DOI: https://doi.org/10.1038/s41467-025-61209-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40595587
تاريخ النشر: 2025-07-01
المؤلف: Nilmani Singh وآخرون
الموضوع الرئيسي: تحفيز الإنزيمات وتثبيتها
نظرة عامة
تقدم البحث منصة جديدة لهندسة الإنزيمات بشكل مستقل تستفيد من التعلم الآلي ونماذج اللغة الكبيرة، مدمجة مع أتمتة البيوفوندري. تهدف هذه النظام إلى تبسيط عملية هندسة البروتين، التي كانت تقليديًا تعاني من الحاجة إلى خبرة وتدخل بشري. من خلال الحاجة فقط إلى تسلسل بروتين مدخل ومقياس لياقة قابل للقياس، تُظهر المنصة تنوعها عبر بروتينات مختلفة. ومن الجدير بالذكر أنها حققت تحسينًا بمقدار 90 ضعفًا في تفضيل الركيزة وزيادة بمقدار 16 ضعفًا في نشاط الإيثيل ترانسفيراز لإنزيم الميثيل ترانسفيراز (AtHMT) من الأرابيدوبسيس ثاليانا، بالإضافة إلى تحسين بمقدار 26 ضعفًا في النشاط عند درجة حموضة محايدة لإنزيم الفيتاز (YmPhytase) من يرسينيا مولا ريت، كل ذلك في غضون أربعة أسابيع ومع أقل من 500 متغير تم إنشاؤه وتوصيفه لكل إنزيم.
تم تقديم إدخال التجارب المستقلة كنهج تحويلي في البحث العلمي، حيث يعالج عدم الكفاءة المرتبطة بالمهام المخبرية اليدوية. من خلال دمج الذكاء الاصطناعي والروبوتات، يمكن للمنصة اقتراح فرضيات، وتصميم تجارب، وتنقيح نماذج مع الحد الأدنى من التدخل البشري، مما يعزز القابلية للتوسع والموثوقية. تمتد التطبيقات المحتملة لهذه التكنولوجيا عبر مجالات متعددة، بما في ذلك البيولوجيا التركيبية، والتخليق الكيميائي، واكتشاف المواد، مما يشير إلى تقدم كبير في كفاءة عمليات البحث.
الطرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. يتم وصف منهجيات محددة، مثل التجارب المنضبطة أو الدراسات الملاحظة، لضمان إمكانية إعادة إنتاج النتائج وصحتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول الأدوات والتقنيات المستخدمة، مثل البرمجيات لجمع البيانات أو الأدوات المحددة للقياس. يتم أيضًا مناقشة الأسباب وراء الطرق المختارة، مع تسليط الضوء على ملاءمتها لمعالجة أسئلة البحث المطروحة في الدراسة. بشكل عام، يخدم هذا القسم لتوفير إطار واضح لفهم كيفية إجراء البحث والأسس التي تم بناء عليها الاستنتاجات المستخلصة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، تُظهر النتائج أن المجموعة التجريبية أظهرت تحسنًا ملحوظًا في مقاييس الأداء مقارنةً بمجموعة التحكم، مع حساب أحجام التأثير لتكون كبيرة. تدعم هذه النتائج الفرضية القائلة بأن التدخل المنفذ له تأثير إيجابي على النتائج المستهدفة، مما يستدعي المزيد من الاستكشاف في الدراسات اللاحقة للتحقق من هذه النتائج وتوسيع نطاقها.
المناقشة
يقدم البحث منصة جديدة لهندسة الإنزيمات بشكل مستقل تدمج التعلم الآلي (ML) وأتمتة المختبر لتبسيط تصميم وتوصيف متغيرات البروتين. باستخدام البيوفوندري iBioFAB، تقوم المنصة بأتمتة العمليات الحيوية مثل الطفرات، وتجميع الحمض النووي، والاختبارات الوظيفية، مما يقلل بشكل كبير من الحاجة إلى التدخل البشري ويسمح بتدفق عمل مستمر. تم تطوير طريقة طفرات قائمة على التجميع بدقة عالية، محققة دقة تحقق تسلسل تبلغ حوالي 95%. تم اختبار المنصة على إنزيمين، AtHMT وYmPhytase، مما أدى إلى تحسينات كبيرة في النشاط الإنزيمي – تصل إلى 16 ضعفًا لـ AtHMT و26 ضعفًا لـ YmPhytase – على مدى أربع دورات هندسية متكررة.
