Bildiğiniz gibi proteinler, peptit bağlarıyla birbirine bağlanmış amino asit zincirlerinden oluşur. Bu bağlar kendi başlarına oldukça kararlıdır ve yaklaşık birkaç yüz yıl gibi bir ömre sahip olduğu tahmin edilir. Ancak çevresel etkenler nedeniyle çoğu protein bu kadar uzun süre dayanamaz. Bunun nedeni, canlıların peptit bağlarını parçalamak için geliştirdiği, zamanla sayısız özel protein sindiren enzime dönüşen çeşitli yöntemlere sahip olmasıdır. Proteazlar her yerdedir ve çevreye karışan proteinleri genellikle hızla parçalarlar.
Şimdi ise araştırmacılar, yapay zeka tabanlı protein tasarım araçlarını kullanarak, iki farklı proteaz türünün katalitik çekirdeğini alıp proteinin geri kalanını tamamen değiştirmeyi başardılar. Ortaya çıkan enzimler, belirli proteinleri ortadan ikiye bölmek üzere ayarlanabiliyor. Araştırmacılar bu enzimlerin etkinliğini, nörolojik hastalıklarla ilişkili proteinleri kesmek için kullanarak gösterdiler.
Proteinleri Kesmek: Temel Bilgiler
Temel peptit bağı aslında göründüğünden daha karmaşıktır. Bir amino grubunun bir asitle birleşerek su molekülü salmasıyla oluşur. Amino asitler, hem amino hem de asit gruplarına sahip oldukları için iki taraftan peptit bağı oluşturabilirler. Bu, proteinleri oluşturan uzun zincirlerin yapımı için kritik öneme sahiptir. (Amino asitlerin ayrıca ayırt edici kimyaya sahip yan zincirleri vardır ve bu da omurgaya özgü özellikler kazandırır.)
Bu bağları ayırmak, süreci tersine çevirerek peptit bağı ve bir su molekülünü parçalamak ve bunların kısımlarını birleştirmektir. Her iki bileşen de kimyasal olarak kararlı olduğundan, reaksiyonun herhangi bir sıklıkta gerçekleşmesi için bir enzime ihtiyaç duyulur. Bir enzim olmadan, tipik bir peptit bağı suda yüzlerce yıl boyunca kararlı kalırdı.
Yaşam, bu katalizi yönetmek için çeşitli enzim mekanizmaları geliştirmiştir. Bu araştırmada ele alınan çalışma, iki farklı mekanizmaya dayanıyordu. Biri, çinko iyonunun pozitif yükünün, parçalanan peptit bağını, proteazın anahtar kısımlarını ve bir su molekülünü koordine ettiği bir metaloproteazdır. Proteaz, su molekülünden bir protonu kısmen çeker, onu aktive eder ve peptit bağını parçalamak için saldırıya hazırlar.
Araştırmacıların kullandığı ikinci proteaz türü ise sistein proteaz olarak adlandırılır. Bu durumda, enzimde bulunan bir sistein (bir amino asit türü) peptit bağına saldırmak için aktive olur ve proteinin kesilen kısmının enzime kimyasal olarak bağlandığı geçici bir ara ürün oluşturur. Bir su molekülü sonunda bu ara ürünü ayırarak, kesilen proteinin ikinci kısmını serbest bırakır.
Her iki mekanizma da proteazdan gelen birkaç belirli amino asidin, proteazın katalitik merkezinde yakın mesafede bulunmasını gerektirir. Proteazdaki diğer amino asitler, bu kilit katalitik amino asitlerin doğru yerde ve doğru oryantasyonda bir araya gelmesini sağlar. Proteazın geri kalanı aynı zamanda hangi proteinlerin kesileceğine dair bir dereceye kadar özgüllük sağlayabilir. Sindirim sistemimizde aktif olan proteazlar gibi bazıları, herhangi bir amino asidin yanında kesim yapabilir. Diğerleri ise biraz daha seçicidir ve pozitif veya negatif yüklü amino asitlerin yakınında kesmeyi tercih eder. Ve birkaçı çok yüksek derecede özgüllüğe sahiptir, örneğin insülini aktive eden proteaz yalnızca çok özel bir amino asit dizisinin yakınında kesim yapar.
