Abstract The widely used coelenterazine-powered Renilla luciferase was discovered over 40 years ago but the oxidative mechanism by which it generates blue photons remains unclear. Here we decipher Renilla -type bioluminescence through crystallographic, spectroscopic, and computational experiments. Structures of ancestral and extant luciferases complexed with the substrate-like analogue azacoelenterazine or a reaction product were obtained, providing unprecedented snapshots of coelenterazine-to-coelenteramide oxidation. Bound coelenterazine adopts a Y-shaped conformation, enabling the deprotonated imidazopyrazinone component to attack O 2 via a radical charge-transfer mechanism. A high emission intensity is secured by an aspartate from a conserved proton-relay system, which protonates the excited coelenteramide product. Another aspartate on the rim of the catalytic pocket fine-tunes the electronic state of coelenteramide and promotes the formation of the blue light-emitting phenolate anion. The results obtained also reveal structural features distinguishing flash-type from glow-type bioluminescence, providing insights that will guide the engineering of next-generation luciferase–luciferin pairs for ultrasensitive optical bioassays.

Computational study of the effect of drug candidates on intrinsically disordered biomolecules is challenging due to their vast and complex conformational space. Here, we developed a comparative Markov state analysis (CoVAMPnet) framework to quantify changes in the conformational distribution and dynamics of a disordered biomolecule in the presence and absence of small organic drug candidate molecules. First, molecular dynamics trajectories are generated using enhanced sampling, in the presence and absence of small molecule drug candidates, and ensembles of soft Markov state models (MSMs) are learned for each system using unsupervised machine learning. Second, these ensembles of learned MSMs are aligned across different systems based on a solution to an optimal transport problem. Third, the directional importance of inter-residue distances for the assignment to different conformational states is assessed by a discriminative analysis of aggregated neural network gradients. This final step provides interpretability and biophysical context to the learned MSMs. We applied this novel computational framework to assess the effects of ongoing phase 3 therapeutics tramiprosate (TMP) and its metabolite 3-sulfopropanoic acid (SPA) on the disordered Aβ42 peptide involved in Alzheimer's disease. Based on adaptive sampling molecular dynamics and CoVAMPnet analysis, we observed that both TMP and SPA preserved more structured conformations of Aβ42 by interacting nonspecifically with charged residues. SPA impacted Aβ42 more than TMP, protecting α-helices and suppressing the formation of aggregation-prone β-strands. Experimental biophysical analyses showed only mild effects of TMP/SPA on Aβ42 and activity enhancement by the endogenous metabolization of TMP into SPA. Our data suggest that TMP/SPA may also target biomolecules other than Aβ peptides. The CoVAMPnet method is broadly applicable to study the effects of drug candidates on the conformational behavior of intrinsically disordered biomolecules.

Abstract Protein aggregation is a hallmark of multiple neurodegenerative diseases and a great hindrance in recombinant protein production, handling, and storage. Identification of aggregation prone residues or regions (APRs) in proteins and their suppression by mutations is a powerful and straightforward strategy for improving protein solubility and yield, which significantly increases their application potential. Towards this, we developed a deep neural network based predictor that generates residue level aggregation profile for one or several input protein sequences. The model was trained on a set of hexapeptides with experimentally characterised aggregation propensities and validated on two independent sets of data including hexapeptides and full-length proteins with annotated APRs. In both cases, the model matched, or outperformed the state-of-the-art algorithms. Its performance was further verified using a set of 34 hexapeptides identified in model haloalkane dehalogenase LinB and seven proteins from AmyPro database. The experimental data from Thioflavin T fluorescence and transmission electron microscopy matched the predictions in 79% of the cases, and revealed inaccuracies in the database annotations. Finally, the utility of the algorithm was demonstrated by identifying APRs in a model enzyme (LinB) and designing aggregation-suppressing mutations in the exposed regions. The designed variants showed reduced aggregation propensity, increased solubility and improved yield, with up to a 100% enhancement compared to the wild type for the best one.

ABSTRACT Computational study of the effect of drug candidates on intrinsically disordered biomolecules is challenging due to their vast and complex conformational space. Here we developed a Comparative Markov State Analysis (CoVAMPnet) framework to quantify changes in the conformational distribution and dynamics of a disordered biomolecule in the presence and absence of small organic drug candidate molecules. First, molecular dynamics trajectories are generated using enhanced sampling, in the presence and absence of small molecule drug candidates, and ensembles of soft Markov state models (MSMs) are learned for each system using unsupervised machine learning. Second, these ensembles of learned MSMs are aligned across different systems based on a solution to an optimal transport problem. Third, the directional importance of inter-residue distances for the assignment to different conformational states is assessed by a discriminative analysis of aggregated neural network gradients. This final step provides interpretability and biophysical context to the learned MSMs. We applied this novel computational framework to assess the effects of ongoing phase 3 therapeutics tramiprosate (TMP) and its metabolite 3-sulfopropanoic acid (SPA) on the disordered Aβ42 peptide involved in Alzheimer’s disease. Based on adaptive sampling molecular dynamics and CoVAMPnet analysis, we observed that both TMP and SPA preserved more structured conformations of Aβ42 by interacting non-specifically with charged residues. SPA impacted Aβ42 more than TMP, protecting α-helices and suppressing the formation of aggregation-prone β-strands. Experimental biophysical analyses showed only mild effects of TMP/SPA on Aβ42, and activity enhancement by the endogenous metabolization of TMP into SPA. Our data suggest that TMP/SPA may also target other biomolecules than Aβ peptides. The CoVAMPnet method is broadly applicable to study the effects of drug candidates on the conformational behavior of intrinsically disordered biomolecules. TOC Graphic

