دوره 3، شماره 2، 1403، صفحات 69 - 76

نویسندگان : مرجان رهبر* ¹

چکیده :
Bst DNA پلیمراز، آنزیم اصلی مورد استفاده در روش‌های تکثیر هم‌دما مانند LAMP، به دلیل قابلیت جایگزینی رشته‌ای بالا در کاربردهای زیستی و تشخیصی استفاده می‌شود. بااین‌حال، محدودیت‌هایی مانند پایداری حرارتی پایین و کاهش کارایی در دماهای بالا موجب شده است که استفاده از آن در شرایط سخت‌تر با چالش‌هایی همراه باشد. در این پژوهش، یک رویکرد مهندسی ترکیبی برای بهبود عملکرد Bst DNAP ارائه شده است. ابتدا، یک دومین سریع‌تا‌شونده (HP47) از پروتئین villin به آنزیم متصل شد که موجب افزایش پایداری و سهولت خالص‌سازی آن گردید. سپس، یک الگوریتم یادگیری ماشین (MutCompute) برای شناسایی جهش‌های بهینه به‌منظور افزایش پایداری حرارتی مورد استفاده قرار گرفت. جهش‌های منتخب به‌طور افزایشی موجب افزایش دمای دناتوراسیون تا ۲.۵ درجه سانتی‌گراد شدند و امکان انجام واکنش‌های LAMP را در دمای ۷۳ درجه سانتی‌گراد فراهم کردند؛ درحالی‌که Bst 2.0 در این دما غیرفعال شد. همچنین، واریانت‌های طراحی‌شده، زمان موردنیاز برای تکثیر را تا ۱۰ دقیقه کاهش دادند. این یافته‌ها نشان می‌دهند که استفاده از یادگیری ماشین در طراحی آنزیم‌های مقاوم به حرارت می‌تواند کاربردهای گسترده‌ای در زیست‌فناوری و تشخیص بیماری‌های عفونی داشته باشد.

کلمات کلیدی :
Bst DNA پلیمراز، تکثیر هم‌دما، LAMP، پایداری حرارتی، یادگیری ماشین، مهندسی آنزیم، جهش‌زایی هدفمند، زیست‌فناوری، تشخیص مولکولی