Oligonukleotide sind kurze Einzelstränge synthetischer DNA oder RNA. Obwohl sie klein sind, spielen diese Moleküle eine wichtige Rolle in Anwendungen der Molekularbiologie und synthetischen Biologie. Eine Art von Oligonukleotiden – Aptamere – kann selektiv an spezifische Ziele wie Proteine, Peptide, Kohlenhydrate, Viren, Toxine, Metallionen und sogar lebende Zellen binden. Da sie Antikörpern ähneln, finden sie vielfältige Anwendung in den Bereichen Biosensoren, Therapeutika und Diagnostik. Im Gegensatz zu Antikörpern lösen Aptamere jedoch keine Immunreaktion in unserem Körper aus und sind einfach zu synthetisieren und zu modifizieren. Darüber hinaus ermöglicht die dreidimensionale Faltungsstruktur eines Aptamers die Bindung an ein breiteres Spektrum von Zielen.
Aptamere werden normalerweise durch eine In-vitro-Selektions- und Amplifikationstechnologie erzeugt, die als systematische Evolution von Liganden durch exponentielle Anreicherung oder SELEX bezeichnet wird. Kurz gesagt basiert SELEX auf wiederholten Bindungs-, Trennungs- und Amplifikationszyklen von Nukleotiden. Dieser Prozess führt zu einem angereicherten Pool von Nukleotidsequenzen, der dann für die Kandidatenauswahl analysiert wird. Hochdurchsatz-SELEX (HT-SELEX) kann eine große Anzahl von Aptamerkandidaten generieren, aber die derzeitige praktisch anwendbare Sequenzierung erlaubt uns nur, eine begrenzte Anzahl dieser Kandidaten (ungefähr 106) zu bewerten. Daher sind Computerprozesse unerlässlich, um die Entdeckung neuer Aptamere zu optimieren.
Es wurde berichtet, dass auf Variational Autoencoder (VAE, eine Art maschineller Lernansatz) basierende Verbindungsdesigns bei der Entdeckung anderer kleiner Moleküle von Vorteil sind. Jetzt stellte ein Forscherteam unter der Leitung von Professor Michiaki Hamada von der Graduate School of Advanced Science and Engineering der Waseda University, Japan, RaptGen vor, ein VAE, das zur Generierung von Aptameren verwendet werden kann. In ihrer Arbeit, die in veröffentlicht wurde Naturinformatik am 2. Juni 2022 beschreiben sie, wie RaptGen ein VAE mit einem versteckten Profil-Markov-Modell-Decoder verwendet, um latente Räume zu schaffen, in denen Sequenzen Cluster bilden können. Durch die Verwendung dieser latenten Darstellung war RaptGen in der Lage, Aptamere zu generieren, die nicht einmal in den ursprünglichen Sequenzierungsdaten oder dem HT-SELEX-Datensatz enthalten waren.
Auf die Frage, wie genau RaptGen die Entdeckung von Aptameren fördern könnte, sagt Professor Hamada: „RaptGen visualisiert zuerst einen latenten Raum mit einem Sequenzmotiv und generiert dann mehrere neue Aptamersequenzen über diesen latenten Raum. Beispielsweise sucht es nach optimierten Aptamersequenzen im latenten Raum durch die Berücksichtigung zusätzlicher Informationen nach der Analyse der Aktivität einer Teilmenge von Sequenzen. Darüber hinaus ermöglicht RaptGen das Design verkürzter (oder abgeschnittener) Aptamersequenzen.“
Das Team hat die Leistung von RaptGen auch erfolgreich anhand von realen Daten bewertet, indem es Daten aus zwei unabhängigen HT-SELEX-Datensätzen unterzogen wurde. RaptGen könnte Aptamer-Derivate aktivitätsgesteuert generieren und Möglichkeiten zur Optimierung ihrer Aktivitäten bieten. „Dies ist wichtig, da es bedeutet, dass RaptGen Sequenzen mit gewünschten Eigenschaften erzeugen kann, wie etwa die Hemmung bestimmter Enzyme oder Protein-Protein-Wechselwirkungen“, erklärt Professor Hamada. Die Anwendung dieser Moleküle könnte in Zukunft viele Türen öffnen.
Für die Zukunft plant das Team die Durchführung umfangreicher Studien zur Bewertung, ob alternative Modelle die Leistung von RaptGen verbessern können und ob RaptGen die RNA-Aptamer-Generierung durch die Verwendung von RNA-Sequenzen vorantreiben könnte. Die einzigen Nachteile bei der Verwendung von RaptGen sind der hohe Rechenaufwand und die erhöhte Trainingszeit, die beide in weiteren Studien verbessert werden können.
Professor Hamada sagt: „Nach unserem besten Wissen ist RaptGen die einzige datengesteuerte Methode, die abgeschnittene Aptamere direkt aus HT-SELEX-Daten entwerfen und optimieren kann effiziente Aptamer-Entdeckung.“
Natsuki Iwano et al., Generative Aptamer Discovery using RaptGen, Naturinformatik (2022). DOI: 10.1038/s43588-022-00249-6