احیای مولکولی پپتیدهای ضد میکروب باستانی با استفاده از یادگیری ماشین

مقدمه

افزایش باکتری‌های مقاوم به آنتی‌بیوتیک تهدیدی جدی برای سلامت جهانی محسوب می‌شود و نیازمند روش‌های نوآورانه برای کشف داروهای جدید است. در مطالعه‌ای پیشگامانه که در مجله *Cell Host & Microbe* منتشر شده، محققانی به نام‌های ژاکلین آر.ام.ای. ماش، مارسلودی.تی. تورس، مارسلوسی.آر. ملو و سزار دلا فوئنت-نونز چارچوبی جدید به نام “احیای مولکولی” معرفی کرده‌اند. این روش از یادگیری ماشین (ML) برای شناسایی و احیای پپتیدهای ضد میکروب (AMPs) از پروتئین‌های انسان‌های منقرض شده استفاده می‌کند و راهی امیدوارکننده برای توسعه آنتی‌بیوتیک‌های جدید ارائه می‌دهد.

این مطالعه بر استخراج پروتئوم‌های انسان‌های باستانی مانند نئاندرتال‌ها و دنیسوواها برای کشف پپتیدهای ضد میکروب رمزگذاری شده (EPs) تمرکز دارد – توالی‌های زیستی فعال که درون پروتئین‌های بزرگتر پنهان شده‌اند. با ترکیب ابزارهای محاسباتی و اعتبارسنجی تجربی، تیم تحقیقاتی نشان داده که این پپتیدهای باستانی فعالیت ضد میکروبی قوی همراه با سمیت کم دارند و راه را برای درمان‌های جدید هموار می‌کنند.

 

مفاهیم و نوآوری‌های کلیدی

احیای مولکولی

احیای مولکولی شامل احیای مولکول‌های موجودات منقرض شده مانند پپتیدها، پروتئین‌ها یا اسیدهای نوکلئیک برای کاربردهای مدرن است. برخلاف احیای ارگانیسمی که نگرانی‌های اخلاقی و زیست‌محیطی ایجاد می‌کند، این روش تنها بر ترکیبات مجزا تمرکز دارد و از بسیاری از معضلات اخلاقی اجتناب می‌کند. این مطالعه فرض می‌کند که مولکول‌های مفید برای انسان‌های منقرض شده می‌توانند چالش‌های فعلی مانند مقاومت آنتی‌بیوتیکی و پاتوژن‌های نوظهور را حل کنند.

 یادگیری ماشین در کشف دارو

محققان پان‌کلیو (panCleave) را توسعه دادند، یک خط لوله مبتنی بر پایتون که با استفاده از ML محل‌های برش در پروتئین‌ها را پیش‌بینی می‌کند تا پپتیدهای EPs بالقوه را شناسایی کند. برخلاف مدل‌های سنتی مخصوص پروتئازها، پان‌کلیو یک طبقه‌بند پان-پروتئاز است که بر روی داده‌های ۳۶۹ پروتئاز انسانی آموزش دیده و جستجوی سراسری پروتئوم را ممکن می‌سازد. این ابزار از مدل‌های موجود در دقت و تعمیم‌پذیری پیشی گرفت و آن را به منبعی قدرتمند برای پروسپکت داروهای الهام‌گرفته از زیست‌شناسی تبدیل کرد.

 استخراج پالئوپروتئوم

با تجزیه و تحلیل پروتئوم‌های نئاندرتال‌ها و دنیسوواها، این مطالعه به بررسی سازگاری‌های تکاملی می‌پردازد که ممکن است خواص ضد میکروبی منحصر به فردی ارائه دهند. این پپتیدهای باستانی که زمانی بخشی از سیستم ایمنی انسان بودند، می‌توانند مکانیسم‌های عمل جدیدی علیه پاتوژن‌های مدرن ارائه کنند.

 

روش‌شناسی

پروتئولیز محاسباتی با پان‌کلیو

خط لوله پان‌کلیو توالی‌های پروتئینی را از طریق مراحل زیر پردازش می‌کند:

۱. پنجره لغزان: پروتئین‌ها را به زیرتوالی‌های ۸-رسیدگی تقسیم می‌کند.

۲. کدگذاری: توالی‌ها را با استفاده از روش ProtrFP به بردارهای عددی ویژگی تبدیل می‌کند.

۳. پیش‌بینی: از یک مدل جنگل تصادفی برای طبقه‌بندی زیرتوالی‌ها به عنوان محل‌های برش یا غیر برش استفاده می‌کند.

۴. تکه‌تکه شدن: پروتئین‌ها را در محل‌های برش پیش‌بینی شده توکن‌بندی می‌کند تا قطعات پپتیدی تولید شود.

این مدل در یک مجموعه آزمایش مستقل به دقت کلی ۷۳.۳٪ دست یافت، با دقت بالاتر (تا ۹۶.۶٪) برای پیش‌بینی‌های با اطمینان بالا. این مدل در پیش‌بینی محل‌های برش برای پروتئازهای خاص مانند کاسپاز-۳ و گرانزیم B عالی عمل کرد و از ابزارهای موجود پیشی گرفت.

