Forscher der University of Texas at Dallas haben einen neuen maschinellen Lernansatz entwickelt, der die Entwicklung präziserer Krebstherapien und antiviraler Medikamente beschleunigen könnte. Proteasen, die als molekulare Scheren fungieren und Proteine im Körper spalten, sind entscheidend für solche Behandlungen. Ihre gezielte Anwendung wurde jedoch bislang durch die erheblichen Schwierigkeiten behindert, ihr Verhalten vorherzusagen. Um dieses Problem zu lösen, erstellten die Wissenschaftler das Modell ProSSpeC, den Protease-Substrat-Spezifitäts-Rechner. Dieses interdisziplinäre Projekt kombiniert Bioengineering, Evolutionsbiologie und computergestützte Biologie. Das Modell analysiert, wie Proteasen über Millionen von Jahren der Evolution verändert wurden, um vorherzusagen, ob eine bestimmte Protease eine beabsichtigte Aufgabe erfüllen wird, bevor Labortests durchgeführt werden. Im Gegensatz zu herkömmlichen Methoden, die auf langsamen Versuchs- und Irrtumsprozessen basieren, lernt das System aus evolutionären Daten. Durch die Untersuchung, wie ähnliche Enzyme sich im Laufe der Zeit verändert haben, kann es vorhersagen, welche konstruierten Varianten funktionieren und welche nicht. Dies reduziert den Bedarf an dem Testen tausender zufälliger Variationen im Labor. Das ProSSpeC-Modell verglich Tausende verwandter Enzyme aus der Familie der Potyviren mit unterschiedlichen Aminosäuresequenzen. Dabei identifizierte es die für die Funktion essenziellen Bereiche eines Enzyms sowie die Bereiche, die verändert werden können. Die Forscher validierten die Vorhersagen im Labor, indem sie die vom Modell als effektiv eingestuften neuen Proteasen produzierten und testeten. Die Ergebnisse zeigten, dass die entwickelten synthetischen Proteasen etablierte Standardenzyme übertrafen. Insbesondere übertrafen sie die häufig verwendete Protease des Tabakmosaikvirus, die derzeit zur Aufreinigung von Proteinen in der Forschung und Pharmaproduktion dient. Dr. P.C. Dave Dingal von der Erik Jonsson School of Engineering and Computer Science und Dr. Faruck Morcos von der School of Natural Sciences and Mathematics leiteten die Studie. Sie betonten, dass dieser Ansatz neue Türen für den Entwurf von Enzymen öffnet, die präzisere und wirksamere Behandlungen für eine Vielzahl von Krankheiten ermöglichen. Morcos verglich den Prozess damit, die Natur als Wegweiser für den Bau besserer molekularer Werkzeuge zu nutzen. Da Protease-Inhibitoren oft auf langsamen manuellen Prozessen beruhen, bietet diese computergestützte Vorhersage einen signifikanten Vorteil in der Effizienz. Die Forschungsgruppe hat einen vorläufigen Schutzrechtsschutz für einige der entwickelten Enzyme angemeldet. Die Studie, deren Ergebnisse in der Fachzeitschrift Nature Communications veröffentlicht wurden, unterstreicht die Leistungsfähigkeit der Kombination von evolutionären Datenanalysen mit modernem Enzym-Engineering. Der Beitrag wurde maßgeblich von dem Doktoranden Medel B. Lim Suan Jr. und weiteren Studienteilnehmern erbracht, die wertvolle Einblicke in die Verbindung von computergestützter Modellierung und experimenteller Biologie gewannen. Die Methode legt den Grundstein für eine schnellere Entwicklung neuer Therapien, die auf spezifischen enzymatischen Prozessen basieren.