来源：Microb Cell Fact | 编译：DNA Lab Space
丝氨酸蛋白酶是工业酶制剂中的重要成员，其广谱底物特异性和良好稳定性让它在家用洗涤剂、食品加工、皮革处理等领域占据一席之地。然而，这类蛋白在异源宿主中的过量表达常常撞上两堵墙——细胞毒性和分泌效率低下。华东理工大学的研究团队近日在《Microbial Cell Factories》上发表了一项研究，将定向进化、机器学习辅助突变和信号肽工程三种策略拧成一股绳，成功将酸性稳定的碱性丝氨酸蛋白酶PrtA在毕赤酵母（Komagataella phaffii，旧称Pichia pastoris）中的胞外分泌量提升了近5倍。15-L发酵罐中4807.5 U/mL的产量，折合蛋白浓度1.5 g/L，这个数字在蛋白酶异源表达领域颇为亮眼。
研究背景
蛋白酶约占全球工业酶市场的60%，其中微生物来源的丝氨酸蛋白酶因底物谱宽、热稳定性和pH耐受性优异而备受青睐。PrtA是一种酸稳定的碱性丝氨酸蛋白酶，这类酶在酸性环境下仍能保持活性，在洗涤剂和食品工业中具有独特应用价值。
但把PrtA搬进酵母工厂并非易事。异源表达蛋白酶面临三重困境：其一，蛋白酶对宿主细胞自身蛋白的降解威胁导致细胞生长受抑；其二，分泌途径中的蛋白折叠和运输瓶颈限制了胞外产量；其三，信号肽与目标蛋白的匹配度直接影响分泌效率。传统的单点优化策略往往顾此失彼——提升表达量却改变酶学性质，或优化分泌却牺牲稳定性。
毕赤酵母作为甲基营养型酵母，具备蛋白折叠能力强、糖基化程度低、分泌背景干净等优点，是重组蛋白生产的明星宿主。但即便如此，PrtA这类"难缠"蛋白的分泌量仍远低于工业应用的经济阈值。研究者需要一套系统性的解决方案。
研究方法
菌株与载体系统。 研究选用E. coli Trans1-T1作为克隆宿主，K. phaffii GS115作为表达宿主。表达载体为pPIC9和pPICZαA，二者均携带AOX1启动子，可通过甲醇诱导目标基因表达。酪蛋白钠盐（C8654，Sigma-Aldrich）作为蛋白酶活性检测的底物。限制性内切酶EcoRI、NotI和DraI购自Thermo Fisher Scientific。培养基包括BMGY、BMMY、MD和MM，均按照EasySelect™ Pichia Expression Kit（Invitrogen）说明书配制。
基因合成与质粒构建。 编码丝氨酸蛋白酶PrtA的基因（XP_663162）根据毕赤酵母密码子偏好性进行优化，由华大基因（BGI Genomics）合成。成熟PrtA的编码片段通过特异性引物PrtA-MF和Prt-MR（表S1）扩增，利用Basic Seamless Cloning and Assembly Kit（Transgen，北京）同源重组克隆至pPIC9质粒，与α-factor信号肽序列形成框内融合，构建pPIC9-prtA-M。测序验证插入序列正确性。
转化与表达。 重组质粒经Bgl II限制性内切酶线性化后，电转化导入K. phaffii GS115感受态细胞。蛋白表达按照EasySelect™ Pichia Expression Kit说明书诱导。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。用无菌牙签挑取单菌落进行后续验证——这一步原文未详述更多参数。
定向进化与机器学习辅助突变。 研究团队首先通过定向进化获得Q245K突变体。随后构建了机器学习模型MPEPE（Mutation Predictor for Enhanced Protein Expression），用于预测影响蛋白分泌的关键残基。模型输出排名靠前的位点后，团队在该位点进行饱和突变，筛选出I342D突变体。最终将两个有益突变叠加，构建双突变体PrtA-Q245K/I342D。原文未详述定向进化的具体筛选轮次、突变库大小、机器学习模型的训练数据集构成及特征工程细节。
