##submission.viewingPreview##

مهندسی آنزیم آزوریداکتاز جهت ایجاد تغییرات ساختاری در جایگاه فعال و بهبود تمایل اتصالی آن به رنگ‌‌‌های آزو

نویسندگان

  • علیرضا ذاکری - گروه علوم زیستی- دانشکده مهندسی مواد و علوم میان رشته‌ای- دانشگاه تربیت دبیر شهید رجایی- تهران- ایران. orcid https://orcid.org/0000-0002-5718-6999
  • مریم یعقوبی - گروه علوم زیستی- دانشکده مهندسی مواد و علوم میان رشته‌ای- دانشگاه تربیت دبیر شهید رجایی- تهران- ایران.
  • سعید خلیلی - گروه علوم زیستی- دانشکده مهندسی مواد و علوم میان رشته‌ای- دانشگاه تربیت دبیر شهید رجایی- تهران- ایران. orcid https://orcid.org/0000-0003-0493-9595
  • زهرا السادات هاشمی - دپارتمان توسعه فناوری درمان‌های نوین- مرکز تحقیقات سرطان پستان- پژوهشکده معتمد- جهاد دانشگاهی تهران- تهران- ایران. orcid https://orcid.org/0000-0001-6353-987X
  • نوید پورزردشت - گروه بیوشیمی، دانشگاه علوم پزشکی گیلان، رشت، ایران. orcid https://orcid.org/0000-0001-7855-0967

DOI::

https://doi.org/10.22100/jkh.v18i4.2790

چکیده

مقدمه: مقادير فراواني از رنگ‌‌‌ها از جمله رنگ‌‌‌های آزو با پیوند پایدار، از صنایع نساجی و محصولات مشتق شده از نفت بهطور مستقيم وارد فاضلاب مي‌شوند و حذف آنها تنها با زیست پالایی قابل انجام است. در این پژوهش با استفاده از ابزارهای بیوانفورماتیکی در ساختار آنزیم آزوریداکتاز جهت بهبود عملکرد آن در تجزیه این رنگ‌‌‌ها از جمله رنگ قرمز متیل تغییراتی ایجاد شده است.

مواد و روش‌‌‌ها: توالی اسید آمینه آنزیم آزوریدوکتاز از پایگاه دادهی UniProt بهدست آمد. با استفاده از ابزارهای مدلسازی ساختار سه بعدی پیشبینی و ایجاد شد و با استفاده از وبافزار Qmean بهترین مدل تعیین گردید. از آنجایی که توالی جایگاه فعال این آنزیم به جایگاه فعال مختص باکتری باسیلوس اسمیتی (Bacillus Smithii) نزدیک بود با استفاده از وبافزار PyRx، عمل داک سوبسترا (قرمز متیل) با مدل سه‌بعدی جایگاه فعال انجام و پس از تعیین بهترین حالت جفت شدگی آنزیم با سوبسترا، بررسی جهشزایی انجام شد. کاندیدهای جهشزایی در محل جایگاه فعال با روش هم ردیفی توالی مشخص شد و جهشها پس از اعمال از جهت تغییر در انرژی اتصال و شبکهی برهمکنشی مورد بررسی قرار گرفت.

نتایج: مدل ایجاد شده توسط Robetta برای توالی تحت شناسهی Q9X4K2 بهعنوان بهترین ساختار انتخاب شد. نتایج جهشزایی و بررسی انرژی و پلات جهش نشان داد، بهترین جهش تبدیل پرولین 132 به سرین بوده و موجب کاهش انرژی اتصال مقدار kcal/mol 9/6- به مقدار kcal/mol 4/7-میگردد. به علاوه با بررسی شبکه برهمکنشی در پروتئین جهشیافته یک پیوند هیدروژنی جدید ایجاد شده است.

نتیجه‌گیری: انرژی اتصال پایینتر بین آنزیم و قرمز متیل به معنی تمایل بیشتر آنزیم به سوبسترا بوده و بنابراین منجر به بهبود عملکرد آنزیم در تجزیه رنگ‌‌‌های آزو خواهد بود.

مراجع

Šali A, Blundell TL. Comparative protein modelling by satisfaction of spatial restraints. J Mol Biol 1993;234:779-815. doi: 10.1006/jmbi.1993.1626

Zheng W, Hussain A, Wuyun Q, Pearce R, Li Y, Zhang Y. LOMETS3: Integrating deep-learning and profile-alignment for advanced protein template recognition and function annotation, in preparation 2020.

