Bagerijäst, Saccharomyces cerevisiae
Forskarna testade sin modell genom att simulera metabolismen i fler än 300 sorters jäst. När datormodellerna jämfördes med tidigare uppmätt och känd kunskap kunde forskarna konstatera att de datormodeller som baserades på kcat-värden gav korrekta simuleringar av jästens metabolism. Bilden visar vanlig bagerijäst, Saccharomyces cerevisiae.​​ Bild: Wikimedia Commons

​​​​​​​

Algoritmen som avslöjar cellfabrikernas hemlighet

Läkemedelsmolekyler eller biobränsle kan tillverkas på beställning i levande cellfabriker där biologiska enzymer gör jobbet. Nu har forskare vid Chalmers tagit fram en beräkningsmodell som kan förutspå hur snabbt enzymer arbetar och framsteget gör det möjligt att både skapa effektivare levande fabriker och studera svåra sjukdomar.

Eduard KerkhovenEnzymer är proteiner som finns i alla levande celler. Deras uppgift är att verka som katalysatorer som ökar hastigheten i specifika kemiska reaktioner som sker i cellerna.  Enzymerna har alltså en avgörande roll för att livet på jorden ska fungera, de kan liknas vid naturens små fabriker. De används även i tvättmedel, och för att tillverka bland annat sötningsmedel, färgämnen och läkemedel. De potentiella användningsområdena är i det närmaste oändliga, men att studera enzymerna är dyrt och tidsödande.

− Att studera varje naturligt enzym med experiment i ett laboratorium skulle vara omöjligt, de är helt enkelt för många. Men med vår algoritm kan vi förutsäga vilka enzymer som är mest lovande bara genom att titta på vilken sekvens av aminosyror de är uppbyggda av, säger Eduard Kerkhoven​, forskare i systembiologi vid Chalmers och studiens huvudförfattare. 

Bara de mest lovande enzymerna behöver testas

Hur snabbt och effektivt ett enzym arbetar beskrivs av det så kallade kcat-värdet, vilket är grundläggande för att förstå cellers ämnesomsättning. I den nya studien har Chalmersforskarna utvecklat en modell som snabbt kan beräkna kcat-värdet. Den enda information som behövs är enzymets aminosyrasekvens – något som i stor utsträckning finns tillgängligt i öppna databaser. Efter att modellen gör ett första urval behöver bara de mest lovande enzymerna testas i labbet.

Med tanke på antalet naturligt förekommande enzymer tror forskarna att den nya beräkningsmodellen kan komma att få en stor betydelse. 

− Vi ser många tänkbara bioteknologiska tillämpningar. Som exempel kan biobränslen tillverkas när enzymer bryter ner biomassa i en hållbar tillverkningsprocess. Algoritmen kan också användas för att studera sjukdomar i ämnesomsättningen, där mutationer kan leda till defekter i hur enzymer i människokroppen arbetar, säger Eduard Kerkhoven. 

Ger svar om enzymernas produktion

Fler möjliga användningsområden är effektivare tillverkning av produkter som tillverkas av naturliga organismer, i motsats till industriella processer. Penicillin som utvinns ur en mögelsvamp är ett sådant exempel, liksom cancerläkemedlet taxol från idegran och sötningsmedlet stevia. De produceras typiskt i små mängder av naturliga organismer.

− Utvecklingen och tillverkningen av nya naturliga produkter kan få stor hjälp av kunskap om vilka enzymer som kan användas, säger Eduard Kerkhoven.

Beräkningsmodellen kan också påtala de förändringar i kcat-värde som uppstår om enzymer muterar, och identifiera oönskade aminosyror som kan ha stor påverkan på ett enzyms effektivitet. Modellen kan också förutsäga om enzymerna tillverkar mer än en ”produkt”. 

− Vi kan avslöja om enzymerna har en ”sidoverksamhet” och tillverkar metaboliter som inte är önskvärda. Det är användbart inom industrin, där man vill tillverka en enda ren produkt.

Forskarna testade sin modell genom att använda tre miljoner kcat-värden för att simulera metabolismen i fler än 300 sorters jäst. De skapade datormodeller för hur snabbt jästen kunde växa eller tillverka vissa produkter, som etanol. När datormodellerna jämfördes med tidigare uppmätt och känd kunskap kunde forskarna konstatera att de datormodeller som baserades på kcat-värden gav korrekta simuleringar av jästens metabolism.


Mer om forskningen

Studien Deep learning based kcat prediction enables improved enzyme constrained model reconstruction har publicerats i Nature Catalysis. Författarna är Feiran Li, Le Yuan, Hongzhong Lu, Gang Li, Yu Chen, Martin Engqvist, Eduard Kerkhoven och Jens Nielsen. Forskarna är verksamma på insitutionen för biologi och bioteknik vid Chalmers. 


För mer information, kontakta:

Eduard Kerkhoven​, docent, institutionen för biologi och bioteknik, Chalmers tekniska högskola, 072 831 72 87, eduardk@chalmers.se


Text: Karin Wik och Susanne Nilsson Lindh
Foto (porträtt): Martina Butorac

Sidansvarig Publicerad: to 01 sep 2022.