İsviçre'deki Ecole Polytechnique Fédérale de Lausanne'den (EPFL) araştırmacılar, milyonlarca protein parçasını taramak ve yapılarını, bağlanma özelliklerini değerlendirmek için bir makine öğrenimi yaklaşımı oluşturdu. Geliştirilen yazılım, bir proteinin yüzey kimyası ve geometrisine dayanarak, her protein için bir "parmak izi" belirleyebiliyor ve çeşitli protein parçalarına nasıl bağlanabileceklerini tahmin edebiliyor. Araştırmacılar şimdi yaklaşımlarını, SARS-CoV-2 spike proteini gibi terapötik öneme sahip proteinlere bağlanmak için özel olarak oluşturulmuş yeni protein "bağlayıcıları" tasarlamak için kullandılar. Teknik, araştırmacıların çok hızlı bir şekilde bir dizi terapötik protein oluşturmasına izin verebiliyor ve bu, gelecekteki salgınlar gibi zamanın, hızın büyük önem taşıdığı durumlarda özellikle yararlı olabilir.
Proteinlerin birbirine nasıl bağlanacağını ve bağlanıp bağlanmayacağını etkileyen çok sayıda faktör, yalnızca insan beynini kullanarak tahminde bulunmayı zorlaştırır. Bununla birlikte, vücuttaki terapötik protein hedefleriyle etkileşime girebilen protein parçalarının belirlenmesi, çeşitli hastalıkların tedavisinde çok büyük klinik dönüşler sağlayabilir. Neyse ki bilgisayarlar, akıl almaz miktarda ayrıntılı veri ve bunların karmaşık permütasyonlarını içeren görevlere iyi uyarlanmış durumda. Bu son yaklaşım, bağlamayı etkileyen farklı faktörler arasındaki ince etkileşimi değerlendirebilen derin bilgi edinmeyi içeriyor.
Çalışmaya katılan bir araştırmacı olan Anthony Marchand, “Yapboz parçası iki boyutludur, ancak protein yüzeyleriyle birden çok boyuta bakıyoruz. Doğada birbirine bağlanan her şeyin tamamlayıcı olduğu fikri - örneğin, pozitif bir yükün negatif bir yük ile bağlanması - hesaplama çerçevemizde yakaladığımız, bu alanda uzun süredir devam eden bir fikir olmuştur.” dedi.
Araştırmacılar şimdiye kadar sistemlerini, SARS-CoV-2 spike proteini de dahil olmak üzere terapötik hedeflere bağlanabilen bir dizi protein "bağlayıcı" oluşturmak için kullandılar. Bu, protein "parmak izleri" oluşturmak için derin öğrenme yaklaşımlarını kullanmayı ve ardından parmak iziyle iyi bir şekilde bağlanacağı tahmin edilenleri bulmak için bir protein parçaları veritabanını taramayı içeriyordu. Daha sonra, önce bir dijital simülasyon aracılığıyla ve son olarak da parça sentezlendikten sonra laboratuvarda, en iyi tahmin edilen bağlanma aktivitesine sahip parçacıkların hedeflerini fiilen bağlama potansiyelini test ettiler.
Marchand, “Sadece birkaç ay içinde bölgeye özgü yeni protein bağlayıcıları tasarlayabilmemiz gerçeği, bu yöntemi terapötikler için çok ilginç kılıyor. Makine öğrenimi yöntemlerindeki daha fazla ilerleme, yöntemimizi iyileştirmeye yardımcı olacak, ancak bugünkü çalışmalarımız, doğrudan bilgisayardan protein tabanlı terapötiklerin hızlı tasarımı yoluyla hastalara fayda sağlayacak yenilikçi tedaviler geliştirmeye yönelik bir strateji sağlıyor.” diye ekledi.
Proteinlerin birbirine nasıl bağlanacağını ve bağlanıp bağlanmayacağını etkileyen çok sayıda faktör, yalnızca insan beynini kullanarak tahminde bulunmayı zorlaştırır. Bununla birlikte, vücuttaki terapötik protein hedefleriyle etkileşime girebilen protein parçalarının belirlenmesi, çeşitli hastalıkların tedavisinde çok büyük klinik dönüşler sağlayabilir. Neyse ki bilgisayarlar, akıl almaz miktarda ayrıntılı veri ve bunların karmaşık permütasyonlarını içeren görevlere iyi uyarlanmış durumda. Bu son yaklaşım, bağlamayı etkileyen farklı faktörler arasındaki ince etkileşimi değerlendirebilen derin bilgi edinmeyi içeriyor.
Çalışmaya katılan bir araştırmacı olan Anthony Marchand, “Yapboz parçası iki boyutludur, ancak protein yüzeyleriyle birden çok boyuta bakıyoruz. Doğada birbirine bağlanan her şeyin tamamlayıcı olduğu fikri - örneğin, pozitif bir yükün negatif bir yük ile bağlanması - hesaplama çerçevemizde yakaladığımız, bu alanda uzun süredir devam eden bir fikir olmuştur.” dedi.
Araştırmacılar şimdiye kadar sistemlerini, SARS-CoV-2 spike proteini de dahil olmak üzere terapötik hedeflere bağlanabilen bir dizi protein "bağlayıcı" oluşturmak için kullandılar. Bu, protein "parmak izleri" oluşturmak için derin öğrenme yaklaşımlarını kullanmayı ve ardından parmak iziyle iyi bir şekilde bağlanacağı tahmin edilenleri bulmak için bir protein parçaları veritabanını taramayı içeriyordu. Daha sonra, önce bir dijital simülasyon aracılığıyla ve son olarak da parça sentezlendikten sonra laboratuvarda, en iyi tahmin edilen bağlanma aktivitesine sahip parçacıkların hedeflerini fiilen bağlama potansiyelini test ettiler.
Marchand, “Sadece birkaç ay içinde bölgeye özgü yeni protein bağlayıcıları tasarlayabilmemiz gerçeği, bu yöntemi terapötikler için çok ilginç kılıyor. Makine öğrenimi yöntemlerindeki daha fazla ilerleme, yöntemimizi iyileştirmeye yardımcı olacak, ancak bugünkü çalışmalarımız, doğrudan bilgisayardan protein tabanlı terapötiklerin hızlı tasarımı yoluyla hastalara fayda sağlayacak yenilikçi tedaviler geliştirmeye yönelik bir strateji sağlıyor.” diye ekledi.
Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
