روش مبتنی بر هوش مصنوعی، بسترهای مولکولی کوچک آنزیم ها را پیش بینی می کند

آنزیم ها کارخانه های مولکولی در سلول های بیولوژیکی هستند. با این حال، اینکه از کدام بلوک‌های ساختمانی مولکولی برای جمع‌آوری مولکول‌های هدف استفاده می‌کنند، اغلب ناشناخته است و اندازه‌گیری آن دشوار است. یک تیم بین المللی شامل بیوانفورماتیکان از دانشگاه هاینریش هاینه دوسلدورف (HHU) اکنون گام مهمی در این زمینه برداشته است: روش هوش مصنوعی آنها با درجه بالایی از دقت پیش بینی می کند که آیا یک آنزیم می تواند با یک بستر خاص کار کند یا خیر. آنها اکنون نتایج خود را در مجله علمی ارائه می کنند ارتباطات طبیعت

آنزیم‌ها بیوکاتالیست‌های مهمی در تمام سلول‌های زنده هستند: آنها واکنش‌های شیمیایی را تسهیل می‌کنند که از طریق آن تمام مولکول‌های مهم برای ارگانیسم از مواد اساسی (سوبستراها) تولید می‌شوند. اکثر موجودات دارای هزاران آنزیم مختلف هستند که هر یک مسئول واکنش بسیار خاصی هستند. عملکرد جمعی همه آنزیم ها متابولیسم را تشکیل می دهد و بنابراین شرایط را برای زندگی و بقای ارگانیسم فراهم می کند.

حتی اگر ژن‌هایی که آنزیم‌ها را کد می‌کنند به راحتی قابل شناسایی هستند، عملکرد دقیق آنزیم حاصل در اکثریت قریب به اتفاق – بیش از 99٪ – موارد ناشناخته است. این به این دلیل است که خصوصیات تجربی عملکرد آنها – یعنی اینکه کدام مولکول های شروع کننده یک آنزیم خاص به کدام مولکول های انتهایی بتن تبدیل می شود – بسیار وقت گیر است.

به همراه همکارانی از سوئد و هند، تیم تحقیقاتی به سرپرستی پروفسور دکتر مارتین لرچر از گروه تحقیقاتی زیست‌شناسی سلولی محاسباتی در HHU روشی مبتنی بر هوش مصنوعی را برای پیش‌بینی اینکه آیا آنزیم می‌تواند از یک مولکول خاص به عنوان سوبسترا برای واکنش استفاده کند یا خیر، توسعه داده‌اند. کاتالیزورها

ویژگی خاص مدل ESP ما (“پیش‌بینی سوبسترای آنزیمی”) این است که مانند مدل‌های قبلی به آنزیم‌های فردی، خاص و سایر آنزیم‌های نزدیک به آنها محدود نمی‌شویم. مدل کلی ما می تواند با هر ترکیبی از یک آنزیم و بیش از 1000 بستر مختلف کار کند.”

پروفسور دکتر مارتین لرچر از گروه تحقیقاتی زیست شناسی سلولی محاسباتی در HHU

دانشجوی دکتری الکساندر کرول، نویسنده اصلی این مطالعه، یک مدل به اصطلاح یادگیری عمیق را توسعه داده است که در آن اطلاعات مربوط به آنزیم‌ها و سوبستراها در ساختارهای ریاضی موسوم به بردارهای عددی کدگذاری می‌شوند. بردارهای حدود 18000 جفت سوبسترا-آنزیم تایید شده تجربی – جایی که آنزیم و بستر با هم کار می کنند – به عنوان ورودی برای آموزش مدل یادگیری عمیق استفاده شد.

الکساندر کرول: “پس از آموزش مدل به این روش، سپس آن را روی یک مجموعه داده آزمایشی مستقل که از قبل پاسخ های صحیح را می دانستیم، اعمال کردیم. در 91٪ موارد، مدل به درستی پیش بینی کرد که کدام بسترها با آنزیم ها مطابقت دارند.”

این روش طیف گسترده ای از کاربردهای بالقوه را ارائه می دهد. هم در تحقیقات دارویی و هم در بیوتکنولوژی، دانستن اینکه کدام مواد می توانند توسط آنزیم ها تبدیل شوند، اهمیت زیادی دارد. پروفسور لرچر: “این امر به تحقیقات و صنعت امکان می دهد تا تعداد زیادی از جفت های ممکن را به امیدوار کننده ترین آنها محدود کنند، که سپس می توانند از آنها برای تولید آنزیمی داروهای جدید، مواد شیمیایی یا حتی سوخت های زیستی استفاده کنند.”

کرول می افزاید: “همچنین ایجاد مدل های بهبود یافته برای شبیه سازی متابولیسم سلول ها را امکان پذیر می کند. علاوه بر این، به ما کمک می کند تا فیزیولوژی موجودات مختلف – از باکتری ها گرفته تا انسان ها” را درک کنیم.

در کنار کرول و لرچر، پروفسور دکتر مارتین انگکویست از دانشگاه فناوری چالمرز در گوتنبرگ، سوئد، و ساهاسرا رانجان از موسسه فناوری هند در بمبئی نیز در این مطالعه شرکت داشتند. Engqvist به طراحی این مطالعه کمک کرد، در حالی که Ranjan مدلی را پیاده سازی کرد که اطلاعات آنزیمی را که در مدل کلی توسعه یافته توسط کرول تغذیه می شود، رمزگذاری می کند.