近日，北京理工大學生命學院霍毅欣團隊在1區(qū)TOP期刊《Journal of Advanced Research》發(fā)表題為“Design of strictly orthogonal biosensors for maximizing renewable biofuel overproduction”的研究文章。本研究通過開發(fā)一種基于機器學習的設計方法，解決了信號分子濫交和工業(yè)正交性之間的關系，以轉錄因子BmoR為例，利用該方法成功地縮小了BmoR的改造區(qū)域，極大地加快了獲得理想突變體的速度，為合成生物學和生物制造的高度特定工具的理性設計提供了一個新的范例。該工作以北京理工大學為第一通訊單位，2020級博士生毋彤為第一作者，陳振婭長聘副教授和霍毅欣教授為共同通訊作者。

目前，轉錄因子（Transcription factor, TF）工程依賴于隨機突變與高通量篩選相結合，而較大區(qū)域的突變會一定程度破壞轉錄因子的功能，同時一些非功能性的突變體的存在降低了有效突變體的篩選效率。將改造重心集中在控制信號分子正交性、靈敏度和檢測范圍的功能區(qū)域上，可以有效提高獲得理想突變體的速率?；诖?，識別這些關鍵區(qū)域?qū)τ诟咝гO計高性能轉錄因子至關重要。人工智能推動了合成生物學和代謝工程的進步，特別是機器學習在蛋白質(zhì)和酶工程中的應用。將高通量篩選與機器學習相結合，可以加速評估大量突變體性能的速度，從而顯著減少實驗的工作量和成本?；诖耍狙芯拷⒘嘶跈C器學習的半理性設計策略，通過定位影響B(tài)moR與信號分子結合的關鍵區(qū)域?qū)moR進行半理性設計，實現(xiàn)BmoR對特定信號分子嚴格特異性響應（圖1）。

圖1 基于機器學習的半理性設計BmoR

以BmoR為例，本研究開發(fā)了一種量化轉錄激活因子影響的方法，以此指導具有精確信號分子識別能力的突變體的設計。利用隨機森林算法建立機器學習輔助的半理性設計策略，通過搭建準確度為88.5%的預測模型，精準定位了三個顯著影響B(tài)moR與信號分子特異性結合的關鍵區(qū)域，共計36個氨基酸殘基（圖2）。

圖2 機器學習驅(qū)動的識別影響信號分子特異性的CRR區(qū)域

通過對這三個關鍵區(qū)域進行半理性設計，成功實現(xiàn)了BmoR對同分異構體和結構類似物的嚴格區(qū)分。本研究通過測定BmoR與信號分子間的親和力進一步證明了BmoR突變體對正戊醇或異戊醇的嚴格特異性響應。通過模擬分析BmoR突變前后六聚體結構的變化揭示了影響B(tài)moR識別信號分子的關鍵殘基。隨后，利用對異戊醇嚴格特異性響應的生物傳感系統(tǒng)，該工作成功篩選到一株異戊醇高產(chǎn)菌株，實現(xiàn)12.6 g/L異戊醇的生物合成，為迄今為止的最高產(chǎn)量。該方法將機器學習與分子模擬相結合，以優(yōu)化轉錄因子改造工程，展示了解決轉錄因子的信號分子濫交，并提高了生物傳感器的檢測精度。

圖3 利用對異戊醇嚴格特異性響應的生物傳感系統(tǒng)篩選異戊醇高產(chǎn)菌株

此項工作得到國家自然科學基金委、河北省自然科學基金委和唐山市科技計劃項目的資助，以及北京理工大學生物與醫(yī)學工程公共實驗中心的支持。

原文鏈接：https://doi.org/10.1016/j.jare.2025.09.015

來源：北京理工大學