基于无细胞系统的PET水解酶高效合成与筛选平台构建

来源:A cell-free platform for the high-efficiency synthesis and screening of PET hydrolase(Journal of Biotechnology)| 编译:DNA Lab Space | 原文许可:elsevier-subscription

📎 相关工具:参考文献格式化

导读

PET塑料的酶法回收依赖高性能PET水解酶,但传统筛选流程涉及质粒重组、细胞培养、蛋白纯化与HPLC分析,周期长达5天且成本高昂。本研究构建了一个微孔板兼容的无细胞系统(CFS)平台,将线性DNA模板介导的体外表达、H1标签/FlAsH-EDT2荧光原位定量与p-NPA比色活性检测集于一体。在3种天然PETase及16个变体上的验证表明,吸光度与荧光比值与酶比活力正相关,筛选周期缩短至24小时以内,成本降低60%。

研究背景

PET凭借优良的机械性能、热稳定性和化学耐受性,广泛用于纺织、食品包装和生物医学领域,但大量消耗也带来资源枯竭与环境污染。酶法回收利用微生物水解酶(如IsPETase、LCC、TfCut2)将PET废物解聚为低聚物或单体,再聚合为再生PET。然而,PETase降解活性偏低制约了工业化进程。理性设计与AI驱动的酶工程结合高通量筛选成为改造PETase的有效策略。传统筛选流程需经历质粒重组、转化与克隆挑选、细胞培养与诱导表达、细胞裂解等繁琐步骤,效率低下。无细胞系统天然支持线性DNA模板的转录翻译,且无需蛋白纯化即可直接定量与测活,为加速PETase筛选提供了新可能。

研究方法

2.1 线性DNA模板的构建

含H1标签的重组质粒(pET28a-H1)由实验室前期构建。使用引物pET28a-H1-F/R对质粒进行线性化,通过PCR扩增在PETase基因和载体两端引入15 bp同源臂。随后,利用PrimeSTAR® Max DNA聚合酶(Takara Bio,Cat# R045Q)通过Gibson assembly将PETase基因克隆至pET28a-H1。用于CFS表达的线性DNA模板(表S2)以重组质粒为模板,使用引物pET28a-n-F/R(n = 0∼250 bp)和Taq Max DNA聚合酶(Novozymes,Cat# P213–01)扩增获得。PCR条件为:95°C初始变性3 min;35个循环的变性(95°C,30 s)、退火(59°C,30 s)和延伸(72°C,98 s);最后72°C延伸5 min。扩增产物使用CW2301M凝胶/PCR提取试剂盒(CoWin Biosciences)纯化,但该步骤非必需。所有寡核苷酸引物由上海桑尼生物科技有限公司合成,列于表S1。

【数据】同源臂长度:15 bp;PCR循环数:35;变性温度/时间:95°C/30s;退火温度/时间:59°C/30s;延伸温度/时间:72°C/98s;初始变性:95°C/3min;最终延伸:72°C/5min

2.2 细胞裂解液的制备

大肠杆菌BL21(DE3)菌株在20 mL 2×YT + P培养基(16 g/L蛋白胨、10 g/L酵母提取物、5 g/L NaCl、40 mM K2HPO4和22 mM KH2PO4)中,37°C、250 rpm振荡培养14–16小时。取4 mL过夜培养物转接至2 L挡板摇瓶中的400 mL新鲜2×YT + P培养基,相同条件下培养至OD600为0.7–0.8。加入异丙基β-D-1-硫代半乳糖苷(IPTG)至终浓度0.5 mM诱导T7 RNA聚合酶表达,37°C继续培养2小时(OD600达到3–3.5)。细胞在5500g、4°C离心10 min收获,重悬于冰冷蔗糖溶液(20%,w/v)。冰上孵育10 min后,相同条件再次离心。沉淀用冰冷ddH2O洗涤3次,按1 g细胞加1 mL S30缓冲液的比例重悬于冰冷S30缓冲液(含2 mM二硫苏糖醇)。随后,悬浮液进行超声破碎,参数为2 s脉冲加3 s间隔,持续40 min。裂解液在29800g、4°C离心30 min澄清,上清分装后液氮速冻,−80°C保存。

【数据】培养基:2×YT+P(16 g/L蛋白胨、10 g/L酵母提取物、5 g/L NaCl、40 mM K2HPO4、22 mM KH2PO4);温度:37°C;转速:250 rpm;培养时间:14–16h;IPTG浓度:0.5 mM;诱导时间:2h;OD600:0.7–0.8(诱导前)/3–3.5(诱导后);离心:5500g/10min/4°C、29800g/30min/4°C;蔗糖浓度:20%(w/v);超声:2s脉冲/3s间隔/40min

