Een nieuw machine learning-framework genaamd MULTI-evolve versnelt dramatisch het proces van het ontwerpen van hoogwaardige eiwitten, waardoor de noodzaak van talloze proefondervindelijke experimenten wordt geëlimineerd. Deze doorbraak belooft de vooruitgang op het gebied van de geneeskunde, biobrandstoffen en diverse industriële toepassingen te versnellen.
De uitdaging van eiwitontwerp
Eiwitten staan centraal in veel moderne technologieën – van levensreddende medicijnen tot efficiëntere enzymen in wasmiddelen. Het verbeteren van de prestaties van eiwitten vereist vaak het maken van meerdere, gecoördineerde wijzigingen in de aminozuursequenties. Het verwisselen van één aminozuur kan echter van invloed zijn op de manier waarop toekomstige verwisselingen de functie van het eiwit beïnvloeden, waardoor een complex zoekprobleem ontstaat dat traditioneel veel iteratieve rondes van laboratoriumtests vereist. Zoals bio-ingenieur Patrick Hsu opmerkt, is dit proces van oudsher een kwestie van raden en controleren.
Hoe MULTI-evolueren werkt
MULTI-evolve pakt deze uitdaging aan door machine learning te integreren met gerichte laboratoriumexperimenten. Het proces omvat drie belangrijke stappen:
- Afzonderlijke mutaties voorspellen: Het systeem gebruikt bestaande data of machine learning-modellen om te voorspellen hoe individuele aminozuurveranderingen de eiwitfunctie beïnvloeden.
- Interacties in kaart brengen: Onderzoekers creëren en testen eiwitten met gepaarde mutaties om te bepalen hoe deze veranderingen op elkaar inwerken. Dit levert cruciale gegevens op over gecombineerde effecten.
- Het model trainen: De laboratoriumresultaten worden ingevoerd in een machine learning-model, dat vervolgens de prestaties voorspelt van eiwitten met vijf of meer mutaties in één ronde.
Prestaties in de echte wereld
Het team van de University of California, Berkeley en het Arc Institute testte MULTI-evolve op drie eiwitten, waaronder een antilichaam voor auto-immuunziekten en een eiwit dat wordt gebruikt bij het bewerken van CRISPR-genen. In alle gevallen identificeerde het model combinaties van mutaties die aanzienlijk beter presteerden dan de originele eiwitten in laboratoriumtests. Dit bevestigt dat het systeem op betrouwbare wijze effectieve swaps kan selecteren.
Implicaties en toekomstige toepassingen
MULTI-evolve heeft het potentieel om een revolutie teweeg te brengen in de manier waarop eiwitten worden ontwikkeld. Hsu benadrukt twee veelbelovende toepassingen: het volgen van eiwitbewegingen binnen cellen en het ontwikkelen van effectievere gentherapieën voor enzymdeficiënties. Verwacht wordt dat het hulpmiddel de manier zal veranderen waarop wetenschappers eiwitontwerp benaderen, waardoor het proces sneller, preciezer en uiteindelijk productiever wordt.
“We zijn enthousiast over dit werk”, zegt Hsu. “Ik denk dat er enorme belangstelling bestaat voor de manier waarop dit de wetenschapspraktijk daadwerkelijk verandert.”
Dit nieuwe machine learning-framework vertegenwoordigt een grote stap voorwaarts in de biotechnologie en biedt een efficiëntere en nauwkeurigere manier om eiwitten te ontwerpen voor een breed scala aan kritische toepassingen.
