Hypertrophic cardiomyopathy (HCM) is a hereditary cardiac disorder marked by anomalous thickening of the myocardium, representing a significant contributor to mortality. While the involvement of immune inflammation in the development of cardiac ailments is well-documented, its specific impact on HCM pathogenesis remains uncertain. Five distinct machine learning algorithms, namely LASSO, SVM, RF, Boruta and XGBoost, were utilized to discover new biomarkers associated with HCM. A unique nomogram was developed using two newly identified biomarkers and subsequently validated. Furthermore, samples of HCM and normal heart tissues were gathered from our institution to confirm the variance in expression levels and prognostic significance of GATM and MGST1. Five novel biomarkers (DARS2, GATM, MGST1, SDSL and ARG2) associated with HCM were identified. Subsequent validation revealed that GATM and MGST1 exhibited significant diagnostic utility for HCM in both the training and test cohorts, with all AUC values exceeding 0.8. Furthermore, a novel risk assessment model for HCM patients based on the expression levels of GATM and MGST1 demonstrated favourable performance in both the training (AUC = 0.88) and test cohorts (AUC = 0.9). Furthermore, our study revealed that GATM and MGST1 exhibited elevated expression levels in HCM tissues, demonstrating strong discriminatory ability between HCM and normal cardiac tissues (AUC of GATM = 0.79; MGST1 = 0.86). Our findings suggest that two specific cell types, monocytes and multipotent progenitors (MPP), may play crucial roles in the pathogenesis of HCM. Notably, GATM and MGST1 were found to be highly expressed in various tumours and showed significant prognostic implications. Functionally, GATM and MGST1 are likely involved in xenobiotic metabolism and epithelial mesenchymal transition in a wide range of cancer types. GATM and MGST1 have been identified as novel biomarkers implicated in the progression of both HCM and cancer. Additionally, monocytes and MPP may also play a role in facilitating the progression of HCM.

Gastric cancer is a significant health concern worldwide.

Zearalenone (ZEN) is a fungal toxin produced by Fusarium exospore, which poses a significant threat to both animal and human health due to its reproductive toxicity. Removing ZEN through ZEN lactonase is currently the most effective method reported, however, all published ZEN lactonases suffer from the poor thermal stability, losing almost all activity after 10 min of treatment at 55℃. In this study, we heterologously expressed ZHD11A from Phialophora macrospora and engineered it via semi-rational design. A mutant I160Y-G242S that can retain about 40 % residual activity at 55℃ for 10 min was obtained, which is the most heat-tolerant ZEN hydrolase reported to date. Moreover, the specific activity of the I160Y-G242S was also elevated 2-fold compared to ZHD11A from 220 U/mg to 450 U/mg, which is one of the most active ZEN lactonses reported. Dynamics analysis revealed that the decreased flexibility of the main-chain carbons contributes to increased thermal stability and the improved substrate binding affinity and catalytic turnover contribute to enhanced activity of variant I160Y-G242S. In all, the mutant I160Y-G242S is an excellent candidate for the industrial application of ZEN degradation.

ABSTRACT The mutual interactions of ER resident proteins in the ER maintain its functions, prompting the protein folding, modification, and transportation. Here, a new method, named YST-PPI (YESS-based Split fast TEV protease System for Protein-protein Interaction) was developed, targeting the characterization of protein interactions in ER. YST-PPI method integrated the YESS system, split-TEV technology and endoplasmic reticulum retention signal peptide (ERS) to provide an effective strategy for studying ER in situ PPIs in a fast and quantitative manner. The interactions among 15 ER resident proteins of S. cerevisiae were explored using the YST-PPI system, and their interaction network map was constructed, in which more than 74 interacting resident protein pairs were identified. Our studies also showed that Lhs1p plays a critical role in regulating the interactions of most of the ER resident proteins, expect the Sil1p, indicating its potential role in controlling the ER molecular chaperones. Moreover, the mutual interaction revealed by our studies further confirmed that the ER resident proteins perform their functions in a synergetic way and multimer complex might be formed during the process.

Abstract Dioxin-like compounds (DLCs) are environmental xenobiotics that can activate the aryl hydrocarbon receptors (AhR), thereby imposing a significant threat to human health through biomagnifications processes. In this study, a dioxin-activated nano-luminescent Saccharomyces cerevisiae bioreporter, called DnaSc, was developed for simple and rapid detection of DLCs and AhR agonists. The bioreporter used nano-luciferase NLuc as a signal generator to emit bioluminescent signals in response to DLCs without cell lysis. Through optimizing ARNT expression and engineering the aryl hydrocarbon receptor (AhR), the yeast-based bioassay exhibited a detection limit of 10 fM for 2,3,7,8-tetrachlorodibenzo-p-dioxin (TCDD) within 6 h, making it the most sensitive whole-cell biosensor reported to date. Furthermore, the detection capacity of the DnaSc bioassay for DLCs and AhR agonists was characterized. In summary, the yeast-based bioreporter developed in this study provided a simple, sensitive, and cost-effective method for DLCs detection.

