TROP2 Proteini (TACSTD2)

TROP2 Proteini (TACSTD2), kanser araştırmalarında ve tedavilerinde son yıllarda büyük önem kazanan bir transmembran glikoproteindir. Diğer adlarıyla Trophoblast cell surface antigen 2 (Trop-2), Tumor-associated calcium signal transducer 2 (TACSTD2) veya EGP-1 olarak bilinir.

Yapısı ve Genetiği

TROP2, TACSTD2 geni tarafından kodlanır. Bu gen, insan kromozom 1p32.1 bölgesinde yer alır ve intron içermeyen (intronless) bir yapıdadır. Protein, 323 amino asitten oluşur ve yaklaşık 35-46 kDa ağırlığındadır.

Yapısal olarak tip I transmembran glikoproteindir:

• Hidrofobik lider peptid (AA 1-26)
• Ekstraselüler domain (ECD) (AA 27-274): EGF-like repeat içeren üç alt domain (sistein-zengin, tiroglobulin tip-1 ve sistein fakir domain)
• Transmembran domain (AA 275-297)
• Sitoplazmik kuyruk (AA 298-323): Kısa bir kuyruk, sinyal iletiminde rol oynar.

TROP2, hücre yüzeyinde bulunur ve intraselüler kalsiyum sinyal transdüksiyonu yapar. Bu özelliğiyle hücre proliferasyonu, büyüme ve diğer sinyal yolaklarını etkiler.

Normal Fizyolojik Rolü

Normal dokularda TROP2 ekspresyonu sınırlıdır. Özellikle:

• Trofoblastlarda (plasenta)
• Fetal dokularda (akciğer gibi)
• Stratified squamous epitelde (cilt, serviks, özofagus, tonsil kriptleri)
• Bazı rejenerasyon gereken epitelial dokularda (kan damarları ve boş organlar) eksprese edilir.

Normal hücrelerde hücre yenilenmesi, kalsiyum sinyal iletimi ve epiteliyal homeostazda rol oynadığı düşünülür. Mutasyonları gelatinous drop-like corneal dystrophy (GDLD) gibi nadir göz hastalıklarıyla ilişkilendirilmiştir.

Kanserlerdeki Rolü ve Overekspresyonu

TROP2, birçok solid tümörde overeksprese edilir ve kötü prognostik faktör olarak kabul edilir. Overekspresyonu şu kanser türlerinde yaygındır:

• Meme kanseri (özellikle triple-negative breast cancer - TNBC)
• Akciğer kanseri (NSCLC dahil)
• Gastrik, kolorektal, pankreatik, prostat, over, endometriyal, mesane (urothelial) kanserleri
• Diğer epiteliyal karsinomlar.

Onkojenik etkileri:

• Hücre proliferasyonunu artırır
• Apoptozu inhibe eder
• İnvazyon ve metastazı teşvik eder
• Kanser stem cell özelliklerini destekler
• Tedavi direncine katkıda bulunur (örneğin kemoterapi ve radyoterapiye karşı).

Mekanizmalar arasında kalsiyum sinyal yolu, cyclin ve diğer growth factor reseptörleriyle etkileşimler, MAPK/ERK, PI3K/AKT gibi yolaklar yer alır. TROP2, tümör mikroçevresini (TME) de etkileyerek tümör büyümesini destekler.

Klinik Önemi ve Tedavi Hedefi Olarak TROP2

TROP2'un sınırlı normal doku ekspresyonu ve yüksek tümör ekspresyonu, onu ideal bir antijen hedefi yapar. Bu nedenle Antibody-Drug Conjugates (ADC) geliştirilmesinde öncü hedeflerden biridir.

Onaylı ve Geliştirilmekte Olan İlaçlar:

• Sacituzumab govitecan (Trodelvy): İlk onaylanan TROP2-targeted ADC. Anti-TROP2 antikoru + SN-38 (topoisomerase I inhibitörü) ile konjuge. Metastatik TNBC ve urothelial kanserde FDA onaylıdır. Hydrolyzable linker kullanır.
• Datopotamab deruxtecan (Dato-DXd): Daha yeni bir ADC, exatecan türevi payload ile. Meme ve akciğer kanserlerinde umut vadeder.
• Diğer adaylar: SKB264 (MK-2870), OBI-992, SHR-A1921, hIMB1636-LDP-AE gibi moleküller klinik çalışmalarda ilerlemektedir. Bunlar farklı linker ve payload'larla daha iyi etkinlik ve daha az toksisite hedefler.