Tasarım Enzimler: Yapay Zeka Devrimi
Bu yeni çalışmanın arkasındaki ekip, özellikle Nobel ödüllü David Baker'ın laboratuvarından, proteaz tasarlamayı bir meydan okuma olarak gördü. Birincisi, peptit bağlarının kararlılığı, etkili bir katalizör olmadan reaksiyonların gerçekleşmeyeceği anlamına geliyordu. Ve bu katalizörü elde etmek, belirli amino asitlerin son derece hassas bir düzenlemesini gerektiriyordu. Bu nedenle, laboratuvarın geliştirdiği yapay zeka protein tasarım araçlarının bu görevin üstesinden gelip gelemeyeceği belirsizdi.
Her iki proje de benzer bir yaklaşım benimsedi. Tıpkı evrim gibi, mevcut bir proteazla başladılar. Biri, bir yengecin sindirim sisteminde kullanılan bir çinko proteazdı. Diğeri ise mayadan elde edilen bir sistein proteazıydı. Her iki durumda da, proteinin yapısı ve diğer proteinleri kesmeyi katalize eden anahtar amino asitler biliniyordu. Tasarım süreci bu amino asitlerle başladı.
Tasarım süreci, enzimin omurgasını oluşturan (omurga, proteinin tekrarlanan peptit bağlarından oluşur) RFdiffusion2 adlı bir yazılımla başladı. Araştırmacılar RFdiffusion2'ye bir dizi kısıtlama verdiler. Başlangıç olarak, tasarlanan herhangi bir omurganın, fonksiyonel bir proteaz için gereken anahtar katalitik amino asitleri bir araya getirmesi gerekiyordu. Ayrıca, proteazın sonunda kesim yapacağı bir hedef amino asit dizisi de belirttiler. Omurga, bu hedef diziyi katalitik merkeze yakın bir konumda barındırmalıydı.
Omurga belirlendikten sonra, süreç ProteinMPNN'e geçti. Bu araç, omurga üzerinde çalışarak onu özel amino asitlerle doldurur. (Bu araç, Google'ın yapay zeka tarafından tasarlanan proteinlere filigran ekleme çabalarında yer almıştı.) ProteinMPNN, her bir amino asidi bir dizi kısıtlamaya göre seçer. Öncelikle, amino asit omurganın planlanan yapısına katlanmasıyla uyumlu olmalıdır. Ardından, kritik bölgelerde seçilen her amino asit, enzimin katalitik bölgesinin oluşumuyla uyumlu olmalıdır. Ve son olarak, yakındaki bölgelerde, hedeflenen hedefe tutunmayla uyumlu olmalıdır.
Araştırmacılar bu süreci hem sistein hem de çinko proteazları için onlarca kez tekrarladılar. Sistein proteazı için 12 farklı omurga tasarladılar ve bunları 69 farklı amino asit setiyle doldurdular. Çinko projesi için ise 135 farklı protein tasarımı denediler. Bu tasarımlardan birçoğunun yapısını tahmin etmek için AlphaFold3'ü kullandılar ve veritabanlarında bunlara benzeyen hiçbir şey bulamadılar, bu da araçlarının daha önce tanımlanmış yapıları basitçe kopyalamadığını doğruladı.
İşe Yarıyor Mu?
Araştırmacılar, proteazı, hedeflenmek üzere tasarlandığı diziyi ve floresan bir proteini içeren tek, uzun bir protein yaparak başladılar. Ardından, floresan proteinin kesilip ayrılıp ayrılmadığını test ettiler. Sistein proteazı durumunda, %19'luk bir başarı oranıyla 13 tasarım elde ettiler, ancak hepsi model olarak kullanılan mayadan alınan enzimden önemli ölçüde daha az aktifti.
Çinko projesi biraz daha karmaşıktı. Normalde reaksiyonda yer alan su molekülünü içermeyen birçok tasarımı test ettiler. Bunların başarı oranı nispeten düşüktü, yalnızca 89'dan 14'ü zayıf katalitik aktivite gösterdi. Çalışmayanları modellerken, tasarımların genellikle su molekülünün reaksiyonların gerçekleşmesi gereken yeri engellediğini buldular.
