主要观点总结
近日,西湖大学理学院张骊駻团队在《Chemical Science》上发表了关于代谢基因组学策略挖掘模块型聚酮产物的论文。研究团队采用负离子质谱分析策略,从链霉菌株 Streptomyces cattleya 中发现了多个聚酮类产物。该策略为聚酮产物的挖掘提供了有效手段,有助于加速发现重要的生物活性分子。
关键观点总结
关键观点1: 研究团队开发了一种基于负离子质量亏损过滤(NegMDF)的代谢基因组学方法,用于模块型聚酮产物的快速筛选。
该方法通过预测目标基因簇相应产物的大致范围,即质量亏损过滤窗口(MDF window),来缩小目标产物的候选离子数量,提高了分析的效率。
关键观点2: 研究通过对微生物代谢组的分析,发现了多个聚酮类产物,其中一些是以前未报道过的。
这些发现展示了该策略在挖掘微生物天然产物中的有效性。
关键观点3: 该研究得到了西湖大学未来产业研究中心、浙江省“尖兵”“领雁”研发计划以及国家自然科学基金的支持。
这些资助为研究的进行提供了重要的支持。
正文
近日,西湖大学理学院
张骊駻
团队在《
Chemical Science
》上发表了题为“
A Metabologenomics Strategy for Rapid Discovery of Polyketides Derived from Modular Polyketide Synthases
”的研究论文。
研究团队开发了一种生物信息学导向的负离子质谱分析策略,可用于模块型聚酮合酶的基因挖掘。该方法成功从一株有数十年研究历史的链霉菌株
Streptomyces cattleya
中发现了
22
个聚酮类产物,其中
18
个此前未报道过。这项研究为聚酮类产物的挖掘提供了一种代谢基因组学手段,有利于加速这类重要生物活性分子的发现。
图
1.
基于
NegMDF
策略的聚酮天然产物代谢基因学挖掘策略
近年来,基因组导向的代谢组分析,即
代谢基因组学
,日渐成为挖掘微
生物天然产物的有效手段。然而,如何在微生物代谢组中找到基因组所预测的产物,是如今天然产物发现的关键问题。对于肽类、糖苷类等有清晰质谱裂解规律的天然产物,代谢基因组学策略已经展示出良好的应用。但对于生物活性良好的模块型聚酮类产物(如红霉素、雷帕霉素等),代谢产物和基因簇直接关联具有挑战性,其中一大瓶颈在于我们对其质谱行为,即
质谱裂解规律
的理解颇为有限。
对此,作者开发了一种基于负离子质量亏损过滤(
NegMDF
)的代谢基因组学方法,用于模块型聚酮产物的快速筛选。质量亏损是指分子的精确质量和名义质量之间的差值。如果以分子的名义质量为
x
轴、质量亏损为
y
轴,则代谢组中所有离子可以展示于一个平面坐标系中(
图
2
)。而一个聚酮基因簇所编码的化合物离子,往往集中于坐标系的一个有限区域内。基于生物信息学分析,我们可以预测出目标基因簇相应产物所在的大致范围,即质量亏损过滤窗口(
MDF window
)。采用该窗口对代谢组数据进行筛选,可将目标产物的候选离子数量从数百个减小至数十个,达到可人为分析的水平。
图
2.
质量亏损分析原理图。
a.
微生物来源天然产物的质量亏损分布
b. I
型聚酮合酶产物的质量亏损分布
c. II
型聚酮合酶产物的质量亏损分布
候选离子结构鉴别需要进一步的靶向二级质谱分析。为此,作者收集了文献中报道的
222
个聚酮产物的二级质谱图,从而系统总结了模块聚酮类化合物的质谱学特征,并将裂解反应与基因簇特征进行了关联。有趣的是,作者发现负离子模式下,聚酮类化合物的源内裂解被显著抑制。因此负离子模式被用于后续筛选的标准条件,该策略因此被命名为
NegMDF
。
为验证该方法的性能,作者将该策略用于一株链霉菌
S. cattleya
中模块型聚酮产物的挖掘。针对含有模块性聚酮合酶的
3
个基因组区域,作者分别表征了
13
个
cattlemycin
类聚酮,
7
个
butyrolactol
类聚酮,以及
2
个新颖聚酮产物,命名为
cattleyatetronate
(
图
3
)。这类产物具有一种罕见的羟乙酰乙酸内酯(
tetronate
)骨架,可能蕴含着与该家族其他成员不同的生物合成机制。
图
3
. NegMDF
策略发现了新类型的聚酮天然产物
cattleyatetronate
。
a.
基于聚酮基因簇的生物信息学分析决定质量亏损窗口
b.
基于
NegMDF
策略的代谢组筛选
c.
新颖聚酮
cattleyatetronate
的结构表征
总而言之,本研究发展了一种简便、高效的代谢基因组学筛选策略,能够快速发现微生物中隐藏的模块型聚酮天然产物。西湖大学
-
复旦大学联合培养博士研究生
刘润洲
为论文第一作者,
张骊駻
研究员为通讯作者。西湖大学分子科学公共实验平台对本研究提供了帮助。该研究得到了西湖大学未来产业研究中心、浙江省“尖兵”“领雁”研发计划以及国家自然科学基金的支持。
感谢张骊駻老师课题组对本号的支持,感谢该课题组提供本文稿件支持!
https://pubs.rsc.org/en/Content/ArticleLanding/2024/SC/D4SC04174G
合成生物学/天然产物生物合成
姊妹号“生物合成文献速递”
高颜值免费 SCI 在线绘图
(
点击图片直达
)
最全植物基因组数据库IMP
(
点击图片直达
)
往期精品
(
点击图片直达文字对应教程
)
机器学习