Bu ilaçlar, TROP2 pozitif tümör hücrelerine spesifik bağlanarak internalizasyonla sitotoksik yükü hücre içine taşır ve selektif öldürme sağlar. Yan etkiler (myelosupresyon gibi) geleneksel kemoterapiden daha yönetilebilir olsa da dikkat gerektirir.

Prognostik ve Tanısal Değer

Birçok çalışmada yüksek TROP2 ekspresyonu, daha agresif hastalık, lenf nodu metastazı ve daha kısa overall survival ile ilişkilendirilir. Immunohistokimya (IHC) ile tespiti yapılabilir ve tedavi kararlarında biomarker olarak kullanılmaya başlanmıştır.

Gelecek Perspektifi

TROP2-targeted tedaviler, özellikle meme, akciğer ve diğer solid tümörlerde paradigma değiştirmektedir. Kombinasyon tedavileri (immünoterapi, PARP inhibitörleri vb. ile), bispecific antikorlar ve daha iyi tasarlanmış ADC'ler araştırılmaktadır. TROP2 ekspresyon seviyesi, tedavi yanıtını öngörmede kritik rol oynayabilir.

Özetle, TROP2 normalde epiteliyal homeostazda rol oynayan bir protein iken, kanserlerde onkojenik bir role bürünerek hem prognostik biomarker hem de tedavi hedefi haline gelmiştir. ADC teknolojisindeki ilerlemeler sayesinde birçok hastaya yeni umut ışığı sunmaktadır.

Bu yazı genel bilimsel literatüre dayanır. Tıbbi kararlar için mutlaka uzman hekiminize danışınız. 

Süperbilgisayar Proteinlerin “Dili”ni Çözerek Kanser Mücadelesine Yeni İpuçları Sunuyor

Süperbilgisayar Proteinlerin “Dili”ni Çözerek Kanser Mücadelesine Yeni İpuçları Sunuyor

Proteinler, yaşamın temel yapı taşlarıdır. Hücrelerin yapısını oluşturur, biyolojik süreçleri yönetir ve hastalıkların ortaya çıkmasında kritik rol oynar. Proteinler arasındaki etkileşimler (protein-protein etkileşimleri – PPI), sağlıklı bir organizmanın düzgün çalışması için vazgeçilmezdir. Ancak bu etkileşimlerin bozulması kanser, genetik hastalıklar ve viral enfeksiyonlar gibi ciddi sorunlara yol açabilir.

Glasgow Üniversitesi’nden bilim insanları, Birleşik Krallık’ın DiRAC Yüksek Performanslı Hesaplama tesisi bünyesindeki Tursa süperbilgisayarı kullanarak çığır açan bir yapay zeka modeli geliştirdi: PLM-Interact. Bu model, proteinlerin birbirleriyle nasıl “konuştuğunu” öğrenerek etkileşimlerini çok yüksek doğrulukla tahmin ediyor ve genetik mutasyonların bu iletişimi nasıl bozabileceğini öngörüyor. Sonuç: Kanser ilaçlarının ve antiviral tedavilerin keşfi çok daha hızlı hâle gelebilir.

Neden bu kadar önemli?

Proteinler vücudun “işçi arıları” gibidir: Yapı kurar, enzim olarak reaksiyonları hızlandırır, sinyal iletir. Ama yalnız çalışmazlar; birbirleriyle karmaşık bir ağ içinde etkileşime girerler. Bu etkileşimlerin aksaması:

• Kanser hücrelerinin kontrolsüz çoğalmasına,
• Virüslerin konakçı hücreyi ele geçirmesine (COVID-19’da gördüğümüz gibi),
• Kalıtsal hastalıklara yol açabilir.

Geleneksel laboratuvar yöntemleriyle bu etkileşimleri belirlemek çok pahalı ve aylar-yıllar alıyor. İşte burada PLM-Interact devreye giriyor.

Tursa Süperbilgisayarı: Kozmostan hücre içine yolculuk

Tursa, normalde evrenin en küçük parçacıklarından galaksilere kadar fizik ve astronomi araştırmaları için kullanılan ultra güçlü bir GPU süperbilgisayarıdır. Glasgow ekibi bu kez aynı gücü “iç uzay”a, yani proteinlerin dünyasına yöneltti.

• 650 milyon parametreli PLM-Interact modeli, 421.000 insan protein çifti üzerinde eğitildi.
• Eğitim, Tursa sayesinde saatler içinde tamamlandı (normal