Ortogol bilgi ve üretken modellemeyi kullanarak türler arası gen yeniden tasarımı

Neden türler arası gen yeniden tasarımı önemli

Modern biyoteknoloji sıklıkla ilaç, enzim veya çevre temizliği araçları üretmek için genleri bir mikrobiden başka birine taşımayı gerektirir. Yine de bir gendeki iyi çalışma, yeni bir konakta sürdürülemeyebilir ve çok az protein üretilmesine yol açabilir. Bu makale, evrimden doğrudan öğrenen ve genleri başka bir türde “yerli”ymiş gibi hissettirecek şekilde yeniden yazan, böylece performanslarını artırıp yeşil teknoloji ve sanayi için yeni olanaklar açan OrtologTransformer adında yeni bir yapay zeka sistemini tanıtıyor.

Bugünün gen ayarlama yöntemlerinin sınırlılıkları

On yıllardır bilim insanları, yabancı genlerin yeni konaklarda çalışmasına yardımcı olmak için kodon optimizasyonu adı verilen bir stratejiye güveniyor. Fikir basit: genetik kod, aynı amino asidi kodlayabilen birkaç üç harfli “kodon” içerir ve farklı türler farklı kodonları tercih eder. Geleneksel araçlar proteinli amino asit dizisini değiştirmeden nadir kodonları tercih edilenlerle değiştirir. Bu genellikle yardımcı olur, ancak RNA katlanması, düzenleyici sinyaller ve protein üretiminin zamanlaması gibi gen performansı için önemli olan birçok başka özelliği göz ardı eder. Bazı durumlarda kodonların aşırı optimize edilmesi protein verimini bile azaltabilir. Doğa ise türler arası uyumu daha zengin bir şekilde çözer: ortolog olarak bilinen ilgili genler, genel işlevi korurken sıklıkla amino asit değişiklikleri ve küçük eklemeler veya silinmeler ile birlikte kodon değişimleri gösterir.

Gen yeniden yazımı için doğanın oyun kitabını öğrenmek

OrthologTransformer, gen yeniden tasarımını bir tür dil çevirisi olarak ele alır: bir bakteriden alınan DNA dizisi verildiğinde, onu başka bir türde o genin muhtemelen nasıl görüneceğine “çevirir”. Model, modern dil araçlarında kullanılan Transformer mimarisi üzerine kuruludur, ancak burada sözcükler yerine kodonlar üzerinde çalışır. İki binden fazla bakteri türünden milyonlarca doğal ortolog çiftinde eğitilmiştir ve hangi türden hangi türe çevrildiğini belirten özel tokenlar içerir. Evrimin işlev ve konak uyumunu nasıl dengelediğini görerek, sistem ne zaman basit kodon değişimlerinin yeterli olduğunu ve ne zaman ince amino-asit değişiklikleri veya uzunluk ayarlamalarının tolere edildiğini öğrenir. 45 bakteri türünü ve yüzlerce kaynak–hedef kombinasyonunu kapsayan testlerde, yapay zekâ tarafından yeniden tasarlanan genler, hem geleneksel kodon optimizasyonundan hem de önde gelen bir sinirsel kodon optimizasyon aracından daha yakın şekilde hedef türün yerli ortologlarına benzedi; üstelik protein düzeyinde yüksek benzerliği korudu.

Yapay zekâ tarafından tasarlanan plastik yiyen enzimleri işe koymak

Bunun sadece hesaplamalı bir numara olmadığını göstermek için ekip, çoğu içecek şişesinde kullanılan PET plastiğini parçalayabilen Ideonella sakaiensis bakterisinden bir enzim olan PETase üzerine odaklandı. Ideonella yavaş büyür ve endüstriyel kullanım için ideal değildir; bu yüzden araştırmacılar PETase genini daha hızlı büyüyen bir konak olan Bacillus subtilis için yeniden yazması üzere OrthologTransformer’a başvurdu. Farklı eğitim ayarlarını ve dizileri Bacillus-benzeri DNA bileşimine ve elverişli RNA yapılarına doğru yönlendiren ek bir arama prosedürünü keşfederek on iki yeniden tasarlanmış gen varyantı oluşturdular. Bazı varyantlar birçok DNA değişikliği ve birkaç amino-asit ikamesi taşımasına rağmen bilgisayar modelleri enzimin temel 3B yapısının korunduğunu öngördü. Bu tasarımlar canlı Bacillus hücrelerinde üretildiğinde ve test edildiğinde, birkaç tanesi yüksek miktarda salgılanan PETase üretti ve hepsi ölçülebilir plastik parçalama aktivitesi gösterdi.

Standart optimizasyonu geride bırakan bir yapay zekâ tasarımı

AI-L2 adındaki bir yapay zekâ tasarımı öne çıktı. Bu geni taşıyan Bacillus hücreleri özellikle yüksek miktarda PETase salgıladı ve yedi günlük bir testte herhangi bir başka suştan yaklaşık üç kat daha fazla plastik parçalama ürünü üretti; reaksiyon ürünleri ile ölçüldüğünde tipik kodon-optimize kontrollere göre yaklaşık on kat daha fazla verim sağladı. AI-L2 hücrelerine maruz bırakılan PET film mikroskopi görüntüleri, plastiğin yenildiği derin çukurlar ve delikler ortaya koydu; bu diğer koşullardan çok daha dramatikti. Ayrıntılı enzim testleri AI-L2 versiyonunun PETase’ının yalnızca daha verimli üretimle kalmayıp aynı zamanda substratını daha hızlı işlediğini gösterdi; bu da orijinal ve kodon-optimize enzimlerden daha yüksek katalitik verimlilik sağlıyordu. Escherichia coli’de paralel bir deney, yalnızca kodon kullanımını değiştirip amino-asit dizisini değiştirmeyen bir OrthologTransformer tasarımının bile frekans tabanlı bir kodon-optimize genden daha iyi performans gösterdiğini ortaya koydu; bu, modelin geleneksel yöntemlerin gözden kaçırdığı ince, konak-özgü tercihleri yakaladığını vurguluyor.

Gelecekteki biyoloji ve teknoloji için anlamı

Günlük anlatımla OrthologTransformer, bir gencin yeni bir mikroba “yazımını” sadece yeniden düzenlemekle kalmayan, aynı zamanda güvenli veya faydalı olacağını bildiğinde “cümle” üzerinde küçük, evrimden beslenen düzeltmeler yapan uzman bir çevirmen gibidir. Binlerce bakteri türü arasında genlerin doğal olarak nasıl adapte olduğundan doğrudan öğrenerek, sadece kodon değişimleriyle sınırlı tasarımlardan daha iyi çalışan yeniden tasarlanmış DNA önerebilir. Bacillus subtilis’te daha güçlü, plastik yiyen bir enzimin başarılı şekilde oluşturulması, yapay zekâ rehberliğinde gen yeniden tasarımının endüstriyel biyokatalizörlerin, çevresel temizlik mikroplarının ve nihayetinde tıbbi gen terapilerinin geliştirilmesini hızlandırabileceğini; organizmaların yabancı genleri kendi genleri gibi okuyup kullanmasına yardımcı olabileceğini gösteriyor.

Atıf: Akiyama, M., Tashiro, M., Huang, Y. et al. Cross-species gene redesign leveraging ortholog information and generative modeling. Nat Commun 17, 2120 (2026). https://doi.org/10.1038/s41467-026-69966-0

Anahtar kelimeler: gen yeniden tasarımı, sentetik biyoloji, ortolog genler, biyoteknolojide yapay zeka, plastik parçalayan enzimler