ساخت سلولهای مصنوعی از پایه: انقلابی در زیستشناسی با پروتئینهای مهندسیشده
زیستشناسی مصنوعی، حوزهای که به دنبال طراحی و ساخت سیستمهای بیولوژیکی جدید است، گامهای بلندی در جهت ایجاد سلولهای مصنوعی برداشته است. این سلولها، که میتوانند عملکردهای پیچیدهای را از ابتدا انجام دهند، نویدبخش راهحلهای بیسابقهای در پزشکی، صنعت و تحقیقات هستند. در قلب این پیشرفتها، پروتئینها قرار دارند؛ مولکولهایی که بلوکهای سازنده اساسی حیات محسوب میشوند و توانایی انجام وظایف متنوعی را در مقیاس نانویی دارند. اخیراً، ابزارهای جدیدی برای بهینهسازی و طراحی پروتئینها توسعه یافتهاند که به محققان اجازه میدهند پروتئینهایی با خواص دلخواه تولید کنند. این ابزارها فرصتهای جدیدی را برای مهندسی سیستمهای بیولوژیکی مبتنی بر پروتئین فراهم میآورند و راه را برای ساخت سلولهای مصنوعی از پایه هموار میسازند.
چالشهای موجود در ساخت سلولهای مصنوعی با پروتئینهای طبیعی
هدف اصلی در علم سلول مصنوعی، ساخت سیستمهای بیولوژیکی حداقلی از ماژولهای پروتئینمحور منفرد است. با این حال، یکی از چالشهای اساسی این است که پروتئینهای طبیعی، حتی اگر در محیط طبیعی خود عملکرد مشخصی داشته باشند، ممکن است پس از بازسازی در یک سلول مصنوعی، عملکرد مطلوب را از خود نشان ندهند یا حتی عملکردهای جدیدی پیدا کنند. این مشکل، ناشی از تفاوتهای محیطی و تعاملات پیچیده درون سلول مصنوعی است که میتواند بر ساختار و عملکرد پروتئینها تأثیر بگذارد. به همین دلیل، نیاز مبرمی به طراحی و بهینهسازی پروتئینها برای سازگاری با محیطهای مصنوعی و اطمینان از عملکرد صحیح آنها وجود دارد.
پاسخ مهندسی پروتئین: بهینهسازی و طراحی از پایه
دانشمندان معتقدند که بهینهسازی و طراحی پروتئینها میتواند این مشکل را حل کند. این رویکرد دوگانه شامل موارد زیر است:
انطباق پروتئینهای طبیعی با محیط سلول مصنوعی: در این روش، پروتئینهای موجود در طبیعت که عملکردهای مفیدی دارند، دستخوش تغییراتی میشوند تا با شرایط خاص سلولهای مصنوعی (مانند غلظتهای متفاوت، pH، دما یا حضور مولکولهای دیگر) سازگار شوند. این بهینهسازی میتواند شامل تغییرات کوچکی در توالی آمینواسیدی باشد که به بهبود پایداری، حلالیت یا میل ترکیبی پروتئین با سایر اجزا کمک میکند.
طراحی پروتئینهای کاملاً جدید (De Novo Design): این رویکرد جاهطلبانهتر، شامل طراحی پروتئینهایی است که در طبیعت وجود ندارند. این پروتئینها از ابتدا و بر اساس نظریههای مکانیکی دقیق، با هدف انجام یک عملکرد خاص و کاملاً جدید در سلول مصنوعی طراحی میشوند. این روش به محققان آزادی بیسابقهای در ایجاد عملکردها و سیستمهای بیولوژیکی کاملاً نوآورانه میدهد.
این ابزارها و روشها نه تنها پایداری و حلالیت پروتئینهای طبیعی را افزایش میدهند، بلکه امکان طراحی سیستمهای پروتئینی را بر اساس نظریههای مکانیکی دقیق از ابتدا فراهم میآورند. این رویکردها کلید ایجاد عملکردها و سیستمهای زیستی پیچیده از صفر هستند.
قابلیتهای فعلی در مهندسی پروتئین
برای درک بهتر پتانسیل این ابزارها، به بررسی قابلیتهای فعلی در سه حوزه کلیدی میپردازیم:
۱. بهینهسازی پروتئین (Protein Optimization):
هدف از بهینهسازی پروتئین، بهبود خواص یک پروتئین موجود برای کاربرد خاص است. این میتواند شامل افزایش پایداری در برابر دما یا pH، افزایش حلالیت برای جلوگیری از تجمع، یا بهبود میل ترکیبی با یک مولکول هدف باشد. روشهای مختلفی برای این منظور وجود دارد:
بهینهسازی صفر-شات (Zero-shot Optimization): این رویکرد شامل پیشبینی تغییرات بهینه در توالی پروتئین بدون نیاز به انجام آزمایشهای تجربی متعدد است. با استفاده از الگوریتمهای یادگیری ماشینی و دادههای ساختاری و عملکردی موجود، میتوان تغییراتی را پیشبینی کرد که به عنوان مثال، پایداری یا حلالیت پروتئینهای طبیعی را افزایش میدهند. این روش به طور قابل توجهی زمان و هزینه لازم برای بهینهسازی را کاهش میدهد.