 

 اعتبارسنجی تجربی

تیم تحقیقاتی ۸۰ قطعه پپتیدی مدرن و ۶۹ قطعه باستانی را سنتز و آزمایش کردند. آزمایش‌های کلیدی شامل موارد زیر بود:

– آزمایش‌های ضد میکروبی: حداقل غلظت مهارکننده (MIC) را در برابر نه سویه باکتریایی اندازه‌گیری کردند.

– تجزیه پروتئولیتیک: پایداری پپتیدها در سرم را ارزیابی کردند.

– مکانیسم عمل: نفوذپذیری و قطبی‌سازی غشا را بررسی کردند.

– آزمایش‌های سمیت: اثرات همولیتیک و سیتوتوکسیک روی سلول‌های انسانی را بررسی کردند.

– مدل‌های درون تنی: کارایی را در مدل‌های آبسه پوستی و عفونت ران موش آزمایش کردند.

 

 نتایج

 فعالیت ضد میکروبی

– پپتیدهای مدرن (MEPs): ۱۰٪ (۸ از ۸۰) فعالیت ضد میکروبی نشان دادند، با قطعه CBPZ-GSK24 از کاربوکسی پپتیداز Z که قوی‌ترین اثرات را نشان داد (MICهای ۲-۱۶ میکرومولار در برابر سودوموناس آئروژینوزا و اشریشیا کلی).

– پپتیدهای باستانی (AEPs): ۸.۷٪ (۶ از ۶۹) فعال بودند، با قطعه PDB6134D-ALC29 از گلیسین دکربوکسیلاز نئاندرتال که چندین پاتوژن را مهار کرد (MICهای ۳۲-۱۲۸ میکرومولار).

 پایداری و مکانیسم

– MEPها در برابر تجزیه پروتئولیتیک بسیار مقاوم بودند، با باقی ماندن تا ۸۵٪ پس از ۶ ساعت در سرم.

– AEPها قطبی‌سازی غشای قوی‌تری نشان دادند، در حالی که MEPها در نفوذپذیری عالی عمل کردند، که نشان‌دهنده مکانیسم‌های عمل متمایز است.

 سمیت و ایمنی

– بیشتر پپتیدها فعالیت همولیتیک و سیتوتوکسیک کمی نشان دادند. دو MEP (CBPZ-GSK24 و ATE2T1-SPR29) در غلظت‌های بالا سمیت متوسطی نشان دادند، در حالی که AEPها یکنواخت غیر سمی بودند.

 کارایی درون تنی

– در مدل‌های موش، پپتیدهای پیشرو بار باکتریایی را ۵-۶ مرتبه کاهش دادند، قابل مقایسه با پلی‌میکسین B (یک آنتی‌بیوتیک آخرین خط دفاعی). هیچ اثر نامطلوبی مشاهده نشد که نشان‌دهنده پتانسیل درمانی آنها است.

 

 بحث و پیامدها

گسترش فضای کشف دارو

این مطالعه نشان می‌دهد که استخراج پالئوپروتئوم با راهنمایی ML می‌تواند AMPهای پایدار و غیر سمی با خواص منحصر به فرد را کشف کند. پپتیدهای باستانی، به ویژه، توالی‌هایی را ارائه می‌دهند که در انسان‌های مدرن وجود ندارند و جستجو برای آنتی‌بیوتیک‌های جدید را گسترش می‌دهند.

چالش‌ها و جهت‌گیری‌های آینده

– نرخ موفقیت: نرخ موفقیت پایین (۲۰-۱۰٪) نیاز به ابزارهای پیشرفته‌تر پیش‌بینی AMP را برجسته می‌کند.

– بینش‌های تکاملی: نقش پپتیدهای باستانی در ایمنی مدرن نیاز به بررسی بیشتر دارد، به ویژه با توجه به شواهد مشارکت ژن‌های نئاندرتال در عملکرد ایمنی.

– قابلیت تجاری: افزایش مقیاس تولید پپتید و بهینه‌سازی روش‌های تحویل برای ترجمه بالینی حیاتی است.

مزایای اخلاقی و فنی

احیای مولکولی از مشکلات احیای ارگانیسمی اجتناب می‌کند و در عین حال از راه‌حل‌های تکاملی برای بیماری‌های عفونی استفاده می‌کند. انتشار منبع باز پان‌کلیو پیشرفت‌های مشارکتی در این زمینه را تشویق می‌کند.

 

نتیجه‌گیری

این مطالعه پل بین زیست‌شناسی باستانی و فناوری مدرن است و پتانسیل احیای مولکولی مبتنی بر ML را برای کشف آنتی‌بیوتیک نشان می‌دهد. با احیای پپتیدهای باستانی، این تیم کاندیداهای امیدوارکننده‌ای برای مبارزه با عفونت‌های مقاوم شناسایی کرده‌اند که امیدی در مبارزه با بحران جهانی آنتی‌بیوتیک ارائه می‌دهد. کارهای آینده این ابزارها را اصلاح و کاربردهای گسترده‌تری، از پزشکی شخصی گرفته تا پایداری محیطی، بررسی خواهند کرد.

منبع :

Molecular de-extinction of ancient antimicrobial peptides enabled by machine learning

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

فهرست