Forschende der Technischen Universität Graz und der Universität Graz haben eine neue Technologie entwickelt, mit der artifizielle Biokatalysatoren konstruiert werden können. Diese Enzyme sind schneller, stabiler und vielseitiger einsetzbar als bisherige künstliche Varianten. Die Methode namens Riff-Diff baut die Proteinstruktur gezielt um das aktive Zentrum herum auf, anstatt passende Strukturen aus Datenbanken zu suchen. Die Ergebnisse erschienen in der Fachzeitschrift Nature und versprechen Fortschritte in Industrie, Medizin und Umweltschutz.

Enzyme gewinnen in der Chemieproduktion, Arzneimittelherstellung und Umweltreinigung zunehmend an Bedeutung. Sie ermöglichen umweltfreundlichere Synthese von Chemikalien, gezielte Wirkstoffproduktion und Abbau schädlicher Stoffe. Bisherige artifizielle Enzyme waren oft instabil und weniger effizient. Die neue Technologie nutzt Machine-Learning-Modelle, um komplexe Strukturen zu entwerfen. Zunächst werden strukturelle Motive um das aktive Zentrum platziert, dann generiert das mit Proteindaten trainierte Modell die vollständige Molekülstruktur. Weitere Modelle verfeinern das Gerüst, sodass chemisch aktive Elemente präzise positioniert werden – mit einer Genauigkeit auf Angström-Niveau.

Die Methode ermöglicht ein One-Shot-Verfahren, bei dem Enzyme für spezifische Reaktionen effizient gestaltet werden. Labortests zeigten, dass aus 35 Sequenzen aktive Enzyme für verschiedene Reaktionstypen entstanden. Diese Katalysatoren waren aktiver als frühere computergestützte Designs und hielten Temperaturen über 90 Grad Celsius stand, was sie für industrielle Anwendungen geeignet macht. Der Screening- und Optimierungsaufwand sinkt drastisch, was das Enzymdesign für die Biotechnologie zugänglicher macht.

Der Durchbruch basiert auf Fortschritten im Machine Learning, die komplexere Strukturen ermöglichen. Die Technologie kombiniert generative Modelle mit atomistischer Modellierung. Strukturelle Motive werden um das aktive Zentrum platziert, das Modell generiert das Protein, und weitere Schritte optimieren es. Die resultierenden Enzyme sind thermisch stabil und bleiben bei hohen Temperaturen gefaltet.

Die interdisziplinäre Zusammenarbeit zwischen den Universitäten unterstreicht den Wert an der Schnittstelle von Proteinwissenschaft, Biotechnologie und organischer Chemie. Die Methode beschleunigt den evolutionären Prozess der Natur und ermöglicht schnelle Anpassung an industrielle Bedürfnisse. Sie könnte Prozesse nachhaltiger gestalten, Therapien verbessern und Umweltschäden mindern.

Das ERC-Projekt Helixmold bildete dabei eine wesentliche Grundlage. Die Forscher sehen Potenzial für breitere biotechnologische Anwendungen. Die Enzyme sind hocheffizient und stabil, was sie für harte industrielle Umgebungen qualifiziert. Die Studie reduziert den Aufwand für Optimierung und macht Design zugänglicher. Die Ergebnisse könnten in der Chemieindustrie zu grüneren Verfahren führen, in der Medizin zu gezielteren Wirkstoffen und im Umweltschutz zu effektiverem Abbau von Schadstoffen beitragen.

Die Methode adressiert ein zentrales Problem: Natürliche Enzyme entstehen langsam durch Evolution. Riff-Diff beschleunigt dies massiv. Die Kombination aus Machine Learning und Modellierung ermöglicht präzise Kontrolle. Die Studie bestätigt die Wirksamkeit im Labor und hebt die Stabilität hervor. Die Kooperation zeigt, wie interdisziplinäre Ansätze Fortschritte treiben. Die Technologie könnte Standard werden und industrielle Prozesse revolutionieren.

Original Paper:

Computational enzyme design by catalytic motif scaffolding | Nature

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.