Gabriella Laker este cercetator in proteine ​​la LabGenius.

Imaginati-va ca concurati in finala de 100 m obstacole. Este momentul tau sa arati lumii din ce esti facut. Dar, daca nu le stergeti pe fiecare, sunteti in afara cursei, indiferent de cati ani de sange, sudoare si lacrimi a fost nevoie pentru a ajunge acolo.

Acelasi lucru este valabil si pentru descoperirea drogurilor.

Sa presupunem ca molecula dvs. este una dintre putinele norocoase care ajung la studii clinice. Acum aveti o sansa de 1 din 10 de a ajunge pe piata. Dar mai intai, trebuie sa eliminati o multime de obstacole pentru a ajunge acolo. Daca molecula dvs.

Array

este toxica, imunogena, daca se agrega, nu este eficienta, este instabila, nu poate fi produsa la scara, ati ghicit-o, este blocata. Chiar daca a fost nevoie de ani de cercetare si milioane de dolari pentru a ajunge la acest punct.

Harry Rickerby, arhitect de platforma la LabGenius, aprofundeaza provocarile descoperirii de droguri si de ce industria farmaceutica trebuie sa adopte tehnologia pentru a ramane viabila aici.

Aici, la LabGenius, misiunea noastra este de a construi un viitor in care invatarea automata descopera medicamente care schimba viata pentru oamenii din intreaga lume.

Cheia ingineriei unei noi proteine ​​este de a gasi combinatia potrivita de aminoacizi. Pentru a face acest lucru, trebuie sa cautam toate secventele potentiale de proteine ​​care au, fac si ar putea exista. Acest „spatiu secvential” multidimensional este infinit si, prin urmare, cautarea nu este usoara.

Metodele conventionale de inginerie a proteinelor imita evolutia darwiniana pentru a genera variatii genetice si pentru a selecta cele mai potrivite proteine. Aceasta abordare este convenabila, dar este inerent ineficienta, asa cum explica Harry aici.

Array

La LabGenius, construim o platforma de inginerie a proteinelor, condusa de invatarea automata, capabila de co-optimizare simultana a mai multor proprietati biochimice si biofizice. Adoptand puterea tehnologiei, credem ca platforma noastra va fi capabila sa abordeze problemele terapeutice provocatoare, unde metodele conventionale de inginerie a proteinelor au esuat pana acum.

O perspectiva interesanta, dar cum arata cu adevarat asta pe prima linie de laborator, din ochii unui om de stiinta in proteine?

Ca si in cazul metodelor conventionale de inginerie a proteinelor, cea mai mare provocare ramane identificarea celei mai bune secvente de proteine ​​din spatiul de secventa infinit.

In primul rand, trebuie sa construim o harta a spatiului secvential. Pentru a face acest lucru, trebuie sa generam variatii genetice, la o scara enorma.

Fiecare harta pe care o construim reprezinta o regiune a spatiului secvential care se intinde pe zona noastra terapeutica aleasa. Deocamdata, sa ramanem la elementele fundamentale. Fiecare medicament trebuie sa se lege de tinta sa cu afinitate ridicata si sa obtina un efect terapeutic puternic.

Deci, cum va asigurati ca va aflati in zona potrivita a spatiului de secventa pentru inceput? Prin identificarea unei secvente care codifica un liant cunoscut. Acesta este schela noastra de pornire.

Array

In cadrul acelei secvente de schele, putem identifica aminoacizii care confera afinitate si selectivitate. Acum vrem sa generam variatii ale acestei secvente pentru a gasi proteine ​​care depasesc schela noastra de pornire. Sa presupunem ca 15 reziduuri sunt implicate in legare. Unul dintre cei douazeci de aminoacizi poate ocupa fiecare pozitie. Teoretic, putem randomiza aceasta regiune pentru a crea o biblioteca de 3,3 * 10 ^ 23 de variante unice.

Aceasta diversitate este doar teoretica. Folosind tehnologiile interne de secventiere de generatie urmatoare, putem valida adevarata diversitate in doar cateva zile.

Aplicarea presiunilor de selectie ne permite sa filtram prin intreaga biblioteca pentru acele variante care indeplinesc cerintele noastre biochimice si biofizice. Aceste secvente sunt folosite pentru a ne construi harta.

In creier, aproximativ 86 de miliarde de neuroni transmit informatii prin 10 ^ 15 sinapse pentru a forma retelele noastre neuronale. Dezvoltam si instruim aceste retele pe masura ce invatam cum sa mergem, sa vorbim si sa construim ganduri si idei.