تکامل هدایتشده (Directed Evolution): این روش، الهامگرفته از فرآیند تکامل طبیعی، شامل ایجاد کتابخانهای از واریانتهای پروتئینی و سپس انتخاب واریانتهایی با خواص بهبود یافته است. این فرآیند به صورت چرخهای تکرار میشود تا پروتئین بهینهشدهای به دست آید.
جهشزایی اشباعی (Saturation Mutagenesis): در این روش، تمام آمینواسیدهای یک موقعیت خاص در پروتئین با تمامی ۲۰ آمینواسید احتمالی جایگزین میشوند تا تأثیر هر تغییر بر عملکرد پروتئین بررسی شود.
۲. طراحی پروتئین از پایه (De Novo Protein Design):
این حوزه به معنای خلق پروتئینهایی است که هیچ همتای طبیعی شناختهشدهای ندارند. هدف، طراحی پروتئینهایی با ساختارهای سهبعدی و عملکردهای از پیش تعیینشده است. این کار به دو روش اصلی انجام میشود:
طراحی مبتنی بر قوانین فیزیکی (Physics-based Design):در این رویکرد، از اصول بنیادی فیزیک و شیمی برای پیشبینی و طراحی ساختارهای پروتئینی استفاده میشود. هدف، یافتن توالیهای آمینواسیدی است که به طور خودبهخودی به یک ساختار سهبعدی پایدار و عملکردی تا میشوند.
طراحی مبتنی بر یادگیری عمیق (Deep Learning-based Design):با ظهور هوش مصنوعی و یادگیری عمیق، ابزارهای جدیدی برای طراحی پروتئینها ظهور کردهاند. این ابزارها میتوانند الگوهای پیچیده در دادههای پروتئینی را شناسایی کرده و توالیهایی را تولید کنند که به ساختارهای دلخواه تا میشوند یا عملکردهای خاصی را انجام میدهند. این روش به ویژه برای طراحی پروتئینهایی با عملکردهای جدید و پیچیده امیدوارکننده است.
۳. بهینهسازی سیستمهای تکرارشونده (Iterative System Optimization):
برای ساخت سلولهای مصنوعی پیچیده، پروتئینها باید در نهایت به صورت تکرارشونده و همزمان با سایر اجزای سلول مصنوعی، مانند لیپیدها (برای ساخت غشاها) یا بافرها (برای حفظ شرایط محیطی)، بهینهسازی شوند. این بدان معناست که یک پروتئین که به تنهایی بهینهسازی شده، ممکن است در تعامل با سایر مولکولها در یک سیستم پیچیده، عملکرد متفاوتی داشته باشد. این بهینهسازی مشترک به تکنیکهای تولید و غربالگری با توان عملیاتی بالا (High-throughput generation and screening techniques) نیاز دارد تا بتوان تعداد زیادی از ترکیبات مختلف را به سرعت آزمایش کرد و بهترین ترکیب را برای عملکرد سیستمیک شناسایی کرد. این رویکرد، امکان تنظیم دقیق کل سیستم را برای دستیابی به عملکرد مطلوب فراهم میکند.
پتانسیل در علم سلول مصنوعی: استانداردسازی، ایجاد عملکرد از دست رفته و ادغام
کاربردهای این ابزارها در علم سلول مصنوعی بسیار گسترده و دگرگونکننده است:
استانداردسازی (Standardization): مهندسی پروتئین میتواند به استانداردسازی ساختار و عملکرد پروتئینهای مورد استفاده در سلولهای مصنوعی کمک کند. با طراحی پروتئینهایی با خواص قابل پیشبینی و تکرارپذیر، میتوانیم قابلیت اطمینان و مقیاسپذیری ساخت سلولهای مصنوعی را افزایش دهیم. این امر به ویژه برای پیشرفت همکاریهای بینالمللی و به اشتراکگذاری پروتکلها و ماژولها حیاتی است.
ایجاد عملکرد از دست رفته (Generation of Missing Functionality): بسیاری از عملکردهای بیولوژیکی پیچیده به تعامل هماهنگ چندین پروتئین نیاز دارند. در سلولهای مصنوعی، ممکن است برخی از این عملکردهای ضروری “از دست رفته” باشند. طراحی پروتئینهای جدید یا بهینهسازی پروتئینهای موجود میتواند به پر کردن این شکافهای عملکردی کمک کند. به عنوان مثال، میتوان پروتئینهایی را طراحی کرد که قادر به انجام واکنشهای متابولیکی خاصی باشند که در سیستمهای طبیعی وجود ندارند یا برای کاربرد خاصی بهینهسازی شدهاند.