Zheng W, Zhang C, Wuyun Q, Pearce R, Li Y, Zhang Y. LOMETS2: improved meta-threading server for fold-recognition and structure-based function annotation for distant-homology proteins. Nucleic Acids Research 2019;47:429-36 .

Wu S, Zhang Y. LOMETS: A local meta-threading-server for protein structure prediction. Nucleic Acids Research 2007;35:3375-82.

Yang J, Roy A, Zhang Y. BioLiP: a semi-manually curated database for biologically relevant ligand-protein interactions. Nucleic Acids Research 2013;41:1096-103. doi: 10.1093/nar/gks966

Yang J, Yan R, Roy A, Xu D, Poisson J, Zhang Y. The I-TASSER Suite: Protein structure and function prediction. Nature Methods 2015;12:7-8 doi: 10.1038/nmeth.3213

Roy A, Kucukural A, Zhang Y. I-TASSER: a unified platform for automated protein structure and function prediction. Nature Protocols 2010;5:725-38 .doi:10.1038/nprot.2010.5

Y Zhang. I-TASSER server for protein 3D structure prediction. BMC Bioinformatics 2008;9:40. doi: /10.1186/1471-2105-9-40

Källberg M, Wang H, Wang S, Peng J, Wang Z, Lu H, et al. Template-based protein structure modeling using the RaptorX web server. Nature Protocols 2012;7, 1511-1522.

Söding J. Protein homology detection by HMM-HMM comparison. Bioinformatics 2005;21:951-60. doi:10.1093/bioinformatics/bti125.

Yuedong Yang, EshelFaraggi, Huiying Zhao, Yaoqi Zhou. Improving protein fold recognition and template-based modeling by employing probabilistic-based matching between predicted one-dimensional structural properties of the query and corresponding native properties of templates. Bioinformatics 2011;27:2076-82. doi: 10.1093/bioinformatics/btr350

Ovchinnikov S, Park H, Varghese N, Huang P,. Pavlopoulos GA, Kim DE, et al. Protein Structure Determination using Metagenome sequence data. Science 2017;355:294-8. doi: 10.1126/science.aah4043

W510-W514 Nucleic Acids Research, 2009, Vol. 37, Web Server issue Published online 2009. doi: 10.1093/nar/gkp322

Small-Molecule Library Screening by Docking with PyRx. Dallakyan S, Olson AJ. Methods Mol Biol 2015;1263:243-50.

Gabriela Bitencourt-FerreiraGabriela, Walter Filgueira De Azevedo Jr. Molegro Virtual Docker for Docking, Methods in Molecular Biology 2019;2053,149-67. doi: 10.1007/978-1-4939-9752-7_10

Lobo I. Basic Local Alignment Search Tool (BLAST). Nature Education 2008;1.

Dassault Systèmes BIOVIA, Discovery Studio Modeling Environment, Release 2017, San Diego: Dassault Systèmes, 2016.

Roman A, Laskowski and mark B. Swindells diagrams for drug discovery. J Chem Inf Model 2011;51:2778-86.

K. Yoneda, M. Yoshioka, H. Sakuraba, T. Araki, and T. Ohshima, I tructural and biochemical characterization of an extremely thermostable FMN-dependent NADH-indigo reductase from Bacillus smithiint. J Biol Macromol 2020;164:3259. doi: 10.1016/j.ijbiomac.2020.08.197

Hashemi ZS, Zarei M, Karami Fath M, Ganji M, Shahrabi Farahani M, Afsharnouri F, et al. In silico Approaches for the Design and Optimization of Interfering Peptides Against Protein–Protein Interactions. Frontiers in Molecular Biosciences 2021.8:p. 282.

Khalili S, Jahangiri A, Hashemi ZS, Khalesi B, Mard-Soltani M, Amani J. Structural pierce into molecular mechanism underlying Clostridium perfringens Epsilon toxin function. Toxicon 2017;127:90-99

References

Fu Y, Viraraghavan T. Fungal decolourization of dye wastewater: a review. Bioresource Technology 2001;9:251-62. doi:10.1016/S0960-8524(01)00028-1

Zollinger H. Color chemistry: syntheses, properties, and applications of organic dyes and pigments: John Wiley & Sons; 2003.

