Methode zur Herstellung von Proteinen aus E. coli

In einer in der Zeitschrift RSC Chemical Biology veröffentlichten Studie hat eine japanische Forschungsgruppe erfolgreich eine neue Technologie entwickelt, die die Effizienz der Proteinproduktion in E. coli verbessert. coli verbessert.

Es wird angenommen, dass die Verringerung der Proteinproduktion ein Faktor ist, der zum  Ribosomenstillstand beiträgt. Ribosomen synthetisieren Proteine anhand der genetischen Information, die von der Boten-RNA (mRNA) übertragen wird. Wenn Ribosomen jedoch aus irgendeinem Grund nicht in der Lage sind, den Übersetzungsprozess fortzusetzen, wird die Proteinsynthese gestoppt.

„In unserer früheren Forschung haben wir herausgefunden, dass das Hinzufügen einer kurzen Peptidsequenz aus vier Aminosäuren – Serin, Lysin, Isoleucin und Lysin – zum N-Terminus eines Proteins das Abwürgen der Ribosomen reduziert und die Übersetzungseffizienz in E. coli„, sagte Associate Professor Teruyo Ojima-Kato von der Graduate School of Bioagricultural Sciences der Universität Nagoya.

Auf der Grundlage dieser Erkenntnis führten Kato und Professor Hideo Nakano von der Universität Nagoya in Zusammenarbeit mit Forschern des National Institute of Advanced Industrial Science and Technology und der Waseda-Universität eine Studie durch, um kurze translationsfördernde Peptide (TEPs) zu identifizieren, die ein Abwürgen der Ribosomen verhindern können.

Die Forscher erstellten zunächst eine Tetrapeptid-Bibliothek, eine Sammlung von zufälligen Peptidsequenzen, die aus allen möglichen Kombinationen der vier Aminosäuren bestehen. Diese Bibliothek enthält die Anordnungen der 20 Aminosäuren, aus denen Proteine bestehen, insgesamt 160.000 verschiedene Tetrapeptide. Anhand dieser Bibliothek führten sie eine umfassende Analyse durch und identifizierten mehrere neuartige TEPs, die ein Abwürgen des Ribosoms wirksam verhindern.

Als nächstes versuchten die Forscher, die übersetzungsfördernde Wirkung der 160.000 Tetrapeptide zu bewerten. Um eine so große Anzahl von Tetrapeptiden zu bewerten, entwickelten sie ein Vorhersagemodell mit künstlicher Intelligenz (KI), das auf den Daten von etwa 250 Experimenten basierte.

Die Forschungsgruppe führte drei Runden von KI-Vorhersagen durch und zeigte, dass ihr KI-Modell die Stärke der Übersetzungsverbesserung für alle 160.000 Tetrapeptide genau vorhersagt. Dieses Ergebnis deutet darauf hin, dass KI-basierte Vorhersagemodelle beim rationalen Design von Peptidsequenzen hilfreich sein könnten, die leicht in Zielproteine übersetzt werden können.