Laboratuvar ortamında yönlendirilmiş evrim yöntemleriyle yeni işlevler kazandırılan veya geliştirilen enzimler, biyotıp, ilaç geliştirme, kimyasal sentez ve çevre bilimleri gibi pek çok alandaki karmaşık biyoteknolojik problemlere çözümler sunmaktadır. Bununla birlikte, bir enzimin hedeflenen yeni işlevleri yerine getirebilmesi adına biriktirdiği mutasyonlar çoğunlukla proteinin katlanma dengesini bozmakta ve kararlılığını olumsuz etkilemektedir. Doğal proteinlerin büyük bir kısmının marjinal düzeyde kararlı olması, evrimsel süreçte kazanılmak istenen yeni katalitik aktivitelerin proteini işlevsiz kılacak düzeyde kararsızlaştırmasına yol açmaktadır. Laboratuvar koşullarında yürütülen yönlendirilmiş evrim çalışmalarında sıklıkla karşılaşılan bu teknik darboğaz, evrilen enzimlerin yeni substratlar üzerindeki aktivitesinin veya özgüllüğünün doğal hallerine kıyasla daha düşük kalmasına neden olmaktadır.
Söz konusu kararlılık kaybı sınırlamasını aşmak ve evrimsel potansiyeli artırmak amacıyla, yapay zekâ tabanlı hesaplamalı protein tasarımı modellerinden yararlanılan yeni bir yaklaşım geliştirilmiştir. Araştırmacılar, makine öğrenmesi modeli olan ProteinMPNN ve enerji tabanlı PROSS yöntemini kullanarak botulinum nörotoksini (BoNT) proteazlarının yanı sıra PACE süreçlerinden geçmiş evrimleşmiş proteazları da yeniden tasarlamıştır. Araştırmanın temel amacı, yapay zekâ ile kararlılığı ve çözünür ifadesi artırılmış olan başlangıç enzimlerinin, yeni işlevler kazanmak üzere yürütülen evrim süreçlerinde doğal enzimlere kıyasla daha geniş bir mutasyon alanına erişim sağlayıp sağlamadığını doğrulamaktır.
Çalışmada ana yöntem olarak, doğal BoNT/E, BoNT/F ve BoNT/X proteazlarının yapısal veri ve dizilim korunum eşikleri temel alınarak ProteinMPNN ve PROSS ile yeniden tasarlanması sağlanmış; tasarımların doğrulanmasında AlphaFold2 model güvenliği (pLDDT) ve kök ortalama kare sapması (RMSD) metrikleri kullanılmıştır. Tasarlanan varyantların yapısal doğrulamaları AlphaFold2 ile yapılmış; ardından deneysel olarak saflaştırılarak termal erime sıcaklıkları , katalitik kinetikleri ve çözünebilir ifade düzeyleri incelenmiştir. Devamında, en yüksek performanslı tasarlanmış başlangıç noktaları ile yabanıl tip proteazlar, paralellik gösteren PACE (faj yardımlı sürekli evrim; biyomoleküllerin hızlı ve kesintisiz evrilmesini sağlayan sistem) ve PANCE (faj yardımlı sürekli olmayan evrim) platformlarına tabi tutulmuştur. Evrim süreçleri boyunca ortaya çıkan genotipik değişimler ise LoopSeq ve Nanopore dizileme teknikleriyle takip edilmiştir.
Biyofiziksel analizler, ProteinMPNN ile tasarlanan D1, D2 ve D3 varyantlarının yabanıl tipe kıyasla daha yüksek termal kararlılığa ve E. coli içinde artmış çözünür ifadeye sahip olduğunu göstermektedir. Yapılan Michaelis-Menten kinetik analizleri, D1 ve D2 varyantlarının katalitik verimlilik (kcat/Km) değerlerinin yabanıl BoNT/E proteazından 1.7 ila 2.8 kat daha yüksek olduğunu ortaya koymaktadır. Farklı zorluk derecelerine sahip yeni substratlar üzerinde yürütülen paralelleştirilmiş PACE deneylerinde, yapay zeka ile tasarlanmış başlangıç noktalarından türetilen enzimler, yabanıl tipten evrilenlere kıyasla tutarlı bir şekilde daha yüksek katalitik aktiviteye ulaşmış ve en zorlu substrat testlerinde yabanıl tip evrimler başarısız olabilirken tasarlanmış başlangıç noktaları başarı oranını artırmıştır. Genotipik analizler, yapay zeka tasarımının sağladığı kararlılık marjı sayesinde, yabanıl tip protein arka planında enzimi işlevsiz kılan yıkıcı mutasyonların tolere edilebildiğini ve bu durumun işlevsel mutasyon uzayını genişlettiğini doğrulamaktadır.
Elde edilen bulgular, yapay zekâ tabanlı dizi tasarımı ile sürekli evrim platformlarının entegrasyonunun, doğada bulunan proteinlerin sunduğu evrimsel sınırları aşmada etkili bir strateji olduğunu göstermekte ve terapötik açıdan önemli ataxin-2 gibi hedeflere yönelik özgül enzimlerin gelişimine zemin hazırlamaktadır. Çalışma, yapay zekâ desteğiyle kararlı hale getirilen başlangıç noktalarının; sentetik biyoloji, protein mühendisliği, biyoteknoloji ve özgül enzim araştırmalarında daha etkin ve yüksek performanslı biyokatalizörlerin tasarlanmasına katkı sağladığını ortaya koymaktadır.
Yazar: Melih Soner Başbey
Editör: Özsu Deniz Balkaya
Referans: Krasnow, N. A., Xu, J. A., Zhang, E., Mahadeshwar, G. K., Tao, Y. A., McCreary, J., Hemez, C. F., Brown, L. E., Jiang, W., & Liu, D. R. (2026). AI-redesigned starting points and outcomes enhance protein evolution. Nature. https://doi.org/10.1038/s41586-026-10820-0
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
