来源：Microb Cell Fact | 编译：DNA Lab Space
微生物丝氨酸蛋白酶因底物谱广、稳定性好，在工业上用途广泛。可一旦把它们塞进异源宿主里高表达，麻烦就来了——产物对宿主有毒性，分泌效率又差，产量上不去。这篇发表在Microbial Cell Fact上的研究，瞄准的是来自Komagataella phaffii（即毕赤酵母）的一种耐酸碱性丝氨酸蛋白酶PrtA。研究者把蛋白质工程和信号肽优化两套策略叠加使用，最终在15 L发酵罐里把胞外酶活推到了4807.5 U/mL，折合蛋白浓度约1.5 g/L。
这个数字不是终点。更值得关注的是他们怎么一步步走到这里：先做定向进化拿到单点突变，再用机器学习模型预测关键残基、做饱和突变，最后筛选九种信号肽找到最优组合。每一步都有明确的倍数提升，环环相扣。
研究背景
PrtA是一种酸稳定的碱性丝氨酸蛋白酶，在酸性环境下仍能保持活性，这让它在食品、饲料、洗涤剂等工业场景中很有吸引力。但异源表达这类蛋白酶有个共性难题：酶蛋白在宿主细胞内积累到一定浓度就会引发细胞毒性，而分泌效率不高又让胞外产量上不去。
毕赤酵母是常用的蛋白表达宿主，甲醇诱导的AOX1启动子系统成熟、分泌能力强、翻译后修饰完善。可即便如此，PrtA这类“自带攻击性”的蛋白酶依然让宿主细胞忌惮。研究者面临的核心矛盾是：既要让宿主多产酶，又不能让它被自己的产物伤到。
传统的解决思路往往只盯一个环节——要么改启动子，要么换信号肽，要么做突变。这篇论文的不同之处在于，他们把三个层次的策略串联起来：先通过定向进化提升单点突变体的分泌量，再用机器学习指导的第二轮突变叠加增益，最后用信号肽筛选把组合突变体的分泌能力再翻一番。三步走完，总提升接近5倍。
研究方法
菌株、载体与培养基
大肠杆菌Trans1-T1承担克隆工作，K. phaffii GS115作为表达宿主。表达载体有两个：pPIC9和pPICZαA。底物用的是牛乳来源的酪蛋白钠盐（Sigma-Aldrich，货号C8654）。限制性内切酶EcoRI、NotI和DraI购自Thermo Fisher Scientific，其余化学试剂均为分析纯。
培养基包括BMGY（缓冲甘油复合培养基）、BMMY（缓冲甲醇复合培养基）、MD（最低葡萄糖培养基）和MM（最低甲醇培养基），配制方法按照Invitrogen EasySelect™ Pichia表达试剂盒手册执行。
质粒构建
编码PrtA的基因（GenBank登录号XP_663162）先按照K. phaffii密码子偏好性做了优化，由华大基因合成。成熟PrtA的编码片段用特异性引物PrtA-MF和Prt-MR扩增，通过同源重组的方式克隆到pPIC9质粒上，与α-factor信号序列形成框内融合，构建出pPIC9-prtA-M。连接反应使用Transgen公司的Basic Seamless Cloning and Assembly Kit。构建完成后测序验证插入序列正确。
蛋白表达与纯化
重组质粒用Bgl II限制性内切酶线性化，电转化进入K. phaffii GS115感受态细胞。蛋白表达诱导按照Invitrogen EasySelect™ Pichia表达试剂盒的标准流程进行。His⁺转化子先在MD琼脂平板和MM琼脂平板上30 °C培养48 h进行初步筛选，然后用无菌牙签挑取单菌落进行后续验证。
定向进化与机器学习辅助突变
第一轮改造采用定向进化策略，获得Q245K单点突变体，胞外表达量比野生型提高1.35倍。
第二轮改造引入了一个名为MPEPE（Mutation Predictor for Enhanced Protein Expression）的机器学习模型。这个模型的任务是预测哪些氨基酸残基突变后能提升蛋白分泌效率。模型输出排名第一的预测位点被选作饱和突变靶点，对该位点进行饱和突变筛选后，获得I342D突变体，产量比野生型提高1.48倍。
随后把两个有益突变叠加，构建双突变体PrtA-Q245K/I342D。酶学性质检测显示，这个双突变体的分泌量达到野生型的1.84倍，而酶学性质没有改变。
信号肽筛选
研究者评估了九种信号肽对双突变体分泌效果的影响。这九种信号肽包括血清白蛋白信号肽、α-factor信号肽（含或不含前导肽pro-region）、PrtA自身天然信号肽等。结果显示，血清白蛋白信号肽、不含pro-region的α-factor信号肽以及PrtA天然信号肽都能让组合突变体的分泌量翻倍。把最优突变和最优信号肽组合起来，最终表达量达到野生型的4.98倍。
值得注意的是，α-factor信号肽如果带上pro-region，产量反而大幅下降。这个对比说明pro-region的存在对PrtA的分泌不是帮助，而是阻碍。
15 L发酵罐放大
优化后的菌株在15 L补料分批生物反应器中进行放大生产。最终产酶水平达到4807.5 U/mL，折合蛋白浓度约1.5 g/L。
原文摘要未详述发酵过程中的具体参数——包括温度控制曲线、pH维持范围、甲醇流加策略、溶氧设定等细节均未在摘要中给出。
研究结果
定向进化：Q245K单点突变提升1.35倍
第一轮改造通过定向进化获得Q245K突变体。这个突变位于PrtA的第245位氨基酸，将谷氨酰胺（Q）替换为赖氨酸（K）。胞外表达量测定结果显示，Q245K突变体的分泌水平是野生型PrtA的1.35倍。这个提升幅度不算夸张，但为后续叠加突变提供了基础。
机器学习指导的饱和突变：I342D再添1.48倍增益
第二轮改造的关键工具是MPEPE机器学习模型。研究者用这个模型预测了PrtA中与分泌相关的关键残基，然后对排名第一的预测位点做饱和突变——即把这个位点的氨基酸逐一替换成其他19种氨基酸，逐一检测分泌效果。
筛选结果锁定了I342D突变：第342位的异亮氨酸（I）被替换为天冬氨酸（D），产量达到野生型的1.48倍。这个位点能被机器学习模型准确预测，说明MPEPE在识别影响蛋白分泌的关键残基方面确实有预测能力。
双突变叠加：1.84倍协同增强
把Q245K和I342D两个突变叠加到一起，得到双突变体PrtA-Q245K/I342D。分泌量测定显示，双突变体达到野生型的1.84倍——高于任一单突变体，说明两个突变之间存在协同效应，不是简单相加。
酶学性质检测确认，双突变体的催化活性、底物特异性等关键酶学参数与野生型一致。这意味着产量提升不是靠牺牲酶功能换来的，突变只影响了分泌效率，没有波及催化性能。
信号肽筛选：三种信号肽各贡献约2倍提升
九种信号肽的筛选结果呈现出清晰的层级差异。血清白蛋白信号肽、不含pro-region的α-factor信号肽、PrtA天然信号肽这三种，都能让双突变体的分泌量再翻一番。而含pro-region的α-factor信号肽则导致产量大幅下降。
把最优突变组合（Q245K/I342D）和最优信号肽组合起来，最终表达量达到野生型的4.98倍。这个数字是定向进化、机器学习突变、信号肽优化三步效果的乘积——1.35 × 1.48 ≈ 2.0，再乘以信号肽带来的约2.5倍增益，与4.98倍基本吻合。
15 L发酵罐：4807.5 U/mL，折合1.5 g/L
放大生产在15 L补料分批生物反应器中进行。优化菌株的最终产酶水平达到4807.5 U/mL，折合蛋白浓度约1.5 g/L。这个数据验证了整套策略从摇瓶到反应器的可放大性。
讨论与展望
这项研究的亮点在于策略组合的系统性。定向进化解决的是“哪个位点突变能提升分泌”的问题，机器学习模型解决的是“下一个该改哪里”的问题，信号肽筛选解决的是“怎么把蛋白送出去”的问题。三个问题独立解决，再叠加起来，效果不是加法而是乘法。
Q245K和I342D两个突变的协同效应尤其值得玩味。单突变分别带来1.35倍和1.48倍的提升，叠加后达到1.84倍，明显高于两者乘积的理论值（约2.0倍）——等等，1.35 × 1.48 = 1.998，实际1.84倍略低于乘积。但考虑到测量误差和突变间可能的相互影响，这个数值依然表明两个突变位点对分泌效率的贡献是正向叠加的。具体机制——是影响了蛋白折叠动力学，还是改变了与分子伴侣的互作界面——摘要中未展开，这或许是后续结构生物学研究可以深挖的方向。
信号肽筛选的结果同样有启发意义。α-factor的pro-region对PrtA分泌是负面因素，这一点与许多其他蛋白的表达经验不同。pro-region在某些蛋白中起到折叠辅助作用，但对PrtA而言，它的存在反而拖累了分泌。这提醒我们，信号肽的选择不能照搬通用方案，必须针对目标蛋白逐一验证。
从工业应用角度看，4807.5 U/mL的产酶水平已经具备商业化生产的潜力。15 L罐的成功放大也为更大规模的反应器提供了数据支撑。这套“定向进化+机器学习+信号肽工程”的组合策略，对其它难以异源表达的有毒蛋白酶同样具有参考价值。
原文摘要未提供以下细节：Q245K和I342D突变对蛋白热稳定性的具体影响、MPEPE模型的训练数据集构成与预测精度指标、九种信号肽的完整清单及各自的具体分泌量数据、15 L发酵罐的运行参数（温度、pH、诱导时间、甲醇流加速率等）。这些信息需要查阅论文全文或补充材料才能获取。
---
参考来源
Zhao B, Zhou Q, Wei P, Zhang H, Qin X. A combined strategy for high-efficiency expression of alkaline protease PrtA in Komagataella phaffii (syn. Pichia pastoris). Microb Cell Fact. PMID: 41808135.
PMID: 41808135