Potansiyel İlaçları Bulmak için En İyi Otomatik Sistem Bu Bitkinin İçinde
Fotoğraf : Hesaplamalı kütle spektrometresi için geliştirilen yeni bir yöntem ilaçlarda kullanılabilecek doğal ürünlerin keşfini hızlandıracak.
Japonya’daki RIKEN Center for Sustainable Resource Science (CSRS)’deki araştırmacılar farklı canlı organizmalar için bütün metobolitleri kapsayan metabolomları tanımlamak için yeni bir hesaplamalı kütle spektrometresi yöntemi geliştirdi. Bu yeni yöntem 12 bitki türünden seçilmiş dokular üzerinde test edildiğinde 1000’den fazla metaboliti kaydedebildi. Bunların arasında antibiyotik ve anti kanser potansiyeli olanlar da dahil olmak üzere, daha önce bulunamayan düzinelerce metabolite rastlandı.
Yaygın olarak bilinen ağrı kesici aspirin (asetilsalisilik asit) ilk olarak 19. yüzyılda üretildi ve binlerce yıl önce kil tabletlerde tanımlanan bir ilaç olan söğüt kabuğu özünden elde edildi. Yeni bir sentez yönteminin keşfedilmesinden sonra ve neredeyse 70 yıl boyunca kullanıldıktan sonra, bilim insanları aspirinin nasıl işlediğini sonunda çözebildiler. Bu uzun bir tarihsel süreçti. Her ne kadar bitkiler ilaçların keşfi ve biyoteknoloji için sonsuz birer kaynak olsa da, binlerce yıl artık kabul edilebilir bir zaman dilimi değil.
Neden Bu Kadar Uzun Sürüyor?
En büyük problem milyonlarca bitki türünün olması ve her birinin kendi metabolomuna (bitki metabolizmasının bütün ürünleri) sahip olmasıdır. Günümüzde bütün bu doğal ürünlerin sadece %5 kadarı biliniyor. Her ne kadar kütle spektrometresi bitki metabolitlerini tanımlayabilse de, bu yöntem sadece bir numunenin belirli bir molekülü içerip içermediğini tespit etmek için kullanılır.
Hesaplamalı kütle spektrometresi, daha önce bilinmeyen metabolitleri bulmaya ve fonksiyonlarını tahmin etmeye odaklanan ve büyüyen bir araştırma alanıdır. Bu alan insan, bitki ve mikrobiyota metabolomlarının global olarak tanımlanmasını kolaylaştıran metabolom veritabanlarını ve depolarını oluşturmuştur. Hiroshi Tsugawa ve Kazuki Saito’nun öncülüğünde olan CSRS’deki bir ekip, daha önce tanımlanmayanlar da dahil olmak üzere çok sayıda bitki metabolitini hızlı bir şekilde tanımlayabilen bir sistem geliştirmek için birkaç yıl çalıştı.
Tsugawa’nın açıkladığı gibi “Hiçbir yazılım canlı bir organizmadaki bütün metabolitleri kapsamlı bir şekilde tanımlayamazken bizim programımız kütle spektrometresinde yeni teknikler içerir ve önceki yöntemlerin 10 katı kadar bilgiye erişim sağlar”. Yapılan testlerde kütle spektrometresi tabanlı yöntemler sadece yüz çeşit metaboliti kaydederken, ekibin yeni sistemi binden fazla bulmayı başardı.
Yeni hesaplama tekniği, karbon-13 ile işaretlenmiş bitkilerin kütle spektrometresi çıktılarını işaretlenmeyenlerle karşılaştıran birkaç algoritmaya dayanıyor. Algoritmalar metabolitlerin moleküler formülünü tahmin edebilir ve bunları türlerine göre sınıflandırabilir. Ayrıca, bilinmeyen metabolitlerin alt yapısını da öngörebilirler ve yapıdaki benzerliklere dayanarak bu metabolitlerin işlevlerinin tahmin edilmesine yardımcı olan ve bilinen metabolitlere bağlanmasını sağlayabilirler.
Bilinmeyen metabolitleri bulabilmek, yeni yazılım için önemli bir satış noktasıdır. Sistem pirinç ve mısırdaki bir antibiyotik (benzoksazinoid) sınıfının yanı sıra soğan, domates ve patateste bulunan anti-enflamatuar ve antibakteriyel özelliklere (glikoalkaloidler) sahip bir sınıfı karakterize edebildi. Aynı zamanda soya fasulyesinde ve meyan kökünde bulunan triterpen saponinler ve kahve ailesinden bir bitkide bulunan beta-karbolin alkaloitler olmak üzere anti-kanser metabolitinin iki sınıfını tanımlayabildi.
Bu yeni yöntem bitkilerdeki metabolomların taranmasını kolaylaştırmanın yanı sıra, ilaçlarda kullanılabilecek doğal ürünlerin keşfini hızlandıracak ve genel olarak bitki fizyolojisi anlayışını artıracaktır.
Tsugawa’nın da belirttiği gibi bu yeni yöntemin kullanımı bitkilerle sınırlı değildir. “Hesaplamalı olarak metobolomik kütle spektrometresi verilerinin kodlamasının, bütün metabolizmaların daha derin bir şekilde anlaşılmasıyla bağlantılı olduğuna inanıyorum. Bir sonraki hedefimiz, insan ve mikrobiyota metabolomlarının tanımlanmasını kolaylaştırmak ve bu amaçla da bu yöntemi geliştirmektir. Yeni bulunan metabolitler daha sonra genomik, transkriptomik ve proteomik ile araştırılabilir.”
Kaynak: phys.org
