Entwicklung einer neuartigen biologischen Toolbox zur Synthese von Glykosiden, Oligo- und Polysacchariden aus Glukose und/oder Succrose - ein Fokus liegt auf der Synthese von HMOs (Glycosid Produktion)

Hintergrund und Motivation

Saccharide und Glykoside sind eine vielfältige Gruppe von natürlich vorkommenden Substanzen mit einem breiten Anwendungsfeld und einem Multimilliarden-€-Markt. Für einige spezifische Oligosaccharide konnten gesundheitsfördernde Funktionen identifiziert werden. Zum Beispiel enthält humane Muttermilch Oligosaccharide (Humane Milch-Oligosaccharide, HMO), die das Immunsystem und die Gehirnentwicklung des Kindes unterstützen und daher vorteilhafterweise in Babynahrung eingesetzt werden. Durch ihre probiotische und immunstimulierende Wirkung werden sie auch als Nahrungsergänzungsmittel genutzt.    

Die große Herausforderung für diese Produktklasse besteht in der wirtschaftlichen Produktion dieser Verbindungen. Insbesondere aufgrund der hohen Komplexität der Zuckerchemie und der nötigen Verwendung von Schutzgruppen, um Nebenprodukte zu vermeiden, sind stereospezifische, biologische Produktionssysteme denen der chemischen Industrie überlegen. Zwei biologische Herstellungsverfahren, die die hohe Selektivität und Spezifität von Enzymen nutzen, sind dabei möglich. So können die Oligosaccharide in vivo, also fermentativ mit Hilfe von Mikroorganismen hergestellt werden, oder auch in vitro unter Einsatz isolierter Enzyme.

Zielsetzung und Vorgehensweise

Im Rahmen dieses Projekts soll mit Unterstützung von innovativen in silico Methoden, wie zum Beispiel Moleküldynamik-Analysen und maschinellem Lernen zur Struktur- und Funktionsvorhersage, sowie einer nach dem Prinzip einer Biofoundry automatisierten DNA-Assemblierung und kombinatorischen Domänen-Assemblierung in Kombination mit „high throughput“-Screening, eine neuartige Enzym-Plattform für Glykosyltransferasen (GTs) aufgestellt werden. Hierbei werden durch die Modifikation natürlicher Enzyme GTs mit neuen Eigenschaften generiert und auf industrielle Nutzung getestet. Um eine ökonomische Produktion der Glykoside zu gewährleisten, sollen als weiterer Aspekt des Projekts geeignete in vitro Verfahren für die Aktivierung der zu verwendenden Monosaccharide entwickelt werden. Alternativ werden in vivo Produktionsstämme durch Metabolic Engineering entwickelt und die Verfahren miteinander verglichen.

Zunächst sollen die Prinzipien als Proof-of-Concept für die Produktion zweier Zielstrukturen überprüft werden. Die erstellte Enzym-Plattform soll die Grundlage für die Synthese unterschiedlichster Zuckerstrukturen bilden, die weder aus der Natur noch über chemische Synthesen wirtschaftlich zugänglich sind.

Rolle der Hochschule Weihenstephan-Triesdorf (HSWT) im Verbundprojekt

Die Professur für Bioinformatik von Prof. Dr. Dominik Grimm (HSWT) am TUM Campus Straubing beschäftigt sich seit mehreren Jahren mit intelligenten Algorithmen und Verfahren des maschinellen Lernens, um ein besseres Verständnis der zugrundeliegenden Architektur komplexer Prozesse für die Bioökonomie zu erlangen. In diesem Projekt erforscht die Arbeitsgruppe neuartige KI Verfahren zur Analyse von komplexen bio-chemischen Daten.

Publikationen

Computational identification of protein complexes from network interactions: Present state, challenges, and the way forward

Omranian, S.; Nikoloski, Z.; Grimm, D. (2022)

Computational and Structural Biotechnology Journal 2022.
DOI: 10.1016/j.csbj.2022.05.049


Open Access
 

Physically interacting proteins form macromolecule complexes that drive diverse cellular processes. Advances in experimental techniques that capture interactions between proteins provide us with protein-protein interaction (PPI) networks from several model organisms. These datasets have enabled the prediction and other computational analyses of protein complexes. Here we provide a systematic review of the state-of-the-art algorithms for protein complex prediction from PPI networks proposed in the past two decades. The existing approaches that solve this problem are categorized into three groups, including: cluster-quality-based, node affinity-based, and network embedding-based approaches, and we compare and contrast the advantages and disadvantages. We further include a comparative analysis by computing the performance of eighteen methods based on twelve well-established performance measures on four widely used benchmark protein-protein interaction networks. Finally, the limitations and drawbacks of both, current data and approaches, along with the potential solutions in this field are discussed, with emphasis on the points that pave the way for future research efforts in this field.

mehr