Peptid Biosynthese abseits bekannter Wege: Machine Learning-basierte Identifizierung ungewöhnlicher Peptid Naturstoffe

• Antragsteller: Professor Dr. Eric Jan Nikolaus Helfrich
• Fachliche Zuordnung: Biologische und Biomimetische Chemie ; Analytische Chemie ; Organische Molekülchemie - Synthese, Charakterisierung
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 504947087

Mehr als 50% aller Medikamente basieren auf Naturstoffen (NS) oder sind zumindest von NS inspiriert. Ermöglicht durch Einsichten in die NS Biosynthese und die steigenden Anzahl an verfügbaren Genomsequenzen wurde mit dem Genome Mining ein Computer-gestütztes Verfahren zur zielgerichteten Entdeckung neuartiger NS entwickelt. Dabei wird das Genom eines Organismus auf das Potential NS herzustellen, untersucht. So wurden hoch komplexe Genome Mining Plattformen entwickelt, mit denen kanonische NS Biosynthese Gen Cluster (BGCs) identifiziert und annotiert werden können. Die Entdeckung einiger NS, für die das korrespondierende BGC nicht durch gegenwärtig verfügbare Genome Mining Algorithmen identifiziert werden können und deren Biosynthese nicht den für die jeweilige NS Klasse abgeleiteten Biosyntheseregeln folgt, legt jedoch nahe, dass ein Anteil an BGCs bislang nicht durch die verfügbaren bioinformatischen Algorithmen identifiziert werden kann. Diese ungewöhnlichen BGCs stellen einen fast unerschlossenen Schatz für die Identifizierung neuartiger NS Grundgerüste und biochemischer Transformationen dar. Wir werden Machine Learning-basierte Genome Mining Algorithmen entwickeln, um zielgerichtet nicht-kanonische BGCs zu identifizieren, die gegenwärtig von Genome Mining Plattformen übersehen werden. Wir werden alle öffentlich verfügbaren Genomsequenz Daten auf das Vorhandensein (1) bisher übersehener Familien ribosomal synthetisierter und posttranslational modifizierter Peptid (RiPP) BGCs, (2) ungewöhnlicher nicht-ribosomal synthetisierter Peptid Synthetase- (NRPS) und Polyketid Synthase- BGCs, dich sich durch das Vorhandensein kryptischer Domänen oder ungewöhnlicher Modulstrukturen auszeichnen, sowie (3) Peptid BGCs, die die RiPP- und NRPS- unabhängigen Biosynthese von Peptiden kodieren, untersuchen. Eine Auswahl der identifizierten BGCs wird refaktorisiert und dabei jedes Gen unter die Kontrolle eines anderen, durch eine niedermolekulare Substanz aktivierbaren Promoters gebracht. Die BGCs werden anschließend in einem optimierten heterologen Wirt exprimiert. Die erzeugten NS werden aufgereinigt und anschließend in ihrer Struktur aufgeklärt. Anschließend werden biosynthetische Studien durchgeführt, indem die Expression jeweils eines Gens unterdrückt und die Auswirkung auf die Produktbildung untersucht wird. Dieses Gen Knockout-unabhängige Verfahren erlaubt es uns biosynthetische Modelle aufzustellen und kleine Bibliotheken verwandter Metaboliten und Biosyntheseintermediate zu erzeugen. Diese kleinen Substanzbibliotheken werden einem breiten Spektrum an Bioaktivitätsassays unterzogen, um Metaboliten mit pharmazeutischen Anwendungspotential zu identifizieren und erste SAR Studien durchzuführen. Dieses Forschungsvorhaben wird dazu beitragen einen Teil der dunklen biosynthetische Materie zu kartieren, den chemischen Raum, der klassischerweise von NS abgedeckt wird, zu erweitern und neuartige biochemische Transformationen zu charakterisieren.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen
• Großgeräte: HPLC-MS