← 論文一覧に戻る

機械学習を用いた無細胞発現系による炭酸脱水酵素の生化学的ランドスケープのマッピング

Machine learning guided cell-free expression maps the biochemical landscape of carbonic anhydrase (原題)

Lazar JT, Komp E, Martinez I, Zolkin K, Notin PM, Saleh S, Landwehr G, Kim K, Tian A, Shapero B, Karim AS, Marks D, Beckham GT, Jewett MC

Research Squareプレプリント2026-07-08#CCUS経営インパクト: コスト削減対象セクター: energy
DOI: 10.64898/2026.07.07.736810
原典: https://doi.org/10.64898/2026.07.07.736810

🤖 gxceed AI 要約

日本語

炭酸脱水酵素はCO2水和反応を高速で触媒し、産業的CO2回収への応用が期待される。本論文では、無細胞発現とガス状CO2比色アッセイを組み合わせたハイスループットプラットフォームを開発し、炭酸脱水酵素のフィットネスランドスケープを網羅的に解析した。96種の天然ホモログから耐熱性変異体を同定し、4,365の単一アミノ酸置換を評価。機械学習モデルを用いて95℃で活性を維持する最優良酵素を設計した。

English

Carbonic anhydrases are promising for industrial carbon capture due to their high CO2 hydration rates. This paper presents a high-throughput cell-free platform with a colorimetric assay to map the fitness landscape of carbonic anhydrases. They identified a thermostable variant from Aquificota, tested over 4,365 single mutations, and used zero-shot and supervised machine learning to engineer an enzyme retaining activity at 95°C.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本ではCCUS技術の実用化が進んでおり、特に2050年カーボンニュートラル達成に向けてCO2回収の効率化が重要課題。本論文のような酵素工学の進展は、安価で高性能なバイオベースのCO2回収プロセスの開発に寄与する可能性があり、日本の産業界や研究機関が注視すべき成果である。

In the global GX context

Globally, CCUS is a critical technology for decarbonization, but its cost remains high. This work demonstrates a novel machine-learning-guided enzyme engineering pipeline that could significantly reduce the cost of biological carbon capture by improving enzyme stability and activity. The approach is relevant to TCFD/ISSB frameworks that emphasize technological innovation for climate mitigation.

👥 読者別の含意

🔬研究者:This paper offers a high-throughput method for generating sequence-function data and benchmarking protein language models, which is valuable for the synthetic biology and enzyme engineering community.

🏢実務担当者:Companies developing biological carbon capture technologies can use the identified robust variants and the ML-guided design pipeline to accelerate their own enzyme development.

📄 抄録（日本語訳）

炭酸脱水酵素は既知の生体触媒の中でも最速の部類に属し、CO2のHCO3-への水和を毎秒10^7回という速度で可逆的に促進するため、産業規模の炭素回収技術への応用が検討されている。しかし、過酷な工業プロセス条件下での安定性を維持するように炭酸脱水酵素を改変することは依然として重要な課題であり、順方向設計に資する機械学習対応の配列-機能データセットも不足している。本研究では、無細胞遺伝子発現と気体CO2比色アッセイを組み合わせたハイスループットプラットフォームを開発し、炭酸脱水酵素の適合度ランドスケープをマッピングした。多様な天然ホモログ96種の中から、Aquificota門由来の頑健な変異体を特定し、この酵素について70℃および90℃での網羅的変異スキャンと機能評価を実施し、全一アミノ酸置換の99%超（合計4,365変異を39,285反応でアッセイ）を網羅した。この生化学的ランドスケープを用いて、22種類のゼロショットタンパク質適合度モデルをベンチマークし、90℃での酵素安定性を3倍以上向上させる重要な変異を特定した。次に、ゼロショットタンパク質言語モデルと教師あり学習の両方を用いて、100,000配列からなるProteinMPNNライブラリからモデル生成変異体419種をフィルタリングし、95℃でのインキュベーション後も活性を保持する最優秀酵素を得た。本研究は、無細胞酵素工学と機械学習の統合により、ハイスループット実験測定がタンパク質言語モデルのベンチマークと改善、設計ループの加速、実験情報が限られたタンパク質ファミリー内での機能探索の拡大を可能にすることを実証している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

📄 Abstract（原文）

Carbonic anhydrases are among the fastest known biocatalysts, reversibly facilitating the hydration of CO2 to HCO3- at rates up to 10 7 s -1 , which warrants their investigation for industrial carbon capture technologies. However, engineering carbonic anhydrases to maintain stability under harsh industrial process conditions remains a key challenge, and sequence-to-function datasets compatible with machine learning to inform forward engineering are lacking. Here, we developed a high-throughput platform that couples cell-free gene expression with a gaseous CO2 colorimetric assay to map the fitness landscapes of carbonic anhydrases. From 96 diverse natural homologs, we identified a robust variant from the Aquificota phylum and conducted an exhaustive mutational scan and functional assessment of this enzyme at 70C and 90C, covering >99% of all single-amino acid substitutions (totaling 4,365 mutations assayed in 39,285 reactions). This biochemical landscape was used to benchmark 22 zero-shot protein fitness models and identify critical mutations that improved enzyme stability at 90C by more than three-fold. We then used both zero-shot protein language models and supervised learning to filter 419 model-generated variants from a ProteinMPNN library of 100,000 sequences, leading to a best-in-class enzyme that retained activity after incubation at 95C. This work demonstrates that integrating cell-free enzyme engineering with machine learning enables opportunities for high-throughput experimental measurements to benchmark and improve protein language models, accelerate design loops, and expand functional exploration within protein families where experimental information is limited.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。