Recombinant proteins play pivotal roles in numerous applications including industrial biocatalysts or therapeutics. Despite the recent progress in computational protein structure prediction, protein solubility and reduced aggregation propensity remain challenging attributes to design. Identification of aggregation-prone regions is essential for understanding misfolding diseases or designing efficient protein-based technologies, and as such has a great socio-economic impact. Here, we introduce AggreProt, a user-friendly webserver that automatically exploits an ensemble of deep neural networks to predict aggregation-prone regions (APRs) in protein sequences. Trained on experimentally evaluated hexapeptides, AggreProt compares to or outperforms state-of-the-art algorithms on two independent benchmark datasets. The server provides per-residue aggregation profiles along with information on solvent accessibility and transmembrane propensity within an intuitive interface with interactive sequence and structure viewers for comprehensive analysis. We demonstrate AggreProt efficacy in predicting differential aggregation behaviours in proteins on several use cases, which emphasize its potential for guiding protein engineering strategies towards decreased aggregation propensity and improved solubility. The webserver is freely available and accessible at https://loschmidt.chemi.muni.cz/aggreprot/.

Abstract NanoLuc, a superior β-barrel fold luciferase, was engineered 10 years ago but the nature of its catalysis remains puzzling. Here experimental and computational techniques were combined, revealing that imidazopyrazinone luciferins bind to an intra-barrel catalytic site but also to an allosteric site shaped on the enzyme surface. Structurally, binding to the allosteric site prevents simultaneous binding to the catalytic site, and vice versa , through concerted conformational changes. We demonstrate that restructuration of the allosteric site can boost the luminescent reaction in the remote active site. Mechanistically, an intra-barrel arginine coordinates the imidazopyrazinone component of luciferin, which reacts with O 2 via a radical charge-transfer mechanism, and then it also protonates the resulting excited amide product to form a light-emitting neutral species. Concomitantly, an aspartate, supported by two tyrosines, fine-tunes the blue color emitter to secure a high emission intensity. This information is critical to engineering the next-generation of ultrasensitive bioluminescent reporters.

ABSTRACT Fluorinases, the only enzymes known to catalyze the transfer of fluorine to an organic molecule, are essential biocatalysts for the sustainable synthesis of valuable organofluorines. However, the few fluorinases identified so far have low turnover rates that hamper biotechnological applications. Here, we isolated and characterized putative fluorinases retrieved from systematic in silico mining and identified a non-conventional archaeal enzyme from Methanosaeta sp. that mediates the highest fluorination rate reported to date. Furthermore, we demonstrate enhanced production of fluoronucleotides in vivo in a bacterial host engineered with this archaeal fluorinase, paving the way towards synthetic metabolism for efficient biohalogenations. Fastest biological S N 2 fluorination

Abstract Background Apolipoprotein E (ApoE) ε4 genotype is the most prevalent risk factor for late-onset Alzheimer’s Disease (AD). Although ApoE4 differs from its non-pathological ApoE3 isoform only by the C112R mutation, the molecular mechanism of its proteinopathy is unknown. Methods Here, we reveal the molecular mechanism of ApoE4 aggregation using a combination of experimental and computational techniques, including X-ray crystallography, site-directed mutagenesis, hydrogen-deuterium mass spectrometry (HDX-MS), static light scattering and molecular dynamics simulations. Treatment of ApoE ε3/ε3 and ε4/ε4 cerebral organoids with tramiprosate was used to compare the effect of tramiprosate on ApoE4 aggregation at the cellular level. Results We found that C112R substitution in ApoE4 induces long-distance (>15 Å) conformational changes leading to the formation of a V-shaped dimeric unit that is geometrically different and more aggregation-prone than the ApoE3 structure. AD drug candidate tramiprosate and its metabolite 3-sulfopropanoic acid induce ApoE3-like conformational behavior in ApoE4 and reduce its aggregation propensity. Analysis of ApoE ε4/ε4 cerebral organoids treated with tramiprosate revealed its effect on cholesteryl esters, the storage products of excess cholesterol. Conclusions Our results connect the ApoE4 structure with its aggregation propensity, providing a new druggable target for neurodegeneration and ageing.

Abstract Tunnels in enzymes with buried active sites are key structural features allowing the entry of substrates and the release of products, thus contributing to the catalytic efficiency. Targeting the bottlenecks of protein tunnels is also a powerful protein engineering strategy. However, the identification of functional tunnels in multiple protein structures is a non-trivial task that can only be addressed computationally. We present a pipeline integrating automated structural analysis with an in-house machine-learning predictor for the annotation of protein pockets, followed by the calculation of the energetics of ligand transport via biochemically relevant tunnels. A thorough validation using eight distinct molecular systems revealed that CaverDock analysis of ligand un/binding is on par with time-consuming molecular dynamics simulations, but much faster. The optimized and validated pipeline was applied to annotate more than 17,000 cognate enzyme-ligand complexes. Analysis of ligand un/binding energetics indicates that the top priority tunnel has the most favourable energies in 75 % of cases. Moreover, energy profiles of cognate ligands revealed that a simple geometry analysis can correctly identify tunnel bottlenecks only in 50 % of cases. Our study provides essential information for the interpretation of results from tunnel calculation and energy profiling in mechanistic enzymology and protein engineering. We formulated several simple rules allowing identification of biochemically relevant tunnels based on the binding pockets, tunnel geometry, and ligand transport energy profiles.

Fibroblast growth factors (FGFs) play numerous regulatory functions in complex organisms, and their corresponding therapeutic potential is of growing interest to academics and industrial researchers alike. However, applications of these proteins are limited due to their low stability in vivo and in vitro. Here we tackle this problem using a generalizable computer-assisted protein engineering strategy to create a unique modified FGF2 with nine mutations displaying unprecedented stability and uncompromised biological function.