2.3 CFS平台合成与筛选PETase的反应体系与流程

FlAsH-EDT2(4,5-双(1,3,2-二硫砷环戊烷-2-基)荧光素,阿拉丁,Cat# F332805)溶于DMSO至500 μM,−20°C保存。FlAsH-EDT2与β-巯基乙醇的混合液在PBS缓冲液中配制,使用前室温孵育15 min。CFS反应液组成:4 μL澄清细胞裂解液、6.75 μL补充液(1.5 mM ATP/GTP、0.9 mM UTP/CTP、0.06 mM亚叶酸、0.2 mg/mL tRNA、0.33 mM NAD、0.27 mM辅酶A、1 mM亚精胺、20 mM谷氨酸镁、10 mM谷氨酸铵、175 mM谷氨酸钾、2 mM氨基酸混合物(19种标准氨基酸,不含谷氨酸)、66.6 mM磷酸烯醇丙酮酸(PEP)、1.874 μL 20%(w/v)PEG8000)、300 ng线性DNA模板。剩余体积用无核酸酶ddH2O补至15 μL,并加入1 μL上述FlAsH-EDT2染料溶液。CFS反应在黑色壁384孔微孔板中进行,用光学透明粘合膜密封以减少蒸发,30°C、250 rpm连续水平振荡孵育。当PETase充分表达后(约12 h),微孔板转移至Feyond-F100荧光微孔板读数仪(奥盛,中国)进行蛋白定量。在485 nm激发下检测530 nm处的荧光强度(F)。酶活测定时,将4-硝基苯乙酸酯(pNP-A)溶于乙腈至100 mM。随后,向透明96孔板中加入89 μL PBS(100 mM,pH 7.0)、1 μL CFS反应液和10 μL p-NPA溶液。平板在30°C孵育13 min,在FlexA−200HT微孔板读数仪(奥盛,中国)上检测405 nm处吸光度(A)。

【数据】FlAsH-EDT2浓度:500 μM(DMSO储存);孵育条件:室温/15min;CFS体系:4μL裂解液+6.75μL补充液+300ng线性DNA+1μL染料,总体积15μL;ATP/GTP:1.5mM;UTP/CTP:0.9mM;亚叶酸:0.06mM;tRNA:0.2mg/mL;NAD:0.33mM;辅酶A:0.27mM;亚精胺:1mM;谷氨酸镁:20mM;谷氨酸铵:10mM;谷氨酸钾:175mM;氨基酸混合物:2mM;PEP:66.6mM;PEG8000:20%(w/v)1.874μL;反应温度/时间:30°C/约12h;转速:250rpm;荧光检测:Ex 485nm/Em 530nm;pNP-A浓度:100mM(乙腈溶解);酶活体系:89μL PBS(100mM,pH7.0)+1μL CFS反应液+10μL p-NPA;酶活反应:30°C/13min;吸光度检测:405nm

PETase合成与筛选的示意图。
▲ PETase合成与筛选的示意图。

研究结果

3.1 CFS合成与筛选PETase平台的建立

为实现PETase变体的高效合成与筛选,我们开发了一个基于微孔板的CFS平台,将无细胞蛋白合成与无需蛋白纯化的直接定量相结合,随后进行简单的酶活测定。如图1所示,将H1标签融合至目标基因后,PETase的C端形成一个小螺旋结构,该结构对FlAsH染料(FlAsH-EDT2)具有特异性结合亲和力,可在485 nm激发下通过监测530 nm处的荧光发射(F)实时检测蛋白产量。CFS反应和原位蛋白定量在黑色壁384孔微孔板中进行。随后,含PETase的CFS混合液直接转移至透明微孔板中,利用p-NPA底物评估PETase的水解活性——产生的p-NP在405 nm处有易于检测的吸光度(A)。为消除不同变体间蛋白产量的差异,比活力(催化活性与酶浓度的比值)通常被用作酶筛选的指标。因此,该平台可行性的关键在于证明F/A比值与酶的比活力呈正相关。

【数据】荧光检测:Ex 485nm/Em 530nm;吸光度检测:405nm;底物:p-NPA

(A, B) The plasmid and linear DNA templates used in CFS. (C) Specific activity comparation of PETase (IsPETase, LCC and TfCut2) with or without H1 tag. Enzymes were produced through conventional in vivo expression and Ni-NTA purification. Enzyme activity analysis was performed on PET film with 500 n
▲ (A, B) The plasmid and linear DNA templates used in CFS. (C) Specific activity comparation of PETase (IsPETase, LCC and TfCut2) with or without H1 tag. Enzymes were produced through conventional in vivo expression and Ni-NTA purification. Enzyme activity analysis was performed on PET film with 500 n

