glycoengineering

糖工程

概述

糖基化是蛋白质最常见、最复杂的翻译后修饰（PTM），影响超过 50% 的人类蛋白质。聚糖会调节蛋白质折叠、稳定性、免疫识别、受体相互作用以及治疗性蛋白质的药代动力学。糖工程旨在理性地修改糖基化模式，以提高治疗效果、稳定性或免疫逃逸能力。

两种主要的糖基化类型：

• N-糖基化：连接到序列基序 N-X-[S/T] 中的天冬酰胺（N）上，其中 X ≠ 脯氨酸；发生于 ER/Golgi
• O-糖基化：连接到丝氨酸（S）或苏氨酸（T）上；没有严格的共识基序；主要由 GalNAc 起始

何时使用此技能

在以下情况下使用此技能：

• 抗体工程：优化 Fc 糖基化，以增强 ADCC、CDC 或降低免疫原性
• 治疗性蛋白质设计：识别会影响半衰期、稳定性或免疫原性的糖基化位点
• 疫苗抗原设计：设计聚糖屏蔽，使免疫反应聚焦于保守表位
• 生物类似药表征：比较参比药物与生物类似药的聚糖模式
• 药物靶点分析：糖基化是否会影响受体的靶点结合？
• 蛋白质稳定性：N-聚糖通常能稳定蛋白质；识别可用于稳定化突变的位点

N-糖基化序列基序分析

扫描 N-糖基化位点

N-糖基化发生于序列基序 N-X-[S/T]，其中 X ≠ 脯氨酸。

import re
from typing import List, Tuple

def find_n_glycosylation_sequons(sequence: str) -> List[dict]:
    """
    Scan a protein sequence for canonical N-linked glycosylation sequons.
    Motif: N-X-[S/T], where X ≠ Proline.

    Args:
        sequence: Single-letter amino acid sequence

    Returns:
        List of dicts with position (1-based), motif, and context
    """
    seq = sequence.upper()
    results = []
    i = 0
    while i <= len(seq) - 3:
        triplet = seq[i:i+3]
        if triplet[0] == 'N' and triplet[1] != 'P' and triplet[2] in {'S', 'T'}:
            context = seq[max(0, i-3):i+6]  # ±3 residue context
            results.append({
                'position': i + 1,   # 1-based
                'motif': triplet,
                'context': context,
                'sequon_type': 'NXS' if triplet[2] == 'S' else 'NXT'
            })
            i += 3
        else:
            i += 1
    return results

def summarize_glycosylation_sites(sequence: str, protein_name: str = "") -> str:
    """Generate a research log summary of N-glycosylation sites."""
    sequons = find_n_glycosylation_sequons(sequence)

    lines = [f"# N-Glycosylation Sequon Analysis: {protein_name or 'Protein'}"]
    lines.append(f"Sequence length: {len(sequence)}")
    lines.append(f"Total N-glycosylation sequons: {len(sequons)}")

    if sequons:
        lines.append(f"\nN-X-S sites: {sum(1 for s in sequons if s['sequon_type'] == 'NXS')}")
        lines.append(f"N-X-T sites: {sum(1 for s in sequons if s['sequon_type'] == 'NXT')}")
        lines.append(f"\nSite details:")
        for s in sequons:
            lines.append(f"  Position {s['position']}: {s['motif']} (context: ...{s['context']}...)")
    else:
        lines.append("No canonical N-glycosylation sequons detected.")

    return "\n".join(lines)

# Example: IgG1 Fc region
fc_sequence = "APELLGGPSVFLFPPKPKDTLMISRTPEVTCVVVDVSHEDPEVKFNWYVDGVEVHNAKTKPREEQYNSTYRVVSVLTVLHQDWLNGKEYKCKVSNKALPAPIEKTISKAKGQPREPQVYTLPPSREEMTKNQVSLTCLVKGFYPSDIAVEWESNGQPENNYKTTPPVLDSDGSFFLYSKLTVDKSRWQQGNVFSCSVMHEALHNHYTQKSLSLSPGK"
print(summarize_glycosylation_sites(fc_sequence, "IgG1 Fc"))

突变 N-糖基化位点

def eliminate_glycosite(sequence: str, position: int, replacement: str = "Q") -> str:
    """
    Eliminate an N-glycosylation site by substituting Asn → Gln (conservative).

