来源：Microb Cell Fact | 编译：DNA Lab Space
蛋白酶是工业酶制剂中体量最大的品类之一，但外源表达却常常卡在“产得出来、分泌不出去”这一环。细胞毒性、错误折叠、信号肽不匹配——每一个环节都可能让产量断崖式下跌。江南大学研究团队近日在Microbial Cell Factories发表论文，将定向进化、机器学习引导突变与信号肽工程三种手段叠加，把一种酸稳定性碱性丝氨酸蛋白酶PrtA在Komagataella phaffii（即毕赤酵母）中的分泌产量推高至野生型的4.98倍。15升发酵罐规模下，酶活达到4807.5 U/mL，折合蛋白浓度1.5 g/L。
研究背景
微生物来源的丝氨酸蛋白酶因底物谱广、稳定性好，在洗涤、食品、皮革加工等领域应用广泛。PrtA是一种兼具酸稳定性的碱性蛋白酶，工业潜力突出。然而，这类蛋白酶在异源宿主中过表达时，常因对宿主细胞具有毒性而难以实现高分泌。毕赤酵母是公认高效的外源蛋白生产平台，但遇到蛋白酶这类“难缠”分子，常规表达策略往往收效甚微。
过去的研究多聚焦于单一维度的优化——要么改启动子，要么换信号肽，要么做点突变。但蛋白分泌是一个多步骤的复杂过程，从翻译、折叠到穿越细胞膜，每一步都可能成为瓶颈。单点突破的收益有限，系统性组合策略才是破局之道。
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两种。底物选用牛乳酪蛋白钠盐（Sigma-Aldrich，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。
培养基配方。 BMGY、BMMY、MD和MM培养基均按照Invitrogen EasySelect™ Pichia Expression Kit手册配制。这些培养基分别承担细胞增殖、甲醇诱导表达、转化子筛选等功能。
基因合成与质粒构建。 PrtA编码基因（XP_663162）根据毕赤酵母密码子偏好性进行优化，由华大基因合成。成熟肽编码片段通过特异性引物PrtA-MF和Prt-MR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信号肽序列融合，构建pPIC9-prtA-M。测序验证插入序列正确。
转化与表达。 重组质粒经Bgl II线性化后，电转化导入K. phaffii GS115感受态细胞。His⁺转化子先在MD琼脂平板和MM琼脂平板上30°C培养48小时进行初步筛选。用无菌牙签挑取单菌落，后续按EasySelect™ Pichia Expression Kit标准流程进行甲醇诱导表达。
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，该突变体胞外表达量比野生型提高1.35倍。随后构建机器学习模型MPEPE（Mutation Predictor for Enhanced Protein Expression），用于预测影响蛋白分泌的关键氨基酸残基。模型评分最高的位点进行饱和突变，筛选出I342D突变体，产量提升1.48倍。将两个有益突变叠加，获得双突变体PrtA-Q245K/I342D，分泌量达野生型的1.84倍。
信号肽筛选。 研究系统评估了9种信号肽对双突变体分泌效率的影响。原文摘要未详述这9种信号肽的完整清单，但明确提及血清白蛋白信号肽、去除前导肽的α-factor信号肽以及PrtA天然信号肽均能使双突变体分泌量翻倍。值得注意的是，α-factor前导肽（pro-region）的存在会大幅降低产量——这提示前导肽可能干扰了PrtA的折叠或转运过程。
发酵放大。 最优菌株在15升补料分批生物反应器中进行放大验证。原文摘要未提供发酵温度、pH控制策略、甲醇流加方案及诱导时间等具体参数，但给出了最终产量数据：4807.5 U/mL酶活，折合蛋白浓度1.5 g/L。
研究结果
单点突变的叠加效应。 定向进化获得的Q245K突变使胞外表达量提升至野生型的1.35倍。MPEPE模型预测的I342D突变则带来1.48倍的产量提升。两个突变叠加后，分泌量达到野生型的1.84倍——1.35×1.48≈2.0，实际1.84倍略低于理论乘积，但明显高于任一单突变体，说明二者存在协同增强效应。更重要的是，双突变体的酶学性质未发生改变，即产量提升没有以牺牲酶功能为代价。
信号肽的“二倍效应”。 信号肽筛选结果颇具戏剧性。血清白蛋白信号肽、无前导肽的α-factor信号肽、PrtA天然信号肽，三种信号肽各使双突变体的分泌量翻倍，最终组合方案的表达量达到野生型的4.98倍。这一数字意味着，蛋白工程改造（1.84倍）与信号肽优化（约2.7倍）的收益基本可以相乘叠加，说明两个层面的瓶颈是相对独立的。
α-factor前导肽的意外拖累。 与无前导肽版本形成鲜明对比的是，含有pro-region的α-factor信号肽使产量大幅下降。这一结果提示，对于PrtA这类蛋白酶而言，前导肽的存在可能阻碍了成熟肽的正确折叠，或在转运过程中造成了不必要的滞留。这也解释了为何许多工业酶表达会选择去除前导肽的信号肽变体。
发酵放大验证。 15升补料分批发酵中，优化菌株的PrtA-Q245K/I342D产量达到4807.5 U/mL，折合1.5 g/L蛋白。这一数据在工业规模上验证了组合策略的可行性。需要指出的是，原文摘要未提供发酵时长、甲醇诱导周期、细胞密度等过程参数，因此无法评估单位时间的生产强度。
讨论与展望
这项研究的价值在于方法论层面的整合逻辑。定向进化擅长发现“有益突变”，但往往只提供单一维度的改进；机器学习模型能够从序列特征中预测影响分泌的关键位点，但预测结果需要实验验证；信号肽工程则从分泌路径的入口处解决问题。三者叠加，1.35倍、1.48倍和约2.7倍的提升近乎完美地相乘为4.98倍——这种可叠加性本身就说明了瓶颈的多样性。
一个值得注意的细节是，Q245K和I342D两个突变都未改变酶的催化性质。这意味着产量提升可能源于蛋白折叠效率、胞内稳定性或分泌通路兼容性的改善，而非酶活本身的增强。对于工业应用而言，这其实是理想状态——酶的性能参数不需要重新验证，直接放大生产即可。
15升罐的4807.5 U/mL成绩单固然亮眼，但距离产业化仍有距离。原文摘要未提及更高规模（如百升级以上）的发酵验证，也未报告纯化收率和最终产品的稳定性数据。此外，MPEPE模型的训练集来源、预测精度和泛化能力等细节在摘要中未展开，这些信息对于评估该策略的可迁移性至关重要。
总体而言，这项研究为“难表达”蛋白的工业开发提供了一个可复制的技术范式：定向进化找突变，机器学习筛位点，信号肽工程破瓶颈，组合叠加放大收益。对于其他类型的毒性蛋白或分泌障碍蛋白，这套组合拳或许同样适用。
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