3.2 PETase的合成与定量

在无细胞系统中,DNA模板的选择对蛋白表达有显著影响。CFS系统的一个显著优势是其天然支持线性DNA模板的转录翻译。为评估模板依赖性表达效率,我们构建了胞内蛋白表达常用的质粒载体(pET28a和pET22b)及其线性化对应物(图2A、B)。虽然该工作流程中不需要蛋白纯化,标签序列(6×His、凝血酶位点和T7标签)可以省略,但我们仍保留标签序列,以便筛选后将线性模板整合回常规质粒。为减轻线性DNA的降解,我们采取了保护策略——在T7启动子上游和T7终止子下游保留一段非翻译序列。通过含有不同长度保护区的线性模板表达mCherry和eGFP(图S1A、B),结果表明保护区长度的增加与目标蛋白产量呈正相关。当保护序列长度超过50 bp时,最终蛋白产量显著提高。这归因于非转录区的存在,在一定程度上抵消了核酸酶对核心转录区的降解。本研究采用含250 bp保护区的线性DNA模板进行CFS反应,并与相应质粒载体进行了比较(图S1C、D)。结果显示,质粒模板的蛋白产量显著低于线性模板。这是因为在相同核酸质量下,线性模板提供的目标基因拷贝数高于质粒。此外,pET28a/pET22b载体的骨架含有冗余基因(如LacI和抗性基因),消耗了CFS中部分可用资源。相比之下,线性模板可将有限资源分配至目标蛋白的生产。因此,最终选用含250 bp保护区的线性28模板用于CFS中PETase的合成。

虽然许多蛋白定量方法可与无细胞系统兼容,包括放射性氨基酸掺入、FluoroTect™标记、荧光蛋白融合或split-GFP融合等,但考虑到CFS中酶筛选的实际实施,这些方法存在成本高或可能抑制酶活性等问题。利用FlAsH-EDT2染料与富含半胱氨酸蛋白结合产生绿色荧光的特性,我们将H1标签——一个含4个半胱氨酸的12残基小螺旋——融合至三种PETase(LCC、IsPETase、TfCut2)的C端。体内表达和HPLC分析验证了H1标签的融合不影响这些PETase的催化功能(图2C)。随后,编码IsPETase-H1、LCC-H1和TfCut2-H1的线性DNA在含FlAsH-EDT2的CFS中分别表达。如图2D所示,SDS-PAGE图像确认了CFS中目标蛋白的产生。值得注意的是,这些目标蛋白在蓝光透射仪(470 nm)下无需任何染色处理即可清晰可见,支持了目标蛋白的荧光分析。CFS溶液的实时荧光分析(激发:485 nm,发射:530 nm)显示,IsPETase-H1表达系统在孵育过程中表现出明显的信号增强,而IsPETase表达系统与空白对照(不添加任何DNA模板)的信号强度相同(图2E)。初始3小时内,荧光强度快速增加,表明目标蛋白的快速合成。然而,3小时后上升趋势逐渐减缓,这与CFS反应液早期转录翻译资源丰富、后期资源受限的事实相符。这些结果表明H1标签/FlAsH-EDT2策略可用于CFS中原位蛋白定量。值得注意的是,空白对照中的高背景荧光归因于FlAsH-EDT2与内源性H1样基序的非特异性结合,提示需要进一步优化以提高信噪比。

β-巯基乙醇(β-ME)可通过竞争性结合和还原稳定机制抑制FlAsH-EDT2与内源蛋白之间的非特异性相互作用。为提高信噪比,对FlAsH-EDT2和β-ME浓度进行了协同优化(图3A、B)。结果表明,随着FlAsH-EDT2添加量的增加,背景荧光(F空白)升高,而信号荧光(F)随β-ME的添加而改善(图3A)。可以推测,过量的β-ME阻碍了H1标签与FlAsH-EDT2的结合,导致信号减弱,而β-ME不足则无法抑制背景荧光。当FlAsH-EDT2为15 μM、β-ME为4 mM时,信噪比(F/F空白)达到最大(图3B)。为验证蛋白定量的可行性,分别通过荧光法和BCA法测定了不同产量的CFS反应,两者呈现高度线性相关(图3C)。此外,对于不同目标蛋白(LCC、IsPETase和TfCut2),荧光信号(F-F空白)/F空白与蛋白浓度之间的系数表现出显著的一致性。这表明荧光信号可以方便地用于代表CFS中PETase的浓度。

