Enginyeria de proteïnes
L'enginyeria de proteïnes és el procés de desenvolupar proteïnes útils o valuoses mitjançant el disseny i la producció de polipèptids no naturals, sovint alterant les seqüències d'aminoàcids que es troben a la natura.[1] És una disciplina jove, amb molta recerca en la comprensió del plegament de proteïnes i el reconeixement dels principis de disseny de proteïnes. S'ha utilitzat per millorar la funció de molts enzims per a la catàlisi industrial.[2] També és un mercat de productes i serveis, amb un valor estimat de 168.000 milions de dòlars el 2017.[3]
Hi ha dues estratègies generals per a l'enginyeria de proteïnes: el disseny racional de proteïnes i l'evolució dirigida. Aquests mètodes no són mútuament excloents; els investigadors sovint aplicaran tots dos. En el futur, un coneixement més detallat de l'estructura i la funció de les proteïnes, i els avenços en el cribratge d'alt rendiment, poden ampliar considerablement les capacitats de l'enginyeria de proteïnes. Finalment, fins i tot es podrien incloure aminoàcids no naturals, mitjançant mètodes més nous, com ara el codi genètic expandit, que permeten codificar nous aminoàcids en el codi genètic. Les aplicacions en nombrosos camps, inclosa la medicina i el bioprocessament industrial, són àmplies i nombroses.
Enfocaments
Disseny racional
En el disseny racional de proteïnes, un científic utilitza un coneixement detallat de l'estructura i la funció d'una proteïna per fer els canvis desitjats. En general, això té l'avantatge de ser econòmic i tècnicament fàcil, ja que els mètodes de mutagènesi dirigida estan ben desenvolupats. Tanmateix, el seu principal inconvenient és que el coneixement estructural detallat d'una proteïna sovint no està disponible i, fins i tot quan està disponible, pot ser molt difícil predir els efectes de diverses mutacions, ja que la informació estructural sovint proporciona una imatge estàtica de l'estructura d'una proteïna. Tanmateix, programes com Folding@home i Foldit han utilitzat tècniques proveïment participatiu ( crowdsourcing) per obtenir informació sobre els motius de plegament de les proteïnes.[4]
Els algorismes de disseny computacional de proteïnes busquen identificar noves seqüències d'aminoàcids que tinguin un baix contingut d'energia quan es pleguen a l'estructura objectiu preespecificada. Tot i que l'espai de conformació de seqüència que cal cercar és gran, el requisit més difícil per al disseny computacional de proteïnes és una funció energètica ràpida, però precisa, que pugui distingir les seqüències òptimes de les subòptimes similars.
Alineació de seqüències múltiples

Sense informació estructural sobre una proteïna, l'anàlisi de seqüències sovint és útil per elucidar informació sobre la proteïna. Aquestes tècniques impliquen l'alineació de les seqüències de proteïnes diana amb altres seqüències de proteïnes relacionades. Aquest alineament pot mostrar quins aminoàcids es conserven entre espècies i són importants per a la funció de la proteïna. Aquestes anàlisis poden ajudar a identificar aminoàcids de punts calents que poden servir com a llocs diana per a mutacions. L'alineació de seqüències múltiples utilitza bases de dades com ara PREFAB, SABMARK, OXBENCH, IRMBASE i BALIBASE per tal de creuar les seqüències de proteïnes diana amb seqüències conegudes. A continuació es llisten les tècniques d'alineació de seqüències múltiples.[5]
Anàlisi coevolutiva
L'anàlisi coevolutiva també es coneix com a mutació correlacionada, covariació o cosubstitució. Aquest tipus de disseny racional implica canvis evolutius recíprocs en loci que interactuen evolutivament. Generalment, aquest mètode comença amb la generació d'alineacions de seqüències múltiples curades per a la seqüència objectiu. Aquesta alineació se sotmet a un refinament manual que implica l'eliminació de seqüències amb buits elevats, així com de seqüències amb baixa identitat de seqüència. Aquest pas augmenta la qualitat de l'alineació. A continuació, l'alineació processada manualment s'utilitza per a mesures coevolutives posteriors mitjançant algoritmes de mutació correlacionada diferents. Aquests algoritmes donen com a resultat una matriu de puntuació de coevolució. Aquesta matriu es filtra aplicant diverses proves de significació per extreure valors de coevolució significatius i eliminar el soroll de fons. Les mesures coevolutives s'avaluen més a fons per avaluar el seu rendiment i rigor. Finalment, els resultats d'aquesta anàlisi coevolutiva es validen experimentalment.[6]
Predicció estructural