    Args:
        sequence: Protein sequence
        position: 1-based position of the Asn to mutate
        replacement: Amino acid to substitute (default Q = Gln; similar size, not glycosylated)

    Returns:
        Mutated sequence
    """
    seq = list(sequence.upper())
    idx = position - 1
    assert seq[idx] == 'N', f"Position {position} is '{seq[idx]}', not 'N'"
    seq[idx] = replacement.upper()
    return ''.join(seq)

def add_glycosite(sequence: str, position: int, flanking_context: str = "S") -> str:
    """
    Introduce an N-glycosylation site by mutating a residue to Asn,
    and ensuring X ≠ Pro and +2 = S/T.

    Args:
        position: 1-based position to introduce Asn
        flanking_context: 'S' or 'T' at position+2 (if modification needed)
    """
    seq = list(sequence.upper())
    idx = position - 1

    # Mutate to Asn
    seq[idx] = 'N'

    # Ensure X+1 != Pro (mutate to Ala if needed)
    if idx + 1 < len(seq) and seq[idx + 1] == 'P':
        seq[idx + 1] = 'A'

    # Ensure X+2 = S or T
    if idx + 2 < len(seq) and seq[idx + 2] not in ('S', 'T'):
        seq[idx + 2] = flanking_context

    return ''.join(seq)

O-糖基化分析

基于启发式方法预测 O-糖基化热点

def predict_o_glycosylation_hotspots(
    sequence: str,
    window: int = 7,
    min_st_fraction: float = 0.4,
    disallow_proline_next: bool = True
) -> List[dict]:
    """
    Heuristic O-glycosylation hotspot scoring based on local S/T density.
    Not a substitute for NetOGlyc; use as fast baseline.

    Rules:
    - O-GalNAc glycosylation clusters on Ser/Thr-rich segments
    - Flag Ser/Thr residues in windows enriched for S/T
    - Avoid S/T immediately followed by Pro (TP/SP motifs inhibit GalNAc-T)

    Args:
        window: Odd window size for local S/T density
        min_st_fraction: Minimum fraction of S/T in window to flag site
    """
    if window % 2 == 0:
        window = 7
    seq = sequence.upper()
    half = window // 2
    candidates = []

    for i, aa in enumerate(seq):
        if aa not in ('S', 'T'):
            continue
        if disallow_proline_next and i + 1 < len(seq) and seq[i+1] == 'P':
            continue

        start = max(0, i - half)
        end = min(len(seq), i + half + 1)
        segment = seq[start:end]
        st_count = sum(1 for c in segment if c in ('S', 'T'))
        frac = st_count / len(segment)

        if frac >= min_st_fraction:
            candidates.append({
                'position': i + 1,
                'residue': aa,
                'st_fraction': round(frac, 3),
                'window': f"{start+1}-{end}",
                'segment': segment
            })

    return candidates

外部糖工程工具

1. NetOGlyc 4.0（O-糖基化预测）

用于高精度预测 O-GalNAc 位点的 Web 服务：

• URL：https://services.healthtech.dtu.dk/services/NetOGlyc-4.0/
• 输入：FASTA 蛋白质序列
• 输出：逐残基的 O-糖基化概率分数
• 方法：基于实验验证的 O-GalNAc 位点训练的神经网络

import requests

def submit_netoglycv4(fasta_sequence: str) -> str:
    """
    Submit sequence to NetOGlyc 4.0 web service.
    Returns the job URL for result retrieval.

    Note: This uses the DTU Health Tech web service. Results take ~1-5 min.
    """
    url = "https://services.healthtech.dtu.dk/cgi-bin/webface2.cgi"
    # NetOGlyc submission (parameters may vary with web service version)
    # Recommend using the web interface directly for most use cases
    print("Submit sequence at: https://services.healthtech.dtu.dk/services/NetOGlyc-4.0/")
    return url

# Also: NetNGlyc for N-glycosylation prediction
# URL: https://services.healthtech.dtu.dk/services/NetNGlyc-1.0/

2. GlycoShield-MD（聚糖屏蔽分析）

GlycoShield-MD 分析聚糖在 MD 模拟过程中如何屏蔽蛋白质表面：

• URL：https://gitlab.mpcdf.mpg.de/dioscuri-biophysics/glycoshield-md/
• 用途：根据 MD 轨迹绘制蛋白质表面的聚糖屏蔽情况
• 输出：逐残基屏蔽比例、可视化结果