Bu nedenle, ek bir tasarım kısıtlaması olarak su molekülünü doğru yere yerleştirdikleri tasarımları da denediler. Bunlar çok daha yüksek bir başarı oranına sahipti; 38'den 35'i bir miktar katalitik aktivite gösterdi. Ancak yine de aktiviteleri, tasarımlar için başlangıç noktası olarak kullanılan enzimden önemli ölçüde düşüktü. (Daha iyi bir aktivite seviyesine sahip bir tasarım elde ettiler, ancak diğer proteinleri nerede kestiği konusunda spesifik değildi.)
Bu aktivitenin iyileştirilip iyileştirilemeyeceğini görmek için araştırmacılar, proteazın aktif bölgesine yakın ancak katalize aktif olarak katılmayan amino asitleri belirlediler. Ve yapıyı bozmayacağı öngörülen her alternatif amino asidi yer değiştirdiler. Önemli ölçüde daha aktif hale gelen bazı versiyonlar buldular; belirledikleri en iyi versiyon, hedeflenen hedef protein dizisine karşı yüksek özgüllüğünü korurken, peptit bağının kırılmasını 109 kat hızlandırdı.
Çinko bazlı proteaz ile de benzer şeyler oldu. Rastgele mutasyonların bazılarını içeren proteazlarının v2 versiyonu, temel aldığı orijinal tasarımdan 30 kat daha aktifti. Ayrıca peptit bağı kırılmasını 1010 kat hızlandırdı.
Bu yaklaşımın vaadini tam olarak göstermek için araştırmacılar, Alzheimer ve frontotemporal demans gibi nörolojik bozukluklarla ilişkili proteinleri hedefleyebilen çinko proteazları tasarladılar. Mevcut tasarımlarını yeni bir diziyi hedef almak için değiştirmeye çalıştıklarında iyi sonuç alamadılar, bu yüzden sürece baştan başladılar ve hücrelerde hedeflenen hedefi kesebilen bir şey bulmayı başardılar. Araştırmacılar için bu, nihayetinde bu hastalıkların neden olduğu hatalı proteinleri hedefleyerek bazı genetik hastalıkların seyrini etkileyebileceğimiz anlamına geliyor.
Sonuçlar Bize Ne Söylüyor?
Bunun terapötik potansiyeli karmaşıktır. Proteinlerin genellikle ihtiyaç duyulan yere ulaştırılması zordur ve sıklıkla bağışıklık tepkisini tetikleyebilirler. Eğer proteaz hedefi hücrenin dışında değil de içinde yer alıyorsa, işler daha da zorlaşır. Bu muhtemelen hedef hücrelerin proteazı üretmesini gerektirecektir, bu da genini ihtiyaç duyulan hücrelere iletmeyi içerir. Dolayısıyla, bu teknolojiyi kullanarak potansiyel olarak tedaviler geliştirmeye başlamadan önce aşılması gereken önemli engeller bulunmaktadır.
Araştırmacılar ayrıca, çalışmanın araçların bazı sınırlamalarını nasıl gösterdiğini de vurguluyorlar. Kullanıldıkları şekliyle, kendilerine verilen tüm fiziksel kısıtlamalara uyan proteinler tasarlamayı başardılar: Yapılarına katlanarak, reaksiyonu katalize etmek için gereken amino asitleri kabaca doğru konuma getirdiler ve spesifik hedef amino asit dizilerine tutundular.
Ancak, şu anda bu araçlara belirli bir katalitik aktivite istediğimizi söyleme yeteneğimiz yok. Bu nedenle birçok tasarım, evrimleşmiş enzimlerin bu kadar harika katalizörler olmasını sağlayan ince ayrıntıların bazılarını eksikti. Başka bir deyişle, araçlar yapı konusunda harikadır, ancak aktivite konusunda mutlaka harika değillerdir. Ve yapı işlev için kritik olsa da, her şey değildir. Araştırmacıların gördüğü gibi, rastgele mutasyonlar eklemek, önemli ölçüde daha aktif enzimler üreten ince yapısal değişiklikler yapabiliyordu.
Elbette, bu protein tasarım yazılımı yalnızca birkaç yıllıktır ve hem geliştiricilerin hem de kullanıcıların fiziksel konumun ötesinde kısıtlamalar eklemek için fikirleri olabilir.
