Abstract The gut mucolytic specialist Akkermansia muciniphila is strongly associated with the integrity of the mucus layer. Mucin glycan utilization requires the removal of diverse protective caps, notably, fucose and sialic acid, but the enzymatic details of this process remain largely unknown. Here, we describe the specificities of ten A. muciniphila glycoside hydrolases, which collectively remove all known sialyl and fucosyl mucin caps including those with double sulphated epitopes. Structural analyses revealed an unprecedented fucosidase modular arrangement and explained the exclusive sialyl T-antigen specificity of a sialidase of a previously unknown family and catalytic apparatus. Key cell attached sialidases and fucosidases conferred mucin-binding and their inhibition abolished growth of A. muciniphila on mucin. Remarkably, the sialic acid fucose did not contribute to A. muciniphila growth, but instead promoted butyrate production by co-cultured Clostridia. This study brings unique mechanistic insight into the initiation of mucin O -glycan degradation by A. muciniphila and the nutrient sharing between key mucus-associated bacteria.

Abstract Microbial α- l- fucosidases catalyse the hydrolysis of terminal α- l -fucosidic linkages and can perform transglycosylation reactions. Based on sequence identity, α- l- fucosidases are classified in glycoside hydrolases (GHs) families of the carbohydrate-active enzyme database. Here we explored the sequence-function space of GH29 fucosidases. Based on sequence similarity network (SSN) analyses, 15 GH29 α- l- fucosidases were selected for functional characterisation. HPAEC-PAD and LC-FD-MS/MS analyses revealed substrate and linkage specificities for α1,2, α1,3, α1,4 and α1,6 linked fucosylated oligosaccharides and glycoconjugates, consistent with their SSN clustering. The structural basis for the substrate specificity of GH29 fucosidase from Bifidobacterium asteroides towards α1,6 linkages and FA2G2 N -glycan was determined by X-ray crystallography and STD NMR. The capacity of GH29 fucosidases to carry out transfucosylation reactions with GlcNAc and 3FN as acceptors was evaluated by TLC combined with ESI–MS and NMR. These experimental data supported the use of SSN to further explore the GH29 sequence-function space through machine-learning models. Our lightweight protein language models could accurately allocate test sequences in their respective SSN clusters and assign 34,258 non-redundant GH29 sequences into SSN clusters. It is expected that the combination of these computational approaches will be used in the future for the identification of novel GHs with desired specificities.