# Installation
pip install glycoshield

# Basic usage: analyze glycan shielding from glycosylated protein MD trajectory
glycoshield \
    --topology glycoprotein.pdb \
    --trajectory glycoprotein.xtc \
    --glycan_resnames BGLCNA FUC \
    --output shielding_analysis/

3. GlycoWorkbench（聚糖结构绘制/分析）

• URL：https://www.eurocarbdb.org/project/glycoworkbench
• 用途：绘制聚糖结构、计算质量、注释 MS 谱图
• 格式：GlycoCT、IUPAC 简写聚糖表示法

4. GlyConnect（聚糖-蛋白质数据库）

• URL：https://glyconnect.expasy.org/
• 用途：查找经过实验验证的糖蛋白和糖基化位点
• 查询条件：按蛋白质（UniProt ID）、聚糖结构或组织查询

import requests

def query_glyconnect(uniprot_id: str) -> dict:
    """Query GlyConnect for glycosylation data for a protein."""
    url = f"https://glyconnect.expasy.org/api/proteins/uniprot/{uniprot_id}"
    response = requests.get(url, headers={"Accept": "application/json"})
    if response.status_code == 200:
        return response.json()
    return {}

# Example: query EGFR glycosylation
egfr_glyco = query_glyconnect("P00533")

5. UniCarbKB（聚糖结构数据库）

• URL：https://unicarbkb.org/
• 用途：浏览聚糖结构，按质量或组成搜索
• 格式：GlycoCT 或 IUPAC 表示法

关键糖工程策略

针对治疗性抗体

目标	策略	备注
增强 ADCC	去除 Fc Asn297 上的岩藻糖	去岩藻糖基化的 IgG1 与 FcγRIIIa 的结合能力提高约 50 倍
降低免疫原性	去除非人源聚糖	消除 α-Gal、NGNA 表位
延长 PK 半衰期	唾液酸化	唾液酸化聚糖可延长半衰期
降低炎症	高度唾液酸化	IVIG 的抗炎机制
创建聚糖屏蔽	在表面添加 N-糖基化位点	遮蔽易受攻击的表位（疫苗设计）

常用突变

突变	效果
N297A/Q (IgG1)	去除 Fc 糖基化（无聚糖）
N297D (IgG1)	去除 Fc 糖基化
S298A/E333A/K334A	增强 FcγRIIIa 结合
F243L (IgG1)	增加去岩藻糖基化
T299A	去除 Fc 糖基化

聚糖表示法

IUPAC 缩写表示法（单糖缩写）

符号	全称	类型
Glc	葡萄糖	己糖
GlcNAc	N-乙酰氨基葡萄糖	HexNAc
Man	甘露糖	己糖
Gal	半乳糖	己糖
Fuc	岩藻糖	脱氧己糖
Neu5Ac	N-乙酰神经氨酸（唾液酸）	唾液酸
GalNAc	N-乙酰氨基半乳糖	HexNAc

复杂型 N-聚糖结构

Typical complex biantennary N-glycan:
Neu5Ac-Gal-GlcNAc-Man\
                       Man-GlcNAc-GlcNAc-[Asn]
Neu5Ac-Gal-GlcNAc-Man/
(±Core Fuc at innermost GlcNAc)

最佳实践

• 先使用 NetNGlyc/NetOGlyc 进行计算预测，再进行实验验证
• 通过质谱进行验证：使用糖蛋白质组学工具（Byonic、Mascot）进行位点特异性聚糖分析
• 考虑位点环境：并非所有预测的序列基序都会实际发生糖基化（可及性、细胞类型、蛋白质构象等因素）
• 对于抗体：Fc N297 聚糖至关重要——务必优先表征该位点
• 使用 GlyConnect 查看目标蛋白是否有经实验验证的糖基化数据

其他资源

• GlyTouCan（聚糖结构数据库）：https://glytoucan.org/
• GlyConnect：https://glyconnect.expasy.org/
• CFG Functional Glycomics：http://www.functionalglycomics.org/
• DTU Health Tech 服务（NetNGlyc、NetOGlyc）：https://services.healthtech.dtu.dk/
• GlycoWorkbench：https://glycoworkbench.software.informer.com/
• 综述：Apweiler R 等（1999）Biochim Biophys Acta。PMID: 10564035
• 治疗性糖工程综述：Jefferis R（2009）Nature Reviews Drug Discovery。PMID: 19448661