IF50.5｜代谢如何塑造酶结构四亿年演化

11,269个酶结构揭示代谢网络、丰度与成本如何分层约束酶演化。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

酶作为代谢网络的核心执行者，其序列演化受多种因素制约，包括氨基酸化学性质、上位效应及酶生产成本。已有研究表明，高丰度酶倾向于使用低能量成本的氨基酸，且细胞在代谢策略上偏好成本较低的发酵途径。然而，这些结论多基于序列层面，结构信息未被系统整合。AlphaFold2等深度学习工具的出现，使跨物种大规模蛋白质结构预测成为可能，为在结构层面研究酶演化提供了新契机。酵母亚门Saccharomycotina拥有详尽的基因组、表型及代谢网络数据，是研究代谢与酶结构演化关系的理想体系。

科学问题

卡在哪里： 此前研究多聚焦于酶序列的保守性与氨基酸成本，但缺乏将结构信息与代谢特性（如通路归属、酶丰度、代谢流变异性、辅因子依赖等）系统关联的分析。结构演化如何受代谢网络拓扑、酶分子功能及生物合成成本的分层约束，仍不清楚。

本文要回答： 本文旨在利用大规模预测的酶结构，系统解析代谢特性如何在不同生物学尺度上塑造酶的结构演化，并揭示结构演化中的层级规律。

技术路线

作者主要用了：AlphaFold2结构预测、比较结构分析、蛋白质组学、代谢网络重建、dN/dS选择分析。

作者选取26个系统发育多样的酵母物种及1个外群，利用AlphaFold2预测了11,269个酶结构，覆盖424个直系同源组。通过与酿酒酵母参考结构比对，计算结构映射率（MR）和保守率（CR），将序列分歧度与物种代谢表型、通路归属、酶丰度、代谢流变异性、氨基酸成本及结构特征（核心、表面、结合位点）进行关联分析。同时，利用蛋白质组学测定9个物种的酶丰度，基于基因组规模代谢模型估算代谢流及其变异性，并通过dN/dS分析检测正选择位点。

图 1　Fig. 1。图1展示了研究物种的系统发育树、分析流程及一个示例酶（5-甲酰四氢叶酸环化连接酶）的结构比对。关键点在于MR和CR的定义：MR衡量可映射残基比例，CR衡量映射残基的序列一致性。图中可见核心结构映射良好，而末端和随机卷曲区域映射较差。MR与CR正相关但反映不同层面的结构分歧。

核心亮点

亮点 1｜代谢特化驱动酶结构分歧

比较不同碳源利用能力的物种，发现发酵葡萄糖的物种中，与中央碳代谢和电子传递链相关的酶（如Kgd2p、Cox7p）保守性更高；而木糖利用能力不同的物种中，乙酰辅酶A合成酶旁系同源物Acs1p和Acs2p的保守率呈现相反趋势，表明代谢特化在酶结构演化中留下显著印记。GO富集分析显示，膜、脂质代谢等条目在分歧最大的酶中富集。

图 2　Fig. 2。图2比较了不同代谢表型（葡萄糖发酵、木糖利用）下酶的平均保守率，并投影到代谢网络图谱。发酵物种中中央碳代谢和电子传递链酶更保守，而木糖利用相关酶（如转酮醇酶、硫胺素合成酶）在木糖利用物种中分歧更大。此外，氧化还原酶类富集高保守性，水解酶类富集低保守性，金属结合酶更保守。

亮点 2｜通路与分子功能约束保守性

嘌呤生物合成、特定氨基酸合成及中央代谢通路的酶结构最保守，而脂质代谢和N-糖基化相关酶分歧最大。氧化还原酶类显著富集高保守性，但排除中央代谢通路后该效应消失；水解酶类则整体更易分歧。金属结合酶比非金属依赖酶更保守（P<1×10⁻⁴），且受更多胞内代谢物抑制的酶（如Gnd2p）保守性更高，表明小分子相互作用对酶结构演化施加约束。

图 3　Fig. 3。图3展示了蛋白质组学测定的酶丰度与保守率的关系，以及代谢流变异性与保守率的关系。低丰度酶更易分歧，但硫胺素合成酶Thi5/11/12/13p家族例外，其低丰度却高保守。代谢流变异性与保守率负相关，而绝对代谢流相关性较弱。图中还标注了硫胺素合成途径中自杀酶催化的高成本步骤。

亮点 3｜丰度与代谢流变异性关联分歧

蛋白质组学数据显示，低丰度酶比高丰度酶更易分歧（Spearman ρ=0.48, Padj.<1×10⁻²⁷），但硫胺素合成途径的Thi5/11/12/13p家族虽丰度低却高度保守，提示成本约束可能超越丰度效应。代谢流分析表明，酶保守性与代谢流变异性呈负相关（ρ=-0.27, Padj.<1×10⁻⁸），而与绝对代谢流相关性较弱，说明代谢网络的动态波动比静态通量更能预测结构演化。

图 4　Fig. 4。图4分析了氨基酸成本与保守率、丰度及结构特征的关系。高丰度、保守的酶使用更便宜的氨基酸，且成本优化主要发生在表面残基。不同氨基酸在核心、表面、螺旋、卷曲等结构元件中的含量与保守率存在显著关联，如保守酶表面富含甘氨酸，核心富含丙氨酸。结合位点未显示任何氨基酸含量与保守率的关联。

亮点 4｜成本优化呈现结构层级性

氨基酸成本分析显示，高丰度、保守的酶倾向于使用低成本氨基酸，且这种优化主要发生在表面残基，核心残基次之，而结合位点几乎不受成本优化影响。例如，保守酶表面富含甘氨酸，核心富含丙氨酸，而分歧酶表面半胱氨酸含量更高。结合位点未发现任何氨基酸含量与保守率的显著关联，表明催化功能位点优先于成本优化。

图 5　Fig. 5。图5展示了结构元件的保守性层级：结合位点最保守，核心次之，表面最易变。完全保守残基形成簇，这些簇富集结合位点，并能通过机器学习以较高准确率预测。正选择分析显示，尽管表面整体分歧快，但正选择位点可出现在所有结构元件中，如GAPDH的表面和Pox1p的二聚体界面。

亮点 5｜结合位点形成高度保守簇

完全保守残基常聚集成簇，每个簇中位数为4个，大小约18.55个氨基酸。这些簇显著富集底物和配体结合位点（91%的CSb和97%的UPb结合位点与至少一个簇重叠），且机器学习模型能以0.68的AUC预测簇是否包含结合位点。此外，这些簇也部分对应蛋白-蛋白相互作用位点，但小分子结合位点仍是主导。正选择分析显示，尽管表面残基整体分歧更快，但正选择位点可出现在所有结构元件中，如GAPDH的表面和Pox1p的二聚体界面。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： AlphaFold2结构预测、比较结构分析、蛋白质组学、代谢网络重建、dN/dS选择分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 做比较基因组学、酶工程或代谢网络建模，想把结构信息纳入演化分析的研究者。

带走一句

做酶演化分析时，别只看序列保守性；把结构映射、代谢流变异性、丰度和氨基酸成本分层整合，才能看清约束的真正来源。