Acest mod de procesare a informatiilor biologice si, mai important, modul in care invatam din experientele noastre, au inspirat abordarea de calcul pe care o folosim pentru a descoperi relatia complexa dintre secventa si functia proteinelor.

Prin screening-ul unor seturi de date de inalta calitate, impartiale si genetice diverse in laborator, putem folosi invatarea automata pentru a elimina regulile de proiectare genetica care stau la baza vietii. Putem incepe sa intelegem relatia secventa-functie a acelor secvente reprezentate in bibliotecile noastre genetice, sa clasam secventele nevazute si sa prezicem secvente imbunatatite.

Nu este posibil sa caracterizezi fiecare secventa din laborator. In schimb, identificam primii 96 cu cel mai mare potential pentru satisfacerea nevoilor noastre terapeutice. Urmatoarea provocare este sa dovedim ca aceste secvente sunt cu adevarat imbunatatiri ale moleculei noastre de pornire. Pentru a face acest lucru, folosim o biologie moleculara de moda veche, combinata cu robotica de ultima ora.

Oamenii sunt masini incredibile capabile de intelepciune, creativitate si intelegere. Dar obosim si gresim.

Sa luam o singura secventa identificata de modelul nostru de invatare automata. Pentru a caracteriza aceasta proteina, trebuie mai intai sa o exprimam.

In cadrul laboratorului, folosim ansamblul Golden Gate, o metoda de clonare moleculara care permite inserarea secventei noastre de interes in vectorul nostru de expresie, intr-un singur pas.

Ati avut o dimineata aglomerata si acum trebuie sa organizati reactia de asamblare inainte de intalnirea dvs. de la ora doua. In graba, setati incorect volumul pipetei si acum aveti de doua ori mai mult ADN ligaza. Poate ati uitat sa o adaugati si nu aveti deloc ligaza. Si pentru a finaliza, intalnirea dvs. depaseste si incubatia dvs. de 60 de minute a devenit acum 80. Nu este ideal.

Acum imaginati-va ca trebuie sa configurati aceeasi reactie pentru 96 de secvente diferite. Cele sase etape ale pipetei au devenit 576. Tubul unic Eppendorf a devenit o placa cu 96 de godeuri. Ai fost pana la bine D7, dar acum te indoiesti daca D6 contine enzima. Mai bine incepeti din nou pentru a fi siguri. Intregul proces este incredibil de consumator de timp si este foarte predispus la erori.

Din fericire, robotii fac o treaba mult mai buna.

La LabGenius, inginerii nostri de automatizare utilizeaza puterea robotilor de manipulare a lichidelor pentru a automatiza intregul nostru flux de lucru de productie de proteine ​​cu randament ridicat. Aceasta este o afacere mare. Ca oameni de stiinta, nu mai suntem doar masini de pipetat ineficiente. In schimb, avem libertatea de a ne folosi mintea mult mai bine – sa proiectam tipul corect de experiment, mai degraba decat sa il executam.

Avem rezultatul de clonare – 96 de plasmide. Fiecare plasmida contine o secventa unica inserata in vectorul nostru de expresie. NGS confirma ca aceste secvente sunt corecte. Acum suntem gata de plecare.

Dupa cultivarea plasmidelor noastre in culturi lichide, putem extrage ADN-ul. Celulele bacteriene specializate vor prelua ADN-ul extras si vor exprima proteina pe care o codifica.

Proteina noastra exista acum in matricea lichida din interiorul celulei. Intreruperea membranei celulare va elibera toate proteinele solubile exprimate de celula. Acum trebuie sa ne izolam doar proteinele de interes. In mod convenabil, etichetele sale sunt concepute exact pentru asta. Afinitatea lor puternica pentru ioni de metal de tranzitie inseamna ca proteinele marcate cu el pot fi izolate dintr-o supa de proteine ​​neetichetate folosind ioni imobilizati.

O coloana de nichel conectata la un sistem de purificare FPLC este o modalitate excelenta de a face acest lucru. Dar ce faci daca vrei sa purifici 96 de proteine ​​in paralel si sa ajungi in continuare la sala dupa munca? Ati ghicit – automatizarea!

La LabGenius, am aplicat principiile de baza ale cromatografiei de afinitate la un format mare, cu 96 de godeuri. Si este surprinzator de simplu.

