Сериозно постижение: нов изчислителен метод силно опростява създаването на протеини

Синтезът на протеини с точно определени функции обикновено започва с подходящ естествен протеин, който след това се подлага на множество етапи на случайни мутации, за да се получи накрая оптимизирана версия на изходния протеин. Този метод не винаги води до желания резултат. Експерти от САЩ са разработили компютъризиран подход, който улеснява прогнозирането на мутациите на базата на сравнително малко количество данни.

Изследването започва с разработването на протеини, които могат да се използват в живите клетки като индикатори за напрежение. Тези протеини излъчват флуоресцентно сияние, когато регистрират електрически потенциал. Ако те бъдат адаптирани за използване в клетки на бозайници, учените биха могли да измерват невронната активност без използване на електроди. Въпреки това, след десетилетия усилия, тези протеини не са достатъчно ефективни, за да бъдат използвани повсеместно.

Използвайки новия модел, учените от MIT създават протеини с мутации, които предсказуемо водят до подобрени версии на зеления флуоресцентен протеин (GFP, green fluorescent protein) или аденоасоциирания вирус. И двата вида имат приложение в генната терапия.

За да се оптимизира процесът на избор на подходящи варианти на мутация, е разработен компютърен прогнозен модел. Това е конволюционна невронна мрежа върху експериментални данни, състоящи се от GFP вериги. Моделът е в състояние да създаде „пейзаж на пригодност“. Това е триизмерна карта, описваща пригодността на даден протеин. И как той се различава от оригиналната верига въз основа на сравнително малко количество експериментални данни (от около 1000 GFP варианта). Между най-подходящите варианти програмата, след допълнителен кръг на обучение, успя да прокара цялостен маршрут.

Моделът е успял да предвиди оптимизирани GFP вериги, които са имали цели седем аминокиселини от оригиналния протеин. А най-добрите от тях са били 2,5 пъти по-адаптивни от оригинала, съобщава MIT News.