Przełom w projektowaniu i inżynierii białek, który zmieni reguły gry
Projektowanie nowych białek o pożądanych funkcjach jest zadaniem skomplikowanym, lecz może przynieść niezwykłe korzyści branży farmaceutycznej i biomedycznej oraz przemysłowi. Choć to zastosowania medyczne tworzą obecnie najbogatszy rynek dla produktów białkowych wytwarzanych metodami inżynieryjnymi, syntetyczne enzymy wykorzystywane są również w przemyśle spożywczym do celów przetwórstwa. Co więcej, sztuczne enzymy znalazły zastosowanie w branżach związanych z ochroną środowiska, gdzie używa się ich do detoksykacji zanieczyszczeń lub do projektowania zmodyfikowanych mikroorganizmów, których zadaniem jest eliminacja zanieczyszczeń środowiskowych, takich jak tworzywa sztuczne.
Uproszczenie metod projektowania nowych białek
Projektowanie nowych białek o udoskonalonych funkcjach docelowych jest trudnym zadaniem z uwagi na dużą przestrzeń sekwencyjną oraz liczne ograniczenia strukturalne, które trzeba uwzględnić i pokonać. Na przykład, niewielkie białko zbudowane ze 100 aminokwasów posiada około 10^130 możliwych wariantów – więcej niż atomów we wszechświecie – przy czym zdecydowana większość nie spełnia żadnych funkcji. Coraz częściej badacze przekonują się, że odszukanie wariantu o sekwencji najlepiej służącej określonemu celowi wymaga zastosowania zaawansowanych rozwiązań doświadczalnych w połączeniu z zaawansowanymi metodami obliczeniowymi. W związku z tym badacze skupieni wokół projektu INFERNET opracowali skuteczne narzędzia do celów inferencji i optymalizacji danych wielkoskalowych. Badania przeprowadzono dzięki wsparciu otrzymanemu w ramach działania „Maria Skłodowska-Curie” (MSCA). „Aby móc wyciągać wnioski lub formułować przewidywania w oparciu o zaobserwowane schematy i trendy, stworzyliśmy modele statystyczne i algorytmy uczenia maszynowego, które pomogły nam w analizie danych i identyfikacji związków i korelacji pomiędzy zmiennymi”, wyjaśnia stypendysta MSCA, Andrea Pagnani.
Modelowanie związków pomiędzy genotypem i fenotypem
Opracowanie dokładnych testów biochemicznych o wysokiej przepustowości za pomocą technik sekwencjonowania przyczyniło się do stworzenia wielkoskalowej metody skriningu genetycznego jako podstawowego narzędzia do badania związku pomiędzy ewolucją, przystosowaniem a innymi koncepcjami biologicznymi leżącymi u podstaw badań doświadczalnych. Umożliwiło to szczegółowe badanie związków pomiędzy genotypem i fenotypem w warunkach kontrolowanej selektywnej presji ze strony czynników zewnętrznych. Tego typu metody są standardowo stosowane do selekcji molekuł o specyficznych właściwościach. Zespół projektu INFERNET opracował oparte na danych podejście probabilistyczne do modelowania związków pomiędzy genotypem i fenotypem wynikających z doświadczeń. Metodę tę można wykorzystać jako model generacyjny do znajdywania nowych wariantów genetycznych o wysokim stopniu przystosowania, a także można ją włączyć do procesów opartych na uczeniu maszynowym związanych z ewolucją ukierunkowaną.
Przewidywanie wystąpienia mutacji w toku ewolucji
Kluczową zdolnością związaną z przewidywaniem rozpowszechnienia i częstotliwości występowania mutacji genetycznych jest skuteczne generowanie sztucznych sekwencji o określonej docelowej specyfice. W tym celu opracowano różne strategie obliczeniowe i specyficzne metody modelowania. „Z naszego punktu widzenia, generowanie sztucznych sekwencji wiąże się z możliwością skutecznego wygenerowania zestawu sekwencji o nie dających się odróżnić cechach statystycznych z zestawu treningowego”, podkreśla Pagnani. Zespół projektu INFERNET zaproponował nową strategię obliczeniową do wygenerowania sekwencji, które istotnie różnią się od tych naturalnych. Nowy system obliczeniowy musi zostać poddany walidacji doświadczalnej pod kątem aktywności biologicznej wyselekcjonowanego zestawu sztucznych sekwencji.
Metodologia INFERNET poprawi funkcjonalność białek
Kluczowe testy walidacyjne metodologii INFERNET dotyczyły projektu sztucznej mutazy choryzmianowej, kluczowego enzymu w biosyntezie aromatycznych aminokwasów. Badaczom udało się zaprojektować nowe, przypominające naturalne warianty z zachowaną lub udoskonaloną funkcjonalnością. Opracowane w ramach projektu modele statystyczne oparte na sekwencji okazały się skuteczne w określaniu białek i zapewnianiu dostępu do ogromnej przestrzeni sekwencji funkcjonalnych. To osiągnięcie położyło podwaliny pod rozwój bardziej ogólnego procesu związanego z projektowaniem sztucznych białek opartego na ewolucji. „Podejścia statystyczne oparte na ewolucji mogą dostarczać cennych wskazówek badaczom poszukującym funkcjonalnych białek o udoskonalonej docelowej funkcjonalności”, podsumowuje Pagnani.
Słowa kluczowe
INFERNET, białka, ewolucja, modele statystyczne, algorytmy uczenia maszynowego, inżynieria, projektowanie białek, mutacje genetyczne, inferencja, mutaza choryzmianowa
