موسسه آموزش عالی آپادانا فصلنامه پژوهش های نوین در شهرهوشمند 2980-8936 3 2 2025 02 18 Enhancing the Thermal Stability and Performance of Bst DNA Polymerase Through Protein Engineering and Machine Learning بهبود پایداری حرارتی و عملکرد Bst DNA پلیمراز با ترکیب مهندسی پروتئین و یادگیری ماشین 69 76 10.22051/jera.2021.31891.2698 FA مرجان دانشجوی کارشناسی ارشد، گروه بیولوژی، دانشکده علوم و فناوریهای همگرا، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران. 2024 12 07 Bst DNA polymerase is a key enzyme used in isothermal amplification techniques such as LAMP due to its strong strand displacement activity. However, its limited thermal stability and reduced efficiency at elevated temperatures pose challenges for its broader application in molecular diagnostics. In this study, we employed a combined engineering approach to enhance Bst DNAP performance. A fast-folding HP47 domain from villin was fused to the enzyme, significantly improving stability and purification efficiency. Additionally, a machine learning algorithm (MutCompute) was used to predict stabilizing mutations, leading to a 2.5°C increase in denaturation temperature and enabling LAMP reactions to proceed at 73°C, a temperature at which Bst 2.0 loses functionality. Furthermore, the engineered variants reduced reaction times by up to 10 minutes, improving overall efficiency. These findings demonstrate the potential of machine learning-driven enzyme engineering to develop highly thermostable enzymes for biotechnology and infectious disease diagnostics. 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. /downloadfilepdf/681431