La generació de novo de proteïnes es beneficia del coneixement de les estructures de proteïnes existents. Aquest coneixement de l'estructura de proteïnes existent ajuda a la predicció de noves estructures de proteïnes. Els mètodes per a la predicció de l'estructura de proteïnes es divideixen en una de les quatre classes següents: ab initio, mètodes basats en fragments, modelització d'homologia i enfilat de proteïnes.[7]
Enllaç multivalent
La unió multivalent es pot utilitzar per augmentar l'especificitat i l'afinitat d'unió a través d'efectes d'aviditat. Tenir múltiples dominis d'unió en una sola biomolècula o complex augmenta la probabilitat que es produeixin altres interaccions a través d'esdeveniments d'unió individuals. L'aviditat o l'afinitat efectiva pot ser molt més alta que la suma de les afinitats individuals, proporcionant una eina rendible i eficaç en termes de temps per a la unió dirigida.[8]
Evolució dirigida
En l'evolució dirigida, la mutagènesi aleatòria, per exemple, mitjançant PCR propensa a errors o mutagènesi per saturació de seqüències, s'aplica a una proteïna i s'utilitza un règim de selecció per seleccionar variants que tinguin els trets desitjats. A continuació, s'apliquen rondes addicionals de mutació i selecció. Aquest mètode imita l'evolució natural i, en general, produeix resultats superiors al disseny racional. Un procés afegit, anomenat barreja d'ADN, barreja i combina peces de variants reeixides per produir millors resultats. Aquests processos imiten la recombinació que es produeix naturalment durant la reproducció sexual. Els avantatges de l'evolució dirigida són que no requereix coneixements estructurals previs d'una proteïna, ni cal poder predir quin efecte tindrà una mutació determinada. De fet, els resultats dels experiments d'evolució dirigida sovint són sorprenents, ja que els canvis desitjats sovint són causats per mutacions que no s'esperava que tinguessin cap efecte. L'inconvenient és que requereixen un cribratge d'alt rendiment, que no és factible per a totes les proteïnes. Cal mutar grans quantitats d'ADN recombinant i analitzar els productes per detectar els trets desitjats. El gran nombre de variants sovint requereix equips robòtics cars per automatitzar el procés. A més, no totes les activitats desitjades es poden detectar fàcilment.
Mètodes asexuals
Els mètodes asexuals no generen cap enllaç creuat entre els gens parentals. Es fan servir gens individuals per crear biblioteques mutants mitjançant diverses tècniques mutagèniques. Aquests mètodes asexuals poden produir mutagènesi aleatòria o focalitzada.
Mètodes sexuals
Els mètodes sexuals d'evolució dirigida impliquen la recombinació in vitro, que imita la recombinació natural in vivo. Generalment, aquestes tècniques requereixen una alta homologia de seqüència entre les seqüències parentals. Aquestes tècniques s'utilitzen sovint per recombinar dos gens parentals diferents, i aquests mètodes creen encreuaments entre aquests gens.
Barrejant exons
La barreja d'exons és la combinació d'exons de diferents proteïnes mitjançant esdeveniments de recombinació que es produeixen als introns. La barreja d'exons ortòlegs implica la combinació d'exons de gens ortòlegs de diferents espècies. La barreja de dominis ortòlegs implica la barreja de dominis proteics sencers de gens ortòlegs de diferents espècies. La barreja d'exons paràlegs implica la barreja d'exons de diferents gens de la mateixa espècie. La barreja de dominis paràlegs implica la barreja de dominis proteics sencers de proteïnes paràlogues de la mateixa espècie. La barreja d'homòlegs funcionals implica la barreja de dominis no homòlegs que estan relacionats funcionalment. Tots aquests processos es duen a terme amb l'amplificació dels exons desitjats de diferents gens mitjançant oligonucleòtids sintètics quimèrics. Aquests productes d'amplificació es tornen a muntar en gens de longitud completa mitjançant PCR sense encebadors. Durant aquests cicles de PCR, els fragments actuen com a plantilles i encebadors. Això dóna lloc a gens quimèrics de longitud completa, que després se sotmeten a cribratge.[9]
Disseny semiracional
El disseny semiracional utilitza informació sobre la seqüència, l'estructura i la funció d'una proteïna, juntament amb algoritmes predictius. Junts, aquests s'utilitzen per identificar els residus d'aminoàcids diana que tenen més probabilitats d'influir en la funció de les proteïnes. Les mutacions d'aquests residus d'aminoàcids clau creen biblioteques de proteïnes mutants que tenen més probabilitats de tenir propietats millorades.[10]
