ABSTRACT l -Threonine aldolases (LTAs) are attractive biocatalysts for synthesizing β-hydroxy-α-amino acids (HAAs) via C–C bond formation in pharmaceuticals, although their industrial applications suffer from low activity and diastereoselectivity. Herein, we describe the discovery of a new LTA from Neptunomonas marine ( Nm LTA) that displays both ideal enzymatic activity (64.8 U/mg) and diastereoselectivity (89.5% diastereomeric excess; de) for the desired product l - threo -4-methylsulfonylphenylserine ( l - threo -MPTS). Using X-ray crystallography, site-directed mutagenesis, and computational modeling, we propose a “dual-conformation” mechanism for the diastereoselectivity control of Nm LTA, whereby the incoming 4-methylsulfonylbenzaldehyde (4-MTB) could potentially bind at the Nm LTA active site in two distinct orientations, potentially forming two diastereoisomers ( threo - or erythro -form products). Importantly, two key Nm LTA residues H140 and Y319 play critical roles in fine-tuning the binding mode of 4-MTB, supported by our site-mutagenesis assays. Uncovering of the catalytic mechanism in Nm LTA guides us to further improve the diastereoselectivity of this enzyme. A triple variant of Nm LTA (N18S/Q39R/Y319L; SRL) exhibited both improved diastereoselectivity (de value > 99%) and enzymatic activity (95.7 U/mg) for the synthesis of l - threo -MPTS compared with that of wild type. The preparative gram-scale synthesis for l - threo -MPTS with the SRL variant produced a space-time yield of up to 9.0 g L −1 h −1 , suggesting a potential role as a robust C–C bond synthetic tool for industrial synthesis of HAAs at a preparative scale. Finally, the SRL variant accepted a wider range of aromatic aldehyde derivatives as substrates and exhibited improved diastereoselectivity toward para -site substituents. This work provides deep structural insights into the molecular mechanism underlying the catalysis in Nm LTA and pinpoints the key structural motifs responsible for regulating the diastereoselectivity control, thereby guiding future attempts for protein engineering of various LTAs from different sources.

Abstract Addressing the challenge of diagnosing incipient bearing faults amidst significant noise, a novel diagnostic approach is introduced, leveraging a Rank Constrained Low-Rank and Sparse Decomposition (RCLRSD) model tailored for weak fault detection in bearings. Initially, we raised the Autocorrelation Function of the Square Envelope in Frequency Domain (AFSEFD) as an innovative method for the estimation of fault frequencies. Subsequently, we constructed a two-dimensional observation matrix, which is formulated independently of predefined assumptions. Then, we examine the configuration and distribution patterns of bearing fault signals, uncovering the low-rank nature of fault characteristics within a designated two-dimensional transform domain. Moreover, we found the noise signal to exhibit sparsity and an approximate Gaussian distribution. Based on this, a rank-constrained low-rank sparse decomposition model is established, and rank-constrained low-rank regular constraints for feature information and sparse regular constraints and Gaussian constraints for interference signals are constructed respectively. Ultimately, we employed the Gray Wolf Optimization (GWO) algorithm to refine the model parameters, and we deduced the model's solver via the Alternating Direction Method of Multipliers (ADMM). The proposed RCLRSD model decomposes bearing fault data into three constituents: low-rank, sparse, and Gaussian components, effectively addressing the challenge of extracting weak fault signatures from bearings. The weak feature extraction capability of the RCLRSD model is verified using a multi-interference simulation model and experimental data of bearing failures under strong noise conditions; the generalization of the model is verified by the classification effect of the Support Vector Machine (SVM) under two bearing failure datasets. Comparison with various algorithms confirms the superiority of the proposed algorithm.

In this paper, we first design the corresponding integration algorithm and matlab program according to the Gauss–Legendre integration principle. Then, we select the Lorenz system, the Duffing system, the hidden attractor chaotic system and the Multi-wing hidden chaotic attractor system for chaotic dynamics analysis. We apply the Gauss–Legendre integral and the Runge–Kutta algorithm to the solution of dissipative chaotic systems for the first time and analyze and compare the differences between the two algorithms. Then, we propose for the first time a chaotic basin of the attraction estimation method based on the Gauss–Legendre integral and Lyapunov exponent and the decision criterion of this method. This method can better obtain the region of chaotic basin of attraction and can better distinguish the attractor and pseudo-attractor, which provides a new way for chaotic system analysis. Finally, we use FPGA technology to realize four corresponding chaotic systems based on the Gauss–Legendre integration algorithm.