Reconstrucción ancestral y evolución dirigida asistida por aprendizaje automático de enzimas

Abstract

En las últimas décadas, el uso de enzimas como biocatalizadores se ha convertido en una tecnología ampliamente utilizada en distintas industrias. Sin embargo, para lograr que estas enzimas puedan desempeñar su papel en aplicaciones específicas, incluso en reacciones que no existen previamente en la naturaleza, se requiere una adaptación previa que permita una mejora de su efectividad y de sus características intrínsecas (niveles de expresión, estabilidad, selectividad, etc). En este póster se presenta un ejemplo desde cero realizado en nuestro grupo sobre el proceso completo de obtención y adaptación de un biocatalizador, en el que se combina la ingeniería clásica de proteínas con novedosas técnicas bioinformáticas y modelización computacional. El proceso comienza con el análisis filogenético de un grupo de enzimas para su clasificación en distintos subgrupos. Las secuencias de los miembros del subgrupo de mayor interés se utilizan para inferir la secuencia de uno de sus ancestros mediante Reconstrucción Ancestral de Enzimas (ASR), el cual es resucitado y expresado en el laboratorio. Este ancestro es punto de partida y sus características se adaptan y mejoran hacia una aplicación específica mediante evolución dirigida. Aquí, la enzima recombinante se somete a rondas iterativas de mutaciones aleatorias que producen una acumulación de mutaciones beneficiosas en su secuencia gracias a un cribado mediante high-throughput screening. Como no es posible inspeccionar el espacio de secuencia por completo en el laboratorio (evaluar todas las posibles variantes que se pueden producir en la mutación simultánea de distintas posiciones en la secuencia de la enzima), el proceso de evolución dirigida se guía mediante Machine Learning (ML). El modelo de ML se entrena para predecir in silico las mutaciones más propensas a mejorar la enzima y estas variantes son las que se expresan y evalúan en el laboratorio