Incubarea supei de proteine ​​cu rasina de nichel faciliteaza legarea cu afinitate ridicata a proteinei noastre etichetate. Amestecul de proteina-rasina este transferat pe o placa de filtrare cu 96 de godeuri, spalat pentru a indeparta contaminantii si schimbat intr-un tampon de stocare. Si, in cele din urma, incubatia peste noapte cu proteaza faciliteaza clivajul curat al etichetei sale, eliminand proteina noastra tinta din rasina.

Acum avem 96 de variante de proteine ​​unice si frumos pure.

Si aici incepe adevarata distractie – caracterizarea.

Pentru a ne indeplini misiunea de a descoperi medicamente care schimba viata pentru oamenii din intreaga lume, secventele de proteine ​​care au fost identificate prin modelele noastre de invatare automata si purificate folosind platforma noastra de automatizare cu randament ridicat, trebuie acum sa depaseasca molecula de pornire. Altfel, toti ne pierdem timpul.

Initial, cele mai importante intrebari la care trebuie sa raspundem sunt –

  1. Este candidatul puternic?
  2. Candidatul este stabil?
  3. Are candidatul o afinitate mare pentru tinta sa?

In mod convenabil, avem trei teste care ne pot spune exact asta.

Potenta

Puteti intreba de ce nu incepem prin a determina afinitatea obligatorie. Intrebare corecta. Raspunsul este simplu, desi implica o singura presupunere – daca molecula noastra candidata produce un efect terapeutic puternic impotriva tintei noastre, ea trebuie sa se lege si de tinta respectiva. Pur si simplu, putem ucide doua pasari cu o singura piatra. Putem cuantifica potenta, confirmand totodata legarea.

In laborator, facem acest lucru folosind un test de raportare genetica. Genele reporter permit detectarea expresiei genelor. Codifica enzime care transforma substraturile in produse luminescente. Legarea tintei noastre de receptorul sau declanseaza activarea genei raportoare, care se traduce direct intr-un semnal luminiscent cuantificabil.

Moleculele noastre candidate sunt concepute pentru a inhiba aceasta interactiune. Putem cuantifica potentialul setului nostru de candidati intr-un singur test. Desigur, folosim puterea automatizarii pentru a face acest lucru. Candidatii potentiali reduc expresia genei reporter si, prin urmare, reduc semnalul luminiscent, permitandu-ne sa construim clasamente de potenta pentru fiecare set de candidati.

Stabilitate

Candidatul nostru trebuie sa reziste mediilor dure ale corpului pentru a supravietui dupa administrare. Daca candidatul nostru are un timp de injumatatire scurt, daca este sensibil la pH, daca este proteaza labila, este putin probabil sa isi dea efectul terapeutic intentionat.

Folosind platforma noastra de automatizare, caracterizarea stabilitatii proteinelor poate fi determinata pentru 96 de candidati la un moment dat. Supunand candidatii nostri conditii de stres, putem determina cantitatea care ramane intacta dupa aceea si le putem clasifica in consecinta.

Afinitate

Acum avem o imagine detaliata despre care dintre cei 96 de candidati sunt cei mai puternici si mai stabili. Combinarea acestor date ne permite sa le identificam pe cele care depasesc molecula noastra initiala. Acum determinam afinitatea de legare.

In cadrul laboratorului, folosim rezonanta plasmonului de suprafata pentru a caracteriza legarea candidatilor nostri de tinta noastra, in timp real. Cei mai buni candidati sunt trecuti pe o suprafata pe care tinta a fost imobilizata. Profilul de interactiune este inregistrat in timp real si ofera date cantitative despre cinetica de legare si afinitate.

Ca specie, suntem pur si simplu incapabili sa intelegem pe deplin complexitatea sistemelor biologice. Prin acceptarea acestei, si imbratisand capacitatile in continua expansiune a tehnologiei, putem putem incepe sa intelegem regulile de proiectare genetice care stau la baza vietii.

Dintr-un spatiu de secvente infinit, putem proiecta si construi biblioteci diverse din punct de vedere genetic, care capteaza trilioane de secvente de proteine ​​unice.

Folosind puterea invatarii automate, putem descoperi regulile care impletesc secventa si functionarea proteinelor. Folosind aceste reguli, putem construi modele care prezic cu precizie acele secvente care satisfac nevoile noastre terapeutice.

Folosind puterea roboticii, putem produce si caracteriza aceste proteine ​​in paralel. Proteine ​​care au fost co-optimizate pentru multiple proprietati biochimice si biofizice si care au o semnificatie terapeutica reala pentru oamenii din intreaga lume.

Este un moment interesant pentru a face parte din LabGenius. Alaturati-ne!

ARTICOLE SIMILAREDE LA ACELAȘI AUTOR