Combining in silico docking and molecular dynamics simulations to predict the impact of mutations on the substrate specificity of BTL2 lipase

Abstract

Lipazlar trigliseritlerdeki açil grup ile gliserol arasındaki ester bağını keserek gliserol veyağ asidi olusturmaktadır. Bacillus thermocatenulatus lipaz (BTL2) en yüksekaktivitesini tributyrin (C4) substratı üzerinde göstermektedir. Zincir uzunluklarına göregenis substrat selektivitesi göstermesi atık su arıtımında ve deterjan formüllerindekullanılırken, kısa zincirlere spesifik aktivite göstermesi gıda ve kozmetik sanayilerindeönemli rol oynamaktadır. Mutasyonların yağ asidi spesifitesine (tributyrin (C4)/trikaprin(C8)) etkisini tahmin edebilmek için dok ve moleküler dinamik araçları birlestiren birskor fonksiyonu gelistirdik. Skor fonksiyonu, mutant enzimlerin deneysel aktivitesinegöre kalibre edildikten sonra, substrat spesifisitelerini ayırt edebilmekte ve mutasyonunaktivite üzerindeki azaltıcı ya da arttırıcı etkisini hızlı ve doğru bir biçimde tahminedebilmektedir (tüm datanın korelasyonu r=0.7930, p=0.0007). Bununla berabermutantların kendi içindeki spesifisite sıralaması %100 doğru sonuç vermistir. Bu metotdiğer protein ailelerine uyarlanabilir olmakla beraber, mutasyonun etkisini bir substratiçin ya da birden fazla substratı karsılastırarak tahmin edebilmektedir.

Lipases are enzymes that hydrolyze the ester bond between acyl groups and glycerol intriacylglycerides which gives the products of glycerol and fatty acids. Bacillusthermocatenulatus lipase (BTL2) has shown highest activity toward tributyrin (C4) assubstrate. While broad selectivity on the chain length of the fatty acids has a key role inwaste water treatment, and laundry formulations; short chain length specificity can beused in the food and cosmetic industry. In order to predict its chain length substratespecificity (tributyrin (C4)/tricaprylin (C8)) upon mutation, we developed a scoringfunction which combines in silico docking and molecular dynamics tools. Aftercalibration on experimentally validated mutants, our scoring function is able todiscriminate substrates specificities and predict the impact of a mutation (whether itenhances or reduces) in a rapid and accurate manner (overall correlation r=0.7930,p=0.0007). Also ranking of substrate specificities within the mutants were 100%correct. This method can be powerfully adapted to other protein families to predict theeffect of a mutation for the one specific substrate or multiple substrates.