تم تحسين تصميم مكتبات المتغيرات الأولية من خلال استخدام نموذج لغة البروتين (ESM-2) ونموذج التفاعل الجيني (EVmutation)، مما زاد بشكل جماعي من تنوع وجودة المتغيرات الناتجة. أظهرت الدراسة أن نسبة كبيرة من المتغيرات المهندسة تفوقت على الإنزيمات البرية، مع تحديد أفضل الطفرات التي أظهرت تحسينات ملحوظة في النشاط المحدد. يساهم إدخال واجهة مستخدم تعتمد على اللغة الطبيعية في تعزيز الوصول إلى المنصة، مما يمكّن المستخدمين الذين لا يمتلكون خبرة برمجية من التفاعل مع النظام بشكل فعال. بشكل عام، يبرز هذا البحث إمكانيات المنصات المؤتمتة في تحويل هندسة البروتين والبيولوجيا التركيبية، مما يمهد الطريق لتطبيقات أوسع في التحفيز الحيوي والهندسة الأيضية.
DOI: https://doi.org/10.1038/s41467-025-61209-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40595587
Publication Date: 2025-07-01
Author(s): Nilmani Singh et al.
Primary Topic: Enzyme Catalysis and Immobilization
Overview
The research presents a novel platform for autonomous enzyme engineering that leverages machine learning and large language models, integrated with biofoundry automation. This system aims to streamline the protein engineering process, traditionally hindered by the need for human expertise and intervention. By requiring only an input protein sequence and a measurable fitness metric, the platform demonstrates its versatility across various proteins. Notably, it achieved a 90-fold enhancement in substrate preference and a 16-fold increase in ethyltransferase activity for the Arabidopsis thaliana halide methyltransferase (AtHMT), as well as a 26-fold improvement in activity at neutral pH for a Yersinia mollaretii phytase (YmPhytase), all within four weeks and with fewer than 500 variants constructed and characterized for each enzyme.
The introduction of autonomous experimentation is positioned as a transformative approach in scientific research, addressing inefficiencies associated with manual laboratory tasks. By incorporating artificial intelligence and robotics, the platform can propose hypotheses, design experiments, and refine models with minimal human involvement, thus enhancing scalability and reliability. The potential applications of this technology span multiple fields, including synthetic biology, chemical synthesis, and materials discovery, suggesting a significant advancement in the efficiency of research processes.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used for data analysis. Specific methodologies, such as controlled trials or observational studies, are described to ensure reproducibility and validity of the findings.
Additionally, the section may include information on the tools and technologies utilized, such as software for data collection or specific instruments for measurement. The rationale behind the chosen methods is also discussed, highlighting their appropriateness for addressing the research questions posed in the study. Overall, this section serves to provide a clear framework for understanding how the research was conducted and the basis for the conclusions drawn.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the results demonstrate that the experimental group exhibited a marked improvement in performance metrics compared to the control group, with effect sizes calculated to be substantial. These findings support the hypothesis that the intervention implemented has a positive impact on the targeted outcomes, warranting further exploration in subsequent studies to validate and expand upon these results.
Discussion
The research presents a novel autonomous enzyme engineering platform that integrates machine learning (ML) and laboratory automation to streamline the design and characterization of protein variants. Utilizing the iBioFAB biofoundry, the platform automates critical processes such as mutagenesis, DNA assembly, and functional assays, significantly reducing the need for human intervention and allowing for a continuous workflow. A high-fidelity assembly-based mutagenesis method was developed, achieving a sequence verification accuracy of approximately 95%. The platform was tested on two enzymes, AtHMT and YmPhytase, resulting in substantial improvements in enzymatic activity—up to 16-fold for AtHMT and 26-fold for YmPhytase—over four iterative engineering cycles.
The design of the initial variant libraries was enhanced through the use of a protein language model (ESM-2) and an epistasis model (EVmutation), which collectively increased the diversity and quality of the variants generated. The study demonstrated that a significant percentage of the engineered variants outperformed the wild-type enzymes, with the best mutants identified showing remarkable improvements in specific activity. The incorporation of a natural language-based user interface further democratizes access to the platform, enabling users without programming expertise to engage with the system effectively. Overall, this research highlights the potential of automated platforms in transforming protein engineering and synthetic biology, paving the way for broader applications in biocatalysis and metabolic engineering.