Optimalizace trombolytické aktivity stafylokinázy řízenou evolucí pomocí strojového učení

Abstract

Mrtvice je jednou z hlavních příčin úmrtí a invalidity, zejména v nízkopříjmových zemích, kde je přístup k drahým trombolytikům omezený. Stafylokináza (SAK) by se potenciálně mohla stát cenově dostupnou a bezpečnější alternativou ke stávajícím trombolytikům. Její účinnost by však bylo stále potřeba zlepšit. Tato práce se zabývá využitím strojového učení při řízené evoluci za účelem zvýšení aktivity SAK. Po úvodu do klíčových biologických pojmů porovnává práce současné přístupy strojového učení. EVOLVEpro byl vybrán jako state-of-the-art přístup pro jeho účinnost při omezeném množství dat, kde využívá embeddingů generovaných pomocí proteinových jazykových modelů a aktivního učení. Byly analyzovány dvě datové sady jedna ze studie od Laroche et al. a druhá z Loschmidtových laboratoří s cílem lépe porozumět dostupným údajům. EVOLVEpro byl nejprve ověřen na svých referenčních úlohách. Larocheho datová sada byla rovněž použita k trénování modelu za účelem posouzení její vhodnosti pro předtrénování. Model však vykazoval omezenou schopnost generalizace, zejména při predikci variant s vysokou a nízkou aktivitou. Normalizace dat ani logaritmická transformace výkonnost modelu nezlepšily, pravděpodobně kvůli nevyváženému charakteru Larocheho dat. Paralelně byl navržen soubor 20 variant SAK, včetně 15 náhodně vybraných variant a 5 variant z Larocheho datové sady, všechny s mutacemi mimo rozhraní, k otestování v prvním kole řízené evoluce v Loschmidtových laboratořích.

Stroke is a major cause of death and disability, particularly in low-income countries where access to expensive thrombolytics is limited. Staphylokinase (SAK) could potentially become an affordable and safer alternative to costly treatments; however, its efficacy still needs to be improved. This thesis explores machine learning-guided directed evolution to enhance the activity of SAK. After introducing key biological concepts, the thesis compares current machine learning approaches, selecting EVOLVEpro for its effectiveness in low-data settings. Two datasets, one from Laroche et al.~and one from Loschmidt Laboratories, were analyzed to deepen the understanding of the thrombolytic activity of SAK. The Laroche dataset was also used for training to determine whether it could be utilized for pretraining purposes. However, the model showed limited generalization ability, particularly in predicting high and low activity values. Neither data normalization nor logarithmic transformation improved the performance, most likely due to the imbalanced nature of the Laroche dataset. In parallel, a set of 20 SAK variants, including 15 randomly selected variants and five from the Laroche dataset, all restricted to non-interface mutations, was proposed for testing in the first round of directed evolution at Loschmidt Laboratories.