Els avenços en l'enginyeria enzimàtica semiracional i el disseny enzimàtic de novo ofereixen als investigadors marcs eficients per a la manipulació de biocatalitzadors. La integració d'enfocaments basats en seqüències i estructures en el redisseny d'enzims ha demostrat reduir significativament les iteracions de variants, eliminant la necessitat d'anàlisi d'alt rendiment. Tanmateix, els mètodes computacionals de novo i de redisseny actuals són inferiors a les variants evolucionades en el rendiment catalític. Per tancar aquesta bretxa, s'espera que els refinaments dels algoritmes de disseny, com ara la integració de la dinàmica de les proteïnes en futures simulacions, millorin encara més la precisió en les prediccions d'estructura i millorin la capacitat catalítica.[11]
Tècniques de cribratge i selecció
Un cop una proteïna ha experimentat una evolució dirigida, disseny de ració o disseny de semi-ració, les biblioteques de proteïnes mutants s'han de cribrar per determinar quins mutants mostren propietats millorades. Els mètodes de visualització en fags són una opció per cribrar proteïnes. Aquest mètode implica la fusió de gens que codifiquen els polipèptids variants amb gens de proteïnes de la recobriment del fag. Les variants de proteïnes expressades a les superfícies del fag es seleccionen mitjançant la unió amb objectius immobilitzats in vitro. Els fags amb variants de proteïnes seleccionades s'amplifiquen en bacteris, seguit de la identificació de clons positius mitjançant un assaig immunosorbent lligat a enzims. Aquests fags seleccionats se sotmeten a seqüenciació d'ADN.[12]
Exemples de proteïnes modificades
S'han utilitzat mètodes informàtics per dissenyar una proteïna amb un plegament nou, com ara Top7,[13] i sensors per a molècules no naturals.[14] L'enginyeria de proteïnes de fusió ha produït el rilonacept, un fàrmac que ha obtingut l'aprovació de la Food and Drug Administration (FDA) per al tractament de la síndrome periòdica associada a la criopirina.
Un altre mètode informàtic, l'IPRO, va dissenyar amb èxit el canvi d'especificitat del cofactor de la xilosa reductasa de Candida boidinii.[15] El redisseny i l'optimització iterativa de proteïnes (IPRO) redissenya les proteïnes per augmentar o donar especificitat a substrats i cofactors nadius o nous. Això es fa pertorbant repetidament i aleatòriament l'estructura de les proteïnes al voltant de posicions de disseny especificades, identificant la combinació de rotàmers amb energia més baixa i determinant si el nou disseny té una energia d'enllaç inferior a les anteriors. La naturalesa iterativa d'aquest procés permet a l'IPRO fer mutacions additives a una seqüència de proteïnes que milloren col·lectivament l'especificitat cap als substrats i/o cofactors desitjats.[15]
El disseny assistit per computació també s'ha utilitzat per dissenyar propietats complexes d'un assemblatge de nanoproteïnes altament ordenat.[16] Una gàbia de proteïnes, la bacterioferritina d'E. coli (EcBfr), que mostra naturalment inestabilitat estructural i un comportament d'autoassemblatge incomplet poblant dos estats d'oligomerització, és la proteïna model en aquest estudi. Mitjançant l'anàlisi computacional i la comparació amb els seus homòlegs, s'ha descobert que aquesta proteïna té una interfície dimèrica més petita que la mitjana en el seu eix de simetria doble a causa principalment de l'existència d'una bossa d'aigua interfacial centrada en dos residus d'asparagina amb pont d'aigua. Per investigar la possibilitat d'enginyeria d'EcBfr per a una estabilitat estructural modificada, s'utilitza un mètode computacional semiempíric per explorar virtualment les diferències d'energia dels 480 possibles mutants a la interfície dimèrica en relació amb l'EcBfr de tipus salvatge. Aquest estudi computacional també convergeix en les asparagines amb pont d'aigua. La substitució d'aquestes dues asparagines per aminoàcids hidrofòbics dóna lloc a proteïnes que es pleguen en monòmers d'hèlix alfa i s'acoblen en gàbies, tal com ho demostren el dicroisme circular i la microscòpia electrònica de transmissió. Tant la desnaturalització tèrmica com la química confirmen que totes les proteïnes redissenyades, d'acord amb els càlculs, posseeixen una major estabilitat. Una de les tres mutacions desplaça la població a favor de l'estat d'oligomerització d'ordre superior en solució, tal com ho demostren tant la cromatografia d'exclusió de mida com l'electroforesi en gel natiu.[16]
Es va desenvolupar un mètode in silico, PoreDesigner,[17] per redissenyar la proteïna del canal bacterià (OmpF) per reduir-ne l'1 mida de porus de nm a qualsevol dimensió sub-nm desitjada. Els experiments de transport en els porus dissenyats més estrets van revelar un rebuig complet de la sal quan es van muntar en matrius de polímer de bloc biomimètiques.
