《首次实现跨膜孔蛋白的精确从头设计》

  • 来源专题:生物科技领域知识集成服务
  • 编译者: 陈方
  • 发布时间:2020-09-10
  • 2020年8月26日Nature报道,西湖大学生命科学学院研究员卢培龙课题组与华盛顿大学David Baker等课题组合作,成功设计了由两层ɑ螺旋同心环组成的2种跨膜孔蛋白,分别可以选择性通透不同分子尺寸以及带电性质的溶质。该研究是世界上首次实现跨膜孔蛋白的精确从头设计。
    研究人员通过对ɑ螺旋结构进行参数化设计,设计了由12个螺旋和16个螺旋组成的水溶性形式的孔蛋白。实验证明孔蛋白性质非常稳定,并具有与计算设计模型相一致的三维结构。在此基础上,研究人员设计了相应的跨膜孔蛋白。12螺旋跨膜通道蛋白可以特异性选择通透某一种离子(钾离子)。16螺旋跨膜纳米孔蛋白可以通透分子量约为1000道尔顿的荧光分子(12螺旋通道蛋白则不能),可作为筛选分子的工具。研究人员还解析了16螺旋跨膜纳米孔蛋白的冷冻电镜结构,与设计模型非常一致,证明了所开发的从头设计方法的准确性。
    该研究是世界上第一次实现对跨膜孔蛋白质的精确从头设计,有助于更好地理解物质跨膜转运,为人工设计具有重要功能的跨膜蛋白质奠定了坚实的基础。这也为人工蛋白质后续可能的应用打开了大门,有望为纳米孔基因测序、分子检测等生物技术提供新的检测手段。
    吴晓燕 编译自:https://www.nature.com/articles/s41586-020-2646-5
    原文标题:Computational design of transmembrane pores

相关报告
  • 《首次实现跨膜β桶的从头设计》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2021-03-08
    • 首次实现跨膜β桶的从头设计 跨膜蛋白具有丰富且关键的生物学作用,但是人工从头设计的难度非常大。2021年2月19日Science报道,美国华盛顿大学David Baker团队描述了8层跨膜β桶膜蛋白(TMB)的计算设计方案,使用迭代方法实现了23个候选设计。该研究加深了对TMB折叠和结构特性的理解,为设计定制化纳米孔结构提供基础,有望为单分子传感和测序提供重要工具。 研究者通过一系列设计-构建-测试周期,提取TMB折叠的关键原理。与其他类别蛋白质不同,局部不稳定序列对于TMB的表达和折叠至关重要,并且折叠过程中通过双层转移的β-turns必须不稳定以确保在膜中正确组装。β发夹的过早形成可能会导致脱靶的β折叠结构与适当的膜插入和折叠竞争,因此TMB的β发夹必须设计为仅在膜插入之前短暂形成。在脂质双层的疏水环境中,完整的TMB可以组装,因为面向膜的非极性残基反而与脂质发生了良好的相互作用。当TMB组装时,β发夹通过与相邻β链的相互作用而稳定。 研究者设计了可成功折叠并组装成去污剂胶束和脂质双层的TMB序列。其中两个设计具有很高的稳定性,与大肠杆菌tOmpA的跨膜结构域相比,可以更快,可逆地折叠成脂质体。两种不同设计的核磁共振溶液结构和高分辨率晶体结构与设计模型紧密匹配,这表明此处开发的TMB设计方法可以生成原子级精度的新结构。 该研究阐明了跨膜β桶从头设计的关键原则,涉及对β桶结构和β发夹设计的限制,以及局部和全局序列特征。研究为从下至上阐明TMB折叠以及与细胞外膜折叠和插入机制相互作用的分子机制提供起点,TMB精度设计为定制针对诸如单分子传感和测序等应用量身定制的纳米孔打开了大门。 吴晓燕 编译自https://phys.org/news/2021-02-pore-like-proteins.html 原文链接:https://science.sciencemag.org/content/371/6531/eabc8182.full 原文标题:De novo design of transmembrane β barrels
  • 《深度学习助力蛋白的设计》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2020-09-11
    • 蛋白设计通常有两种方法:“定向进化”是指随机改变编码天然蛋白质的氨基酸构件的基因序列,筛选具有所需活性的变体;“合理设计”是根据蛋白质3D结构对其进行建模,以识别可能影响蛋白质功能的氨基酸。然而,定向进化只能触及庞大数量蛋白质序列中的一小部分,而合理设计则需要对蛋白质3D结构进行艰难的解析。 2019年10月21日Nature Methods报道,哈佛大学Wyss生物启发工程研究所和哈佛医学院的研究人员创建了第三种蛋白质设计方法,利用深度学习直接从氨基酸序列中预测蛋白质基本特征。研究结果显示,该方法准确地预测了天然和从头设计的蛋白质功能,将大量工作转移给计算机,与现有方法相比,可将成本降低两个数量级。 研究人员将这个神经网络方法命名为“统一表示”(unified representation,UniRep),在大约三周的时间内,研究者对UniRep进行了约2400万个蛋白质序列的训练,以关联蛋白质序列及其特性,包括蛋白质稳定性、二级结构以及蛋白质内部序列对周围溶剂的可及性等。结果UniRep准确地描述了来自不同的蛋白质家族的蛋白质的这些特征,包括那些已经被研究清晰解析的蛋白质,以及自然界中不存在的蛋白质。 该团队进一步将UniRep作为研究工具,预测单个氨基酸取代如何影响蛋白质功能。该神经网络以多种生物学功能(包括酶催化、DNA结合、分子传感)可靠地预测8种不同蛋白质中单个氨基酸突变影响。此外,研究者使用绿色荧光蛋白作为模型,利用UniRep分析了该蛋白的64,800个变异体,每个变异体带有1~12个突变,结果UniRep准确地预测了突变的分布及其对蛋白质亮度的影响。 研究者表示,这种基于深度学习的蛋白质工程计算方法具有加速合成蛋白质设计的潜力,该方法可以针对任何所需应用量身定制蛋白质功能,可用于治疗、诊断、生物制造、生物催化及其他应用。 吴晓燕 编译自https://phys.org/news/2019-10-proteins-language.html 原文链接:https://www.nature.com/articles/s41592-019-0598-1                                  原文标题:Unified rational protein engineering with sequence-based deep representation learning