信号肽筛选。 研究评估了九种信号肽对双突变体分泌效率的影响，包括血清白蛋白信号肽、α-factor（不含pro区）信号肽、PrtA天然信号肽等。原文未逐一列出九种信号肽的完整名单及各自的分泌数据，但明确指出三种信号肽（血清白蛋白、α-factor无pro区版本、PrtA天然信号肽）均能使双突变体的分泌量翻倍。值得注意的是，α-factor的pro区若被保留，则会大幅降低产量——这个现象提示pro区可能干扰了PrtA的折叠或分泌途径。
发酵放大。 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。原文未详述发酵参数（温度、pH控制策略、甲醇流加方案、溶氧设定等），仅报告了最终产量数据。
研究结果
单点突变的累积效应。 定向进化筛选出的Q245K突变体，胞外表达量达到野生型PrtA的1.35倍。机器学习模型MPEPE预测出关键分泌相关残基后，团队在排名最高的位点进行饱和突变，获得I342D突变体，其产量提升至野生型的1.48倍。两个突变叠加后，双突变体PrtA-Q245K/I342D的分泌量达到野生型的1.84倍——1.35 × 1.48 ≈ 2.0，实际值1.84略低于乘积，说明两个突变之间存在轻微的负协同，但整体仍呈显著增强效应。更重要的是，双突变并未改变酶的催化性质，即提升分泌量的代价为零。
信号肽工程的倍增效应。 九种信号肽的筛选结果呈现出鲜明的对比。血清白蛋白信号肽、α-factor（不含pro区）和PrtA天然信号肽三者表现最佳，各自将双突变体的分泌量再翻一倍。三重优化叠加后，最终菌株的胞外表达量达到野生型PrtA的4.98倍。而α-factor pro区的存在则带来灾难性后果——产量急剧下降。这个结果提示，pro区可能在该蛋白的分泌过程中扮演了"拖后腿"的角色，其存在可能导致蛋白在内质网中滞留或错误折叠。
发酵罐放大验证。 在15-L补料分批生物反应器中，优化菌株生产PrtA-Q245K/I342D的酶活达到4807.5 U/mL，折合蛋白浓度1.5 g/L。这个数据表明，实验室尺度的优化成果能够顺利放大至中试规模，且产量未出现明显衰减。
讨论与展望
这项研究的亮点在于策略的叠加逻辑。定向进化负责"找到"有益突变，机器学习负责"预测"更多潜在有益位点，信号肽工程则解决"分泌通路适配"问题。三步走完，产量提升接近5倍，且酶学性质保持不变。1.84倍的双突变增强虽略低于两个单突变效应的简单乘积（2.0倍），但考虑到突变之间可能存在的上位效应，这个结果已属理想。
信号肽筛选的结果尤其耐人寻味。α-factor pro区的负面效应提示，PrtA的分泌机制可能对信号肽的加工过程高度敏感。pro区在正常情况下的作用是协助蛋白折叠，但对PrtA而言，它的存在反而成了分泌障碍。这一发现对后续类似蛋白的表达优化具有直接参考价值——有时候"减法"比"加法"更有效。
15-L罐的放大数据（4807.5 U/mL）为工业化生产奠定了基础。不过，目前的数据仍局限于摇瓶和单批次发酵罐实验，长期传代稳定性、高密度发酵的甲醇流加策略优化、以及更大规模（如百升级）的放大验证，都是通往产业化道路上的必经关卡。原文未提供这些后续实验的数据。
该研究选择的组合策略——定向进化叠加机器学习预测再加信号肽筛选——并非某一种方法的单点突破，而是多种工具的协同。这种"组合拳"思路对其它难以异源表达的蛋白酶、脂肪酶、糖苷水解酶等工业酶种具有直接的借鉴意义。机器学习模型MPEPE的引入尤其值得关注：当定向进化遭遇突变空间过大、筛选通量不足的瓶颈时，计算预测可以大幅缩小搜索范围，让实验资源集中在最有希望的位点上。这是合成生物学"设计-构建-测试-学习"循环的一个典型实践案例。
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