Asad S, Amoozegar MA, Pourbabaee AA, Sarbolouki MN, Dastgheib SM. Decolorization of textile azo dyes by newly isolated halophilic and halotolerant bacteria. Bioresour Technol 2007;98:2082-8. doi: 10.1016/j.biortech.2006.08.020

Xu H, Heinze TM, Chen S, Cerniglia CE., Chen, HAnaerobic metabolism of 1-amino-2-naphthol-based azo dyes (Sudan dyes) by human intestinal microflora. Appl Environ Microbiol 2007;73:7759-62. doi: 10.1128/AEM.01410-07

Chen H. Recent advances in azo dye degrading enzyme research. Curr Protein Peptide Sci 2006;7:101-11. doi: 10.2174/138920306776359786

Talarposhti AM, Donnelly T, Anderson GK. Color removal from a simulated dye wastewater using a two-phase anaerobic packed bed reactor. Water Res 2001;35:425-32. doi: 10.1016/s0043-1354(00)00280-3

Singh RL, Singh PK, Singh RP. Enzymatic decolorization and degradation of azo dyes–A review. International Biodeterioration & Biodegradation 2015;104:21-31. doi:10.1016/j.ibiod.2015.04.027

Shah K. Biodegradation of azo dye compounds. Int Res J Biochem Biotechnol 2014;1:5-13.

Shah MP, Industrial Waste Water Research Lab, Division of Applied & Environmental Microbiology, Ankleshwar, India Bioremediation of Azo CHAPTER 6. 2019.

Amin KA, Abdel Hameid H, AbdElsttar AH. Effect of food azo dyes tartrazine and carmoisine on biochemical parameters related to renal, hepatic function and oxidative stress biomarkers in young male rats, Food and Chemical Toxicology 2010;48:2994-9. doi: 10.1016/j.fct.2010.07.039

Brissos V, Goncalves N, Melo EP, Martins LO. Improving kinetic or thermodynamic stability of an azoreductase by directed evolution. PLoS One 2014;9:87209. doi: 10.1371/journal.pone.0087209

Ito K, Nakanishi M, Lee WC, Zhi Y, Sasaki H, Zenno S, Saigo K, Kitade Y, Tanokura M. Expansion of substrate specificity and catalytic mechanism of azoreductase by x-ray crystallography and site-directed mutagenesis. J Biol Chem 2008;283:13889-96. doi:10.1074/jbc.M710070200

Liu G, Zhou J, Wang J, Yan B, Li J, Lu H, et al. Site-directed mutagenesis of substrate binding sites of azoreductase from Rhodobacter sphaeroides. Biotechnol Lett 2008;30:869-75. doi: 10.1007/s10529-007-9627-8

Feng J, Kweon O, Xu H, Cerniglia CE, Chen H. Probing the NADH-and methyl red-binding site of a FMN-dependent azoreductase (AzoA) from Enterococcus faecalis. Archives of Biochemistry and Biophysics 2012;520:99-107. doi: 10.1016/j.abb.2012.02.010

Srinivasan S, Shanmugam G, Surwase SV, Jadhav JP, Sadasivam SK. In silico analysis of bacterial systems for textile azo dye decolorization and affirmation with wetlab studies. CLEAN–Soil, Air, Water 2017;45:1600734. doi:10.1002/clen.201600734

Dehghanian F, Kay M, Kahrizi D. A novel recombinant AzrC protein proposed by molecular docking and in silico analyses to improve azo dye's binding affinity. Gene 2015;569:233-8. doi: 10.1016/j.gene.2015.05.063

Ramanathan K, Shanthi V, Sethumadhavan R. In silico identification of catalytic residues in azobenzenereductase from Bacillus subtilis and its docking studies with azo dyes. Interdisciplinary Sciences: Computational Life Sciences 2009;1:290-7. doi: 10.1007/s12539-009-0035-8

The UniProt Consortium, UniProt: the universal protein knowledgebase in 2021, Nucleic Acids Research 2021;49:480-89. doi: 10.1093/nar/gkaa1100

دانلود

شماره

نوع مقاله

مقاله پژوهشي

مقالات بیشتر خوانده شده از همین نویسنده

<< < 32 33 34 35 36 37 38 39 40 41 > >>