Siklik protein oligomerleri biyolojik süreçlerde önemli bir role sahiptir. Bu proteinlerin de novo tasarımları küçük molekül bağlama ve katalizden nanokafes (nanocage) düzeneklerindeki yapı taşlarına kadar değişen bir çok uygulama için büyük ilgi görmektedir; ancak protomer ve monomerlerin spesifikasyon/karakterizasyon ihtiyacı dolayısıyla mevcut yaklaşımlarla tatmin edici bir başarı sağlanamamıştır. Yakın zamanlı yayımlanan çalışmalar, bu protein dizilerinin ve yapılarının yeni makine öğrenimi araçlarındaki derin ağ yaklaşımları sayesinde incelenmesinin mümkün olabileceğini göstermiştir.
Wicky ve arkadaşları çalışmalarında, yeni makine öğrenimi araçlarının kombinasyonunun laboratuvarda işlev gören yeni proteinleri güvenilir bir şekilde üretebilme potansiyelini araştırmıştır. Araştırmacılar, yalnızca protomer sayılarını ve uzunluklarını kullanarak çeşitli simetrik protein homo-oligomerleri üretmek için derin ağ halüsinasyonunu kullanılmıştır ve böylece, geliştirilmiş olan derin ağ tabanlı protein tasarımı ile nanoskopik ölçekte homo-oligomerlerin üretilmesini sağlamıştır.
İlk olarak yalnızca zincir uzunluğu (L) ve oligomer değerinden (N) başlayarak, rastgele bir aminoasit dizisi sonuç yapısı hedeflenen tasarıma uyana kadar AlphaFold2 (AF2) aracılığıyla Monte Carlo optimizasyonuna tabi tutulmuştur ve ardından ProteinMPNN ile dizi yeniden tasarlanmıştır. Bu yöntem, sonrasında HAL’ler olarak adlandırılan monomerlerin ve dimerik-heptamerik düzeneklerin de novo tasarımı için deneysel olarak test edilmiştir. Ortaya çıkan yapıların Protein Veri Bankası’ndaki (PDB) doğrulanmış siklik de novo tasarımlara göre topolojik farklılıklar taşıdığı gözlemlenmiştir. Ek olarak, hem dizi hem de yapı olarak doğal proteinlerden farklı olan bu halüsinasyonlu oligomerlerin tasarımı RoseTTAFold’un (RF2) güncellenmiş bir sürümü ile ayrıca değerlendirilmiştir. Sonuçlar, doğal protein omurgalarında ProteinMPNN’nin RF2 için %32.9’a kıyasla %52.4’lük bir dizi geri kazanımına sahip olduğunu ve orijinal AF2 halüsinasyonlu dizilerin büyük bir kısmının halüsinasyonlu yapılara katlanacağını güvenle tahmin edilmezken, ProteinMPNN ile yeniden tasarımının hemen hemen hepsinin doğru katlanmaları tahmin edilebileceğini göstermiştir.
Sonuç olarak, derin ağ halüsinasyonu ile geliştirilen bu yaklaşımın, doğal sistemlerde bulunan karmaşıklığa yaklaşan daha büyük de novo protein yapılarının yanı sıra katalizi entegre eden nanomalzemelerin veya nano ölçekteki çok bileşenli protein nanomakine tasarımlarının geliştirilmesine katkı sağlayacağı belirtilmektedir.
Yazar: İrem Doğruoğlu
Editör: İrem Coşkuntan
Referans: Wicky, B., Milles, L. F., Courbet, A., Ragotte, R. J., Dauparas, J., Kinfu, E., Tipps, S., Kibler, R. D., Baek, M., DiMaio, F., Li, X., Carter, L., Kang, A., Nguyen, H., Bera, A. K., & Baker, D. (2022). Hallucinating symmetric protein assemblies. Science (New York, N.Y.), 378(6615), 56–61. https://doi.org/10.1126/science.add1964
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile
hazırlanmaktadır.
Kadir Has Üniversitesi, biyoinformatik ve genetik departmanında lisans öğrencisi.
Linkedin: https://www.linkedin.com/in/irem-doğruoğlu-681762201