ادغام (Integration): یکی از بزرگترین چالشها در ساخت سلولهای مصنوعی، ادغام ماژولهای پروتئینی مختلف در یک سیستم واحد و هماهنگ است. ابزارهای طراحی پروتئین میتوانند به ایجاد پروتئینهایی کمک کنند که به طور مؤثر با یکدیگر و با سایر اجزای سلول مصنوعی تعامل داشته باشند. این شامل طراحی پروتئینهایی با میل ترکیبی خاص برای اتصال به لیپیدها در غشا یا پروتئینهایی است که میتوانند کمپلکسهای چندپروتئینی پایدار را تشکیل دهند.
چشماندازی برای آینده: خط لوله یکپارچه طراحی و تولید
برای تسریع پیشرفت در این زمینه، دانشمندان یک خط لوله یکپارچه را پیشنهاد کردهاند که شامل ترکیب مهندسی پروتئین، تولید خودکار سلولهای مصنوعی و یادگیری فعال است. این رویکرد میتواند طراحی سیستمهای بیولوژیکی کاملاً جدید را امکانپذیر سازد که به اجزای پروتئینی طبیعی تکاملیافته وابسته نیستند. این خط لوله شامل مراحل زیر است:
1. طراحی پروتئین هوشمند (Intelligent Protein Design): با استفاده از الگوریتمهای پیشرفته یادگیری ماشینی و هوش مصنوعی، پروتئینها به صورت محاسباتی طراحی میشوند تا عملکردهای خاصی را در سلولهای مصنوعی انجام دهند. این مرحله شامل پیشبینی ساختار سهبعدی، پایداری، و میل ترکیبی پروتئینهای طراحیشده است.
2. تولید خودکار سلولهای مصنوعی (Automated Synthetic Cell Generation): پس از طراحی پروتئینها، فرآیند مونتاژ سلولهای مصنوعی به صورت خودکار انجام میشود. این شامل سنتز DNA، رونویسی به RNA، ترجمه به پروتئین و مونتاژ خودکار غشاها و سایر اجزا است. اتوماسیون این فرآیند، امکان تولید با توان عملیاتی بالا و کاهش خطاهای انسانی را فراهم میکند.
3. غربالگری و تجزیه و تحلیل با توان عملیاتی بالا (High-Throughput Screening and Analysis): سلولهای مصنوعی تولید شده، تحت آزمایشهای عملکردی دقیق قرار میگیرند. این غربالگریها میتوانند به سرعت تعیین کنند که آیا سلولهای مصنوعی، عملکردهای مورد نظر را انجام میدهند یا خیر. استفاده از تکنیکهای پیشرفته تصویربرداری و میکروسیالات میتواند این فرآیند را به شدت کارآمد کند.
4. یادگیری فعال (Active Learning): نتایج حاصل از غربالگری به الگوریتمهای یادگیری ماشینی بازگردانده میشود. این الگوریتمها از دادهها برای بهبود مدلهای طراحی پروتئین و بهینهسازی فرآیند مونتاژ استفاده میکنند. این چرخه بازخورد مداوم (طراحی، ساخت، آزمایش، یادگیری) به سیستم اجازه میدهد تا به طور مداوم خود را بهبود بخشد و به طور فزایندهای پروتئینها و سلولهای مصنوعی کارآمدتری را طراحی کند.
این رویکرد ترکیبی، پتانسیل ایجاد انقلابی در زیستشناسی مصنوعی را دارد. با حرکت به سوی طراحی سیستمهای بیولوژیکی که کاملاً از ابتدا ساخته شدهاند، میتوانیم بر محدودیتهای تکامل طبیعی غلبه کرده و به پتانسیلهای بیولوژیکی جدیدی دست یابیم.
نتیجهگیری
در نهایت، ابزارهای نوظهور در بهینهسازی و طراحی پروتئین، نقش حیاتی در پیشبرد علم سلول مصنوعی ایفا میکنند. با توانایی در انطباق پروتئینهای طبیعی، طراحی پروتئینهای کاملاً جدید و بهینهسازی سیستمهای پیچیده به صورت تکرارشونده، محققان قادر خواهند بود عملکردهای بیولوژیکی پیچیده و سیستمهای عملکردی را از ابتدا ایجاد کنند. همکاریهای بینالمللی و ایجاد پایگاههای داده مشترک، روشهای طراحی قابل تکرار و غربالگریهای عملکردی استاندارد شده، برای توسعه یک خط کاری استاندارد ضروری است. این تلاشهای هماهنگ نه تنها درک ما از زیستشناسی را عمیقتر میکند، بلکه راه را برای کاربردهای بیسابقه در پزشکی، فناوری و فراتر از آن هموار میسازد. ما در آستانه دورانی هستیم که میتوانیم حیات را نه فقط مطالعه، بلکه طراحی و مهندسی کنیم. این پیشرفتها، آیندهای را نوید میدهند که در آن سیستمهای بیولوژیکی میتوانند برای رفع نیازهای انسانی، از درمان بیماریها گرفته تا تولید مواد جدید، به طور هدفمند طراحی شوند.
منبع :Protein design and optimization for synthetic cells