Abstract Human rhinovirus 3C protease (HRV 3C-P) has a high specificity against the substrate of LEVLFQ↓G at P1’ site, which plays an important role in biotechnology and academia as a fusion tag removal tool. However, a non-ignorable limitation is that an extra residue of Gly would remain at the N terminus of the recombinant target protein after cleavage with HRV 3C-P, thus potentially causing protein mis-functionality or immunogenicity. Here, we developed a combinatorial strategy by integrating structure-guided library design and high-throughput screening of eYESS approach for HRV 3C-P engineering to expand its P1’ specificity. Finally, a C3 variant was obtained, exhibiting a broad substrate P1’ specificity to recognize 20 different amino acids with the highest activity against LEVLFQ↓M ( k cat / K M = 3.72 ± 0.04 mM -1 ·s -1 ). Further biochemical and NGS-mediated substrate profiling analysis showed that C3 variant still kept its substrate stringency at P1 site and good residue tolerance at P2’ site, but with an expanded P1’ specificity. Structural simulation of C3 indicated a reconstructed S1’ binding pocket as well as new interactions with the substrates. Overall, our studies here prompt not only the practical applications and understanding of substrate recognition mechanisms of HRV 3C-P, also provide new tools for other enzyme engineering. Abstract graphic

Biosensors are prominent detection tools for evaluating various analytical markers. However, these devices that meet practical application scenarios are still limited, and their potential remains to be developed. In these aspects, we attempted to design and construct a synergistic amplifier consisting of two components, namely, a transcriptional activation component mediated by the Gal3 C regulator and a transcription recruitment component exploiting the function of dCas9-(SpyC) n, which work together to enhance yeast biosensor performance. This synergistic amplifier increased the signal output by 5.1-folds and the detection limit by 4.4-folds, respectively, while maintaining adjustable sensitivity and avoiding noise introduction during signal amplification. We demonstrated the use of synergistic amplifier in detecting dioxin analogues, aiming to unlock the potential of predictive modulation, and found that it achieved progress in dynamic output and detection limit. This work show that synergistic amplifier is a new paradigm for expanding signal processing pathways within synthetic genetic networks, enabling cell-based biosensors for environmental monitoring.

Abstract Polychlorinated biphenyls (PCBs) are highly carcinogenic and persistent pollutants commonly found in ecosystems. Their complex congeners pose a huge challenge to instrumental analysis and ELISA methods, which prefer single and known targets. To overcome this limitation, here we developed an Escherichia coli whole-cell biosensor (WCB) for simultaneously detecting multiple PCB congeners. In this sensor, PCBs were firstly converted into hydroxylated PCBs (OH-PCBs) by bphAB degradation circuits, which then serve as high-affinity targets of transcriptional factor HbpR CBP6 -based sensing pathways for sensitive response through extensive chassis screening. The resulting biosensor BL21(DE3)/HbpR CBP6 - bphAB shows the lowest detection limits for 2-CBP (2-chlorobiphenyl) to date and can recognize various PCB homologues, including 3-CBP, 4-CBP, 2,3-diCBP and 2,2’-diCBP, with detection limits of 0.06-1 μM. Further investigation of the docking structure and binding energy reveal that HbpR CBP6 has a stronger affinity for OH-PCBs than for PCBs, indicating that the conversion of PCB by BphAB enzymes is a key step to improve the sensitivity of WCB. Subsequently, we developed an immobilized hydrogel WCB and a smartphone-based detection procedure to facilitate real-time and user-friendly PCB detection. This study will not only advance the biomonitoring of PCB contaminants but also provide an innovative strategy for developing metabolic pathway-sensing proteins combined biosensor. Graphical Abstract

Abstract Halophilic proteins possess unique structural properties and exhibit high stability under extreme conditions. Such distinct characteristic makes them invaluable for applications in various aspects such as bioenergy, pharmaceuticals, environmental clean-up and energy production. Generally, halophilic proteins are discovered and characterized through labor-intensive and time-consuming wetlab experiments. Here, we introduced HPClas, a machine learning-based classifier developed using the catBoost ensemble learning technique to identify halophilic proteins. Extensive in silico calculations were conducted on a large public data set of 12574 samples and an independent test set of 200 sample pairs, on which HPClas achieved an AUROC of 0.877 and 0.845, respectively. The source code and curated data set of HPClas are publicly available at https://github.com/Showmake2/HPClas . In conclusion, HPClas can be explored as a promising tool to aid in the identification of halophilic proteins and accelerate their applications in different fields. Impact Statement In this study, we used a method based on prediction of proteins secreted by extreme halophilic bacteria to successfully extract a large number of halophilic proteins. Using this data, we have trained an accurate halophilic protein classifier that could determine whether an input protein is halophilic with a high accuracy of 84.5%. This research could not only promote the exploration and mining of halophilic proteins in nature, but also provide guidance for the generation of mutant halophilic enzymes.