由于难以探索巨大的序列空间，酶的定向进化往往无法获得理想的突变体。为了从实验室规模上非常有限的突变体中获得活性突变体，机器学习指导的酶工程正成为一种有吸引力的方法。然而，目前为止还没有机器学习指导的黄素单加氧酶（FMO）功能修饰的例子。众所周知，FMO能催化各种氧化反应，并参与许多天然产物的生物合成。因此，机器学习指导的FMO功能增强可以有助于天然产物衍生物的有效开发。

有鉴于此，University of Shizuoka的Kenji Watanabe课题组对一种FMO模式酶羟基苯甲酸羟化酶（PHBH），通过机器学习指导只改变了底物结合位点周围的四个氨基酸残基V47、W185、L199和L210获得了最高活性突变体。

图片来源：ACS Catal.

该机器学习模型使用仅覆盖整个序列空间的约0.1%的小初始库进行训练，并且机器学习预测的第二个库富含活性突变体。第二个文库中活性最高的突变体是PHBH-MWNL（V47M、W185、L199N和L210），其活性是野生型PHBH的100多倍。

图片来源：ACS Catal.

为了阐明PHBH-MWNL活性增强的机制，解析了其与底物4-羟基-3-甲基苯甲酸复合物的晶体结构。在PHBH-MWNL晶体结构中，由于N199与WAT2的氢键作用，观察到缺失的水分子WAT2，这表明L199N突变通过稳定被认为在催化中很重要的质子中继网络，从而实现了其活性大幅提高。

图片来源：ACS Catal.

原文标题：Functional Enhancement of Flavin-Containing Monooxygenase through Machine Learning Methodology

原文作者：Takuma Matsushita, Shinji Kishimoto, Kodai Hara, Hiroshi Hashimoto, Hideki Yamaguchi, Yutaka Saito, and Kenji Watanabe*

ACS Catal. 2024, 14, 6945−6951