Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Decoding the Biochemistry of Terpene Synthases

Descripción del proyecto

Diseño de enzimas con aprendizaje profundo

Las enzimas tienen una gran importancia en la biotecnología, ya que ayudan a catalizar reacciones complejas.Sin embargo, su diseño y optimización sigue siendo un proceso complejo y laborioso. El proyecto TerpenCode, financiado por el Consejo Europeo de Investigación, contribuye a cambiar este hecho, gracias al uso del aprendizaje profundo para modelizar reacciones enzimáticas con mayor precisión. El proyecto se centra en las terpeno sintasas, enzimas que producen los componentes básicos de los terpenoides, con el objetivo de predecir su funcionamiento a partir de su secuencia de aminoácidos. Con este método, los investigadores podrán diseñar variantes enzimáticas capaces de generar productos nuevos con potenciales usos valiosos. En general, los avances de TerpenCode podrían revolucionar el diseño de enzimas, facilitando soluciones biotecnológicas más rápidas y sostenibles, y abriendo la puerta a rutas químicas completamente nuevas.

Objetivo

Enzymes are biological catalysts indispensable for biotechnology. Conventional approaches to enzyme design and optimization, relying on biochemical intuition and combinatorial mutagenesis, have yielded significant success over decades. Building on these foundations, the TerpenCode project aims to instantly elucidate and engineer enzymatic reactions by designing a new generation of deep learning models that (1) incorporate biochemical principles as inductive biases and (2) model all intermediate biochemical transformations that occur sequentially in the active site of each enzyme. We will focus on terpene synthases, which produce the core hydrocarbon scaffolds of terpenoids, the largest and most diverse class of natural products. My group has already curated a comprehensive training dataset comprising thousands of terpene synthase reaction mechanisms. In Objective O1, we will develop deep learning models for predicting the substrates, products, and reaction mechanisms of terpene synthases directly from their amino acid sequences. In Objective O2, we propose to engineer a generative machine learning algorithm for designing new variants of terpene synthases with altered quantitative product distribution, adjusted product stereochemistry, or new reaction cascades that lead to novel terpene products. We will experimentally validate these models by yeast expression experiments, including complete chemical structure elucidation of the detected reaction products. Breakthrough progress on these objectives would be a key important step towards the holy grail of biotechnology: providing a computational prediction of the exact enzyme function from its amino acid sequence and instant de novo generation of new enzymes for catalyzing desired biochemical reactions for an important class of enzymes. Generalizing our solutions further to other classes of enzymes would enable sustainable biotechnological production of a broad spectrum of new-to-nature chemicals and bioactives.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-ERC - HORIZON ERC Grants

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) ERC-2024-COG

Ver todos los proyectos financiados en el marco de esta convocatoria

Institución de acogida

USTAV ORGANICKE CHEMIE A BIOCHEMIE, AV CR, V.V.I.
Aportación neta de la UEn
€ 2 158 732,50
Coste total
€ 2 158 732,50

Beneficiarios (1)