。

意义与主张
本文证明了大规模重组可以产生数百万个多样且具有催化能力的酶，并与现代高通量筛选工作流相兼容。作者声称，这项工作确立了基于重组的多样性生成作为一种可扩展的蛋白质工程策略，弥合了库设计与筛选能力之间的差距。

作者强调的关键意义包括：

可扩展性： 重组可以有效地扩展到百万至十亿变体量级，同时保持实质性的功能序列比例。
数据生成： 该方法为生成广泛分布于序列空间的大规模序列-功能数据集奠定了基础，这对于训练能够预测远程上位效应（epistatic interactions）的机器学习模型至关重要。
实用性： 该方法所需的实验基础设施相对简单（标准的 Golden Gate 组装和合成基因块），并且可以推广到其他酶家族。

作者对局限性保持了谦逊的态度，指出 FP 探针测量的是催化丝氨酸的反应能力，而非直接的 PET 水解能力，且 p-硝基苯基丁酸酯是一种替代底物。此外，实验仅对理论上的 $10^{10}$ 空间进行了极小部分的采样。尽管如此，大量活性可溶性嵌合体的回收表明，在更广泛的重组景观中确实存在着广泛的功能多样性。

类似论文