酶工程数据库(EnzEngDB):共享和解读蛋白质工程序列-功能关系的创新平台

《Nucleic Acids Research》:Enzyme Engineering Database (EnzEngDB): a platform for sharing and interpreting sequence–function relationships across protein engineering campaigns

【字体: 大 中 小 】 时间:2025年12月09日 来源:Nucleic Acids Research 13.1

编辑推荐:

  本刊推荐:为解决酶工程(尤其是机器学习指导的工程)中数据缺乏、数据集分散且缺乏标准化分析工具的问题,研究人员开发了酶工程数据库(EnzEngDB)。该平台提供集中式数据资源与在线分析工具,整合了酶工程活动中的序列-功能数据,支持数据沉积、可视化分析及自动化文献挖掘,并建立了首个针对酶工程活动的大语言模型提取流程基准数据集。这一资源有望加速酶发现与工程设计,推动生物经济发展。

  
酶作为生物催化剂,在食品、制药、传感器及农业等生物经济领域扮演着关键角色。随着酶工程技术的进步,尤其是定向进化(DE)和机器学习(ML)引导的设计,研究人员能够改造酶以催化非天然反应(如卡宾和氮宾转移),甚至提升其在工业条件下的稳定性。然而,酶工程实践面临一个核心瓶颈:数据匮乏且高度分散。大多数实验产生的大规模序列-功能数据因测序成本高、分析工具不统一而未能得到充分解读或共享,往往被封存在各个实验室中,限制了机器学习模型的训练与工程策略的优化。现有公共数据库(如UniProtKB、BRENDA)主要关注天然酶及其EC(酶学委员会)分类,缺乏对非天然反应、负向变异数据以及工程活动中常用指标(如产率、周转数TTN、选择性)的系统收录。尽管ProtBank允许突变数据沉积,但其并非酶特异性资源,也缺乏针对酶工程的分析功能。此外,科学文献中蕴含丰富的酶工程数据,但提取这些非结构化信息面临挑战,现有自动化提取工具(如Enzyme Co-Scientist、EnzyExtract)主要聚焦于动力学常数(kcat、KM、kcat/KM),忽略了序列-功能图谱等其他关键信息。因此,开发一个能够统一链接酶序列、化学反应转化和定量性能数据的平台,对于加速酶发现、提高可重复性以及支持数据驱动的酶工程设计至关重要。
为了应对这一挑战,由加州理工学院等机构的研究团队在《Nucleic Acids Research》上发表了酶工程数据库(Enzyme Engineering Database, EnzEngDB)。该数据库是一个开源平台,集成了数据库沉积、交互式网络分析工具以及自动化数据提取管道,专门用于整合酶工程活动中的序列-功能数据。其核心在于每个记录都包含反应的规范SMILES(简化分子线性输入规范)表示、全长酶序列以及定量性能指标(如产率、TTN、选择性),特别关注自然界中不存在的转化反应,以填补现有资源的空白。
研究人员为构建EnzEngDB采用了多项关键技术方法。首先,通过手动收集和清理来自同行评审研究(主要是本实验室过去十年的工作)的数据,建立了一个包含6,234个序列-功能条目的黄金标准数据集,确保了数据的一致性。其次,开发了一个基于大语言模型(LLM)的四步自动提取流程(使用Gemini 2.5 Flash模型),从PubMed检索的相关文献中提取序列、反应SMILES和性能指标,并进行了人工验证。此外,利用Python的Plotly Dash框架开发了交互式网站,集成Mol*用于蛋白质结构可视化,RDKit用于化学反应描述,BioPython用于序列处理,并支持用户上传符合特定格式的CSV数据。数据库还提供了私有和公共实例,支持数据本地分析和公开共享。
数据集整合结果
EnzEngDB当前版本整合了多种来源的数据。手动整理的黄金标准数据集涵盖40篇论文,包含6,234个条目,涉及血红素蛋白和色氨酸合酶等6个蛋白质支架,催化卡宾、氮宾和缩合等635种反应,其中许多反应与EnzymeMap中的反应相似度较低,显示了其独特性。此外,数据库还收录了组合突变和ML引导设计的数据,包括447,759个天然反应条目。自动提取流程从133篇论文中成功提取了2,415个条目,覆盖818个蛋白质变体和1,078个反应,虽然LLM提取减少了 curation 时间,但64%的提取结果仍需人工干预校正,凸显了专家验证的必要性。
交互式实验仪表板
EnzEngDB网站提供了一个交互式仪表板,将父序列、实验元数据、反应SMILES和可操作的蛋白质结构集成在单一视图中。用户可以通过可排序的变体表格查看突变、标准化适应度值(相对于父代的折叠变化)等,点击表格行可在3D模型上高亮突变残基并自动缩放至局部环境,从而直观分析序列取代的结构效应。该功能减少了研究人员使用多个脚本或软件进行分析的负担,加快了从数据到假设的转化。
数据库浏览与查询
用户可以通过网络界面查询和比较所有活动。数据库支持序列相似性搜索,帮助识别不同活动中可能改善功能的突变。例如,对球蛋白氮宾转移谱系的搜索发现了一个活性位点取代能增强选择性,但在其他球蛋白项目中尚未探索,这为工程目标提供了线索。数据库还允许按实验名称、序列同一性百分比、反应SMILES或测定类型过滤结果,便于跨活动比较。
私有与公共实例
为鼓励参与,EnzEngDB设置了私有和公共实例。私有实例提供完整的可视化和格式化功能,支持研究人员在本地存储和分析数据;公共实例用于数据发表后的沉积。公共数据集可关联DOI、唯一ID和可下载的BibTeX文件,确保数据使用时的正确归属。
结论与讨论
EnzEngDB通过提供一个数据沉积中心、交互式可视化工具和标准化数据格式,解决了酶工程领域数据零散、分析工具不足的核心问题。其框架围绕氨基酸序列、适应度值和适应度类型构建,能容纳多种测定输出,支持包括负向结果在内的数据共享,从而为机器学习模型提供平衡的数据集,降低实验负担。研究还建立了首个用于酶工程数据自动提取的基准数据集,尽管LLM提取显示出潜力,但当前仍依赖专家验证,强调了社区采用标准报告格式的重要性。
未来,社区广泛参与数据沉积、开发与更多测序方法(如LevSeq之外)的集成以及改进自动化提取流程,将推动EnzEngDB成为一个更全面的资源。这一平台有望桥接资源密集型实验与数据驱动的工程方法,促进酶工程领域的可重复性、数据访问和创新发展。数据库及相关代码可通过http://enzengdb.org/和GitHub(https://github.com/ssec-jhu/levseq-dash)访问。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号