Referències
- ↑ «Protein engineering – Latest research and news | Nature» (en anglès). www.nature.com. [Consulta: 24 gener 2023].
- ↑ Woodley, John M. (en anglès) Trends in Chemistry, 4, 5, 5-2022, p. 371–373. DOI: 10.1016/j.trechm.2022.02.007.
- ↑ «Speeding Up the Protein Assembly Line». , 13-02-2015. Arxivat 7 April 2020[Date mismatch] a Wayback Machine.
- ↑ Farmer, Tylar Seiya; Bohse, Patrick; Kerr, Dianne Journal of Student Research, 6, 2, 2017, p. 31–38. DOI: 10.47611/jsr.v6i2.377 [Consulta: free].
- ↑ Poluri, Krishna Mohan. Protein Engineering Techniques (en anglès). Springer, 2017 (SpringerBriefs in Applied Sciences and Technology). DOI 10.1007/978-981-10-2732-1. ISBN 978-981-10-2731-4.
- ↑ Poluri, Krishna Mohan. Protein Engineering Techniques (en anglès). Springer, 2017 (SpringerBriefs in Applied Sciences and Technology). DOI 10.1007/978-981-10-2732-1. ISBN 978-981-10-2731-4.
- ↑ Poluri, Krishna Mohan. Protein Engineering Techniques (en anglès). Springer, 2017 (SpringerBriefs in Applied Sciences and Technology). DOI 10.1007/978-981-10-2732-1. ISBN 978-981-10-2731-4.
- ↑ Liu, Cassie J. & Cochran, Jennifer R. (2014), Cai, Weibo, ed., "Engineering Multivalent and Multispecific Protein Therapeutics", Engineering in Translational Medicine (Springer): 365–396, ISBN 978-1-4471-4372-7, doi:10.1007/978-1-4471-4372-7_14, <https://doi.org/10.1007/978-1-4471-4372-7_14>. Consulta: 8 desembre 2021
- ↑ Poluri, Krishna Mohan. Protein Engineering Techniques (en anglès). Springer, 2017 (SpringerBriefs in Applied Sciences and Technology). DOI 10.1007/978-981-10-2732-1. ISBN 978-981-10-2731-4.
- ↑ Lutz, Stefan Current Opinion in Biotechnology, 21, 6, 12-2010, p. 734–743. Bibcode: 2010COBt...21..734L. DOI: 10.1016/j.copbio.2010.08.011. PMC: 2982887. PMID: 20869867.
- ↑ Lutz, Stefan Current Opinion in Biotechnology, 21, 6, 12-2010, p. 734–743. Bibcode: 2010COBt...21..734L. DOI: 10.1016/j.copbio.2010.08.011. PMC: 2982887. PMID: 20869867.
- ↑ Poluri, Krishna Mohan. Protein Engineering Techniques (en anglès). Springer, 2017 (SpringerBriefs in Applied Sciences and Technology). DOI 10.1007/978-981-10-2732-1. ISBN 978-981-10-2731-4.
- ↑ Kuhlman, Brian; Dantas, Gautam & Ireton, Gregory C. et al. (2003), "Design of a Novel Globular Protein Fold with Atomic-Level Accuracy", Science 302 (5649): 1364–1368, DOI 10.1126/science.1089427
- ↑ Looger, Loren L.; Dwyer, Mary A. & Smith, James J. et al. (2003), "Computational design of receptor and sensor proteins with novel functions", Nature 423 (6936): 185–190, DOI 10.1038/nature01556
- 1 2 Khoury, GA & Fazelinia, H (October 2009), "Computational design of Candida boidinii xylose reductase for altered cofactor specificity", Protein Science, DOI 10.1002/pro.227
- 1 2 Ardejani, MS; Li, NX & Orner, BP (April 2011), "Stabilization of a Protein Nanocage through the Plugging of a Protein–Protein Interfacial Water Pocket", Biochemistry 50 (19): 4029–4037, DOI 10.1021/bi200207w
- ↑ Chowdhury, Ratul; Ren, Tingwei; Shankla, Manish; Decker, Karl; Grisewood, Matthew Nature Communications, 9, 1, 10-09-2018, p. 3661. Bibcode: 2018NatCo...9.3661C. DOI: 10.1038/s41467-018-06097-1. PMC: 6131167. PMID: 30202038.