Wetenschap
Joanna Slusky, universitair hoofddocent moleculaire biowetenschappen en computationele biologie aan de Universiteit van Kansas, leidt het laboratorium waar machine learning de precisie van het identificeren van enzymatische en niet-enzymatische metalen in eiwitten verbeterde. Krediet:Meg Kumin
Laatste seizoen, Kansas City Chiefs quarterback Patrick Mahomes pochte een 66,3 pass-voltooiing percentage.
Maar Mahomes' indrukwekkende stat verbleekt in vergelijking met de nauwkeurigheid van MAHOMES, of metaalactiviteitsheuristiek van metalloproteïne en enzymatische sites, een machine-learningmodel ontwikkeld aan de Universiteit van Kansas - en genoemd ter ere van de quarterback - dat zou kunnen leiden tot effectievere, milieuvriendelijke en goedkopere medicamenteuze therapieën en andere industriële producten.
In plaats van zich te richten op brede ontvangers, MAHOMES maakt onderscheid tussen enzymatische en niet-enzymatische metalen in eiwitten met een nauwkeurigheid van 92,2%. Een team van de KU heeft onlangs resultaten gepubliceerd over deze machinaal lerende benadering om enzymen te differentiëren Natuurcommunicatie .
"Enzymen zijn super interessante eiwitten die alle chemie doen - een enzym doet een chemische reactie op iets om het van het ene naar het andere ding te transformeren, " zei corresponderende auteur Joanna Slusky, universitair hoofddocent moleculaire biowetenschappen en computationele biologie aan de KU. "Alles wat je in je lichaam brengt, je lichaam breekt het af en maakt er nieuwe dingen van, en dat proces van afbreken en het maken van nieuwe dingen - dat is allemaal te wijten aan enzymen."
Slusky en afgestudeerde studentmedewerkers in haar lab, Ryan Feehan (de Chiefs-fan die MAHOMES noemde) en Meghan Franklin van KU's Center for Computational Biology, probeerde computers te gebruiken om onderscheid te maken tussen metalloproteïnen, die geen chemische reacties uitvoeren, en metallo-enzymen, die chemische reacties vergemakkelijken met verbazingwekkende kracht en efficiëntie.
Het probleem is dat metalloproteïnen en metallo-enzymen in veel opzichten identiek zijn.
"Mensen weten niet precies hoe enzymen werken, ' zei Slusky. 'Voor elk enzym kun je zeggen:"OKE, je weet wel, het neemt deze waterstof af en brengt de -OH-groep aan, " of wat het ook doet. Maar als ik je een eiwit zou geven dat je nog nooit eerder had gezien en ik vroeg, 'Welk einde is boven? Welke kant hiervan doet de reactie?, ' jij, als wetenschapper en zelfs als enzymoloog, zou het me waarschijnlijk niet kunnen vertellen. Nutsvoorzieningen, een van de sleutels is dat ongeveer 40% van alle enzymen metalen gebruiken voor katalyse - dus hun eiwit bindt een metaal en dan komt wat er verandert in die actieve plaats en wordt het veranderd. We zien deze metaalbindende eiwitten en metallo-enzymen, dat zijn enzymen die metalen binden, als een geweldige kans voor ons, omdat mijn laboratorium geïnteresseerd is in machine learning die heel goed kan werken bij het onderscheiden van enzymsites van vergelijkbare maar niet-enzymatische sites."
Als KU-student, co-hoofdauteur Feehan begon met het samenstellen van 's werelds grootste structurele dataset van enzymatische en niet-enzymatische metalloproteïne-sites - werk dat doorging in zijn carrière als afgestudeerde student. Vervolgens, hij maakte de dataset vrij beschikbaar voor andere onderzoekers op Github.
"Structurele gegevens zijn erg moeilijk te verkrijgen, " zei Slusky. "Maar als je geïnteresseerd bent in wat de natuurkunde en scheikunde zijn, en waar die atomen zijn, en wat kunnen ze doen binnen die relaties, je hebt eiwitstructuren nodig. Het moeilijkste hiervan was om een heleboel structuren van enzymsites te krijgen, wetende dat het enzymplaatsen waren, vervolgens een aantal niet-enzymsites krijgen die metalen binden - en wetende dat het geen enzymen waren - en die uit een grote structurele database opgraven."
Feehan was in staat om duizenden unieke actieve en inactieve metaalbindingsplaatsen te vinden, vervolgens machine-learning-benaderingen getest om onderscheid te maken tussen de twee. Om dit te bereiken, Feehan en Franklin trainden een computerleermodel (MAHOMES) om een spleet in een eiwit te onderzoeken en te voorspellen of die spleet chemie kon doen (wat betekent dat het een enzym was). Door te kijken naar fysisch-chemische kenmerken, MAHOMES behaalde een precisie van 92,2% en een terugroepactie van 90,1% bij het onderscheiden van de actieve en inactieve sites.
Slusky zei dat de aanpak een belangrijke stap zou kunnen zijn om enzymen nuttiger te maken voor de productie van levensreddende medicamenteuze therapieën en tal van andere industriële processen. Inderdaad, de aanpak die door het KU-team is ontwikkeld, kan zelfs een revolutie teweegbrengen in de manier waarop enzymen worden ontworpen.
"Ik hoop dat het de synthese in het algemeen zal veranderen, " zei ze. "Ik hoop dat er goedkopere medicijnen zullen worden gemaakt met minder gevolgen voor het milieu. Direct, De synthese van farmaceutische bedrijven heeft enorme gevolgen voor het milieu, en het zou geweldig zijn als we die konden verlagen. Maar er is ook synthese in over het algemeen elke industrie. Als je verf wilt maken, verf heeft synthese nodig. Alles is gemaakt van chemicaliën, bijvoorbeeld textiel. Je kunt katoen oogsten, maar uiteindelijk, je gaat bepaalde materiaaleigenschappen aan dat katoen geven voordat je het verkoopt, en daar zijn chemicaliën voor nodig. Hoe meer synthese we kunnen doen door enzymen en hoe gemakkelijker we het voor bedrijven kunnen maken om die synthese door enzymen te doen, hoe goedkoper het zal zijn, en hoe groener het zal zijn."
Volgens Slusky, het machine learning-onderzoek zou langs drie lijnen worden voortgezet.
"Nummer een, we proberen de machine-learning-aanpak een beetje beter te laten werken, "zei ze. "Nummer twee, we beginnen er enzymen mee te ontwerpen. En nummer drie is dat we dit willen doen voor enzymen die geen metalen binden. Bij veertig procent van alle actieve plaatsen van enzymen zijn metalen gebonden. Laten we de andere 60% doen, ook - en het vinden van de juiste vergelijkingsset voor de andere 60% is een project waaraan een andere afgestudeerde student in mijn lab werkt."
Wetenschap © https://nl.scienceaq.com