Abstract Ab initio quantum mechanical models can characterize and predict intermolecular binding, but only recently have models including more than a few hundred atoms gained traction. Here, we simulate ∼13,000 atoms to predict and characterize binding of SARS-CoV-2 spike variants to the human receptor ACE2 (hACE2). We compare four spike variants in our analysis: Wuhan, Omicron, and two Omicron-based variants. To assess binding, we mechanistically characterize the energetic contribution of each amino acid involved, and predict the effect of select single point mutations. We validate our computational predictions experimentally by comparing binding efficacy of spike variants to cells expressing hACE2. We argue that this computational model, QM-CR, can identify mutations critical for intermolecular interactions and inform the engineering of high-specificity interactors. One-Sentence Summary Ab initio modeling can predict the strength of SARS-CoV-2 variants’ binding to human cell receptor.

The main protease (M pro ) of SARS-CoV-2 is central to its viral lifecycle and is a promising drug target, but little is known concerning structural aspects of how it binds to its 11 natural cleavage sites. We used biophysical and crystallographic data and an array of classical molecular mechanics and quantum mechanical techniques, including automated docking, molecular dynamics (MD) simulations, linear-scaling DFT, QM/MM, and interactive MD in virtual reality, to investigate the molecular features underlying recognition of the natural M pro substrates. Analyses of the subsite interactions of modelled 11-residue cleavage site peptides, ligands from high-throughput crystallography, and designed covalently binding inhibitors were performed. Modelling studies reveal remarkable conservation of hydrogen bonding patterns of the natural M pro substrates, particularly on the N-terminal side of the scissile bond. They highlight the critical role of interactions beyond the immediate active site in recognition and catalysis, in particular at the P2/S2 sites. The binding modes of the natural substrates, together with extensive interaction analyses of inhibitor and fragment binding to M pro , reveal new opportunities for inhibition. Building on our initial M pro -substrate models, computational mutagenesis scanning was employed to design peptides with improved affinity and which inhibit M pro competitively. The combined results provide new insight useful for the development of M pro inhibitors.

Abstract We demonstrate a path towards full Quantum Mechanics (QM) characterization of enzymatic activity. As a case-study, we investigate the detoxification of aflatoxin, a carcinogenic food contaminant, by laccase, a versatile oxidase capable of—but not efficient for—degrading aflatoxin. We use a combination of quantitative experimentation and QM modeling to show that low enzymatic steric affinity for aflatoxin is the main bottleneck, rather that the oxidative activity of laccase. To identify the structural elements responsible for low reaction rates, we perform a density functional theory (DFT) based modeling of both the substrate and the enzyme in a full QM simulation of more than 7,000 atoms. Thanks to our approach we point to amino acid residues that determine the affinity of laccase for aflatoxin. We show that these residues are substrate-dependent, making a full QM approach necessary for enzyme optimization. Altogether, we establish a roadmap for rational enzyme engineering applicable beyond our case study.

Abstract Evolved SARS-CoV-2 variants are currently challenging the efficacy of first-generation vaccines, largely through the emergence of spike protein mutants. Among these variants, Delta is presently the most concerning. We employ an ab initio quantum mechanical model based on Density Functional Theory to characterize the spike protein Receptor Binding Domain (RBD) interaction with host cells and gain mechanistic insight into SARS-CoV-2 evolution. The approach is illustrated via a detailed investigation of the role of the E484K RBD mutation, a signature mutation of the Beta and Gamma variants. The simulation is employed to: predict the depleting effect of the E484K mutation on binding the RBD with select antibodies; identify residue E484 as a weak link in the original interaction with the human receptor hACE2; and describe SARS-CoV-2 Wuhan strand binding to the bat Rhinolophus macrotis ACE2 as more optimized than the human counterpart. Finally, we predict the hACE2 binding efficacy of a hypothetical E484K mutation added to the Delta variant RBD, identifying a potential future variant of concern. Results can be generalized to other mutations, and provide useful information to complement existing experimental datasets of the interaction between randomly generated libraries of hACE2 and viral spike mutants. We argue that ab initio modeling is at the point of being aptly employed to inform and predict events pertinent to viral and general evolution.

This work focuses on: 1) the development of a methodology to perform a full Quantum Mechanics (QM) characterization of enzymatic activity; 2) the development of a rational approach to laccase engineering as a food bioremediator. Aflatoxins are among the most dangerous natural carcinogens, and regularly contaminate reserves of staple crops worldwide. Decontamination of aflatoxin-polluted food is of great interest for ensuring food safety, and bioremediation is regarded as the most promising solution. The fungal isoforms of laccase display the rare potential to detoxify aflatoxin by tackling its aromatic moieties.. Yet, because of a generally low efficiency, large-scale application of naturally occurring isoforms has so far been unfeasible. We perform a combination of quantitative experimentation and quantum mechanical modeling on aflatoxin and reveal that: (1) detoxification efficiency is limited by the low enzymatic affinity for the substrate; and (2) aflatoxin is not detoxified by oxidative activity of laccase alone, but requires additional stimulation from the environment. QM modeling also allowed identification of the residues in the laccase tertiary structure that determine affinity of the enzymatic pocket for aflatoxin. We conclude that, for our case-study, a full QM approach is mandatory as a first step towards rational optimization. We detail a feasible approach towards this endeavor and argue that our full QM characterization can serve as a roadmap for enzyme development in other applications pertaining laccase as well as other enzymes.