Proteinler İçin Daha Akıllı Tasarım
Yeni bir makine öğrenmesi çerçevesi, birden fazla mutasyon taşıyan proteinlerin nasıl çalışacağını tahmin ederek proteinler geliştirme sürecini kısaltmayı amaçlıyor. MULTI-evolve, laboratuvar deneylerini modellemeyle birleştirerek yüksek performanslı protein adaylarını tek turda belirlemeyi hedefliyor.
İlaçlardan biyoyakıtlara ve çamaşır deterjanlarına kadar pek çok üründe kullanılan özel proteinlerin geliştirilmesi, genellikle çok sayıda deneme ve laboratuvar testi gerektiriyor. Yeni bir makine öğrenmesi çerçevesi ise bu sürecin büyük bölümünü tek bir test turunda öngörmeye çalışıyor.
Proteinler için çoklu mutasyon tahmini
Science dergisinde yayımlanan çalışmaya göre MULTI-evolve adlı yöntem, bir proteinin birden fazla amino asidinin değiştirilmesi durumunda nasıl davranacağını tahmin ediyor. Amino asitler, proteinleri oluşturan temel yapı taşları olarak görev yapıyor.
Protein mühendisliğinde araştırmacılar, performansı artırmak için çoğu zaman aynı protein üzerinde birden fazla değişiklik yapıyor. Ancak bir amino asidin değiştirilmesi, sonraki değişikliklerin proteinin işlevini nasıl etkileyeceğini de değiştirebildiğinden, uygun kombinasyonları bulmak çok sayıda yinelemeli deney gerektirebiliyor.
Patrick Hsu ve çalışma arkadaşlarının geliştirdiği iş akışı bu süreci üç aşamada ele alıyor. İlk aşamada, tekli amino asit değişikliklerinin protein işlevine etkisi önceki veriler veya makine öğrenmesiyle tahmin ediliyor. Ardından araştırmacılar, bu değişikliklerden ikisini birlikte taşıyan proteinleri laboratuvarda üretiyor ve aralarındaki etkileşimi ölçüyor. Son aşamada ise model, bu deneylerden elde edilen verilerle eğitilerek beş veya daha fazla mutasyon içeren proteinlerin performansını tahmin ediyor.
Ekip, yöntemi üç protein üzerinde denedi. Bunlar arasında otoimmün hastalıklarla ilişkili bir antikor ve CRISPR gen düzenleme çalışmalarında kullanılan bir protein de yer aldı. Laboratuvar testlerinde modelin belirlediği bazı mutasyon kombinasyonları, başlangıçtaki proteinlerden daha iyi performans gösterdi.
Araştırmacılar, MULTI-evolve yaklaşımının hücre içindeki başka proteinlerin hareketini izleyen araçların geliştirilmesi ve vücudu belirli enzimleri üretemeyen kişiler için gen tedavilerinin iyileştirilmesi gibi alanlarda kullanılabileceğini belirtiyor. Yöntemin temel katkısı, birden fazla değişikliğin birlikte ortaya çıkardığı etkileri daha az deneyle değerlendirmeye çalışması.