(A) The fluorescence intensity of IsPETase-H1 expressing system (F) and no DNA system (F blank) with varying concentrations of FlAsH-EDT2 and β-ME added at the start of the CFS reaction (Ex:485 nm, Em:530 nm). (B) The corresponding signal-to-noise ratio (F-F blank/F blank) plot. (C) Fluorescence int
▲ (A) The fluorescence intensity of IsPETase-H1 expressing system (F) and no DNA system (F blank) with varying concentrations of FlAsH-EDT2 and β-ME added at the start of the CFS reaction (Ex:485 nm, Em:530 nm). (B) The corresponding signal-to-noise ratio (F-F blank/F blank) plot. (C) Fluorescence int

【数据】保护区长度的最优值:>50bp后产量显著增加;实际使用:250bp;H1标签:12残基小螺旋/4个半胱氨酸;蓝光透射:470nm;荧光检测:Ex 485nm/Em 530nm;信号快速上升期:初始3h;FlAsH-EDT2最优浓度:15μM;β-ME最优浓度:4mM;定量验证:荧光法 vs BCA法呈高度线性相关

3.3 PETase的活性测定

在建立了CFS中PETase定量方法后,我们旨在开发一种活性测定方法,通过直接利用CFS反应液实现快速酶筛选。由于CFS体系含有复杂的内源基质,且用于酶表达的反应液体积小(15 μL CFS混合物可产生0.5–1.5 μg酶),直接利用CFS溶液降解PET薄膜或粉末几乎无法检测,使活性评估不便。因此,我们使用了BHE(原文此处截断,后续内容未提供)。

【数据】CFS产酶量:0.5–1.5 μg/15μL体系(原文未详述后续BHE方法细节)

(A) PETase(IsPETase、LCC 和 TfCut2)在有或无 H1
▲ (A) PETase(IsPETase、LCC 和 TfCut2)在有或无 H1
(A) 通过常规体内表达和HPLC分析方法测定的PETase变体比活性,以及CFS平台上获得的A-A空白与(F-F空白)/F空白的比值。(B) 常规方法和CFS平台的典型筛选流程。
▲ (A) 通过常规体内表达和HPLC分析方法测定的PETase变体比活性,以及CFS平台上获得的A-A空白与(F-F空白)/F空白的比值。(B) 常规方法和CFS平台的典型筛选流程。

讨论与解读

本研究构建了一个微孔板兼容的CFS平台,通过整合线性模板介导的无细胞蛋白表达、H1标签/FlAsH-EDT2荧光策略的原位蛋白定量以及p-NPA底物的比色活性测定,实现了PETase的高效合成与筛选。在条件优化后,该平台可便捷地估算PETase的比活力。对天然PETase和嵌合变体的测试验证了平台的有效性:CFS平台获得的比活力与常规体内表达和HPLC分析的结果高度一致。更重要的是,该平台将筛选周期从5天缩短至不到24小时,成本降低了60%。这一快速、经济的平台有助于加速PETase的工程改造,且可推广至其他工业酶的筛选——只需更换酶活测定所用的显色底物即可。

编译者解读:该研究的核心价值在于将"表达-定量-测活"三个环节压缩至一个无细胞反应中完成,绕开了传统酶工程筛选中耗时费力的克隆与纯化步骤。线性DNA模板直接作为表达元件、荧光原位定量免去蛋白纯化、比色法直接读取活性——三步串联形成了真正的"样本进、数据出"式筛选流水线。60%的成本削减和5天到24小时的周期压缩,意味着在相同资源下可筛选的变体数量大幅提升,这恰好对接了AI辅助酶设计对高通量实验验证的迫切需求。值得关注的是,平台对多种PETase(IsPETase、LCC、TfCut2)的普适性验证,为其扩展至其他水解酶家族奠定了基础。局限在于,p-NPA是模型底物而非PET本身,初筛阳性变体仍需通过真实PET降解实验复核。

参考来源

Fu C. A cell-free platform for the high-efficiency synthesis and screening of PET hydrolase. Journal of Biotechnology, 2026. DOI: 10.1016/j.jbiotec.2026.05.012

DOI: 10.1016/j.jbiotec.2026.05.012

延伸阅读:更多代谢通路设计、多基因组装等合成生物学工具,可访问 DNA Lab Space

📎 相关文章

大肠杆菌代谢工程实现O-琥珀酰-L-高丝氨酸高效生产 09-12 从Gibson组装到无细胞表达 09-12 整合代谢工程与生物过程优化实现枯草芽孢杆菌表面活性素高产 09-12 基于染色质可及性的酿酒酵母基因表达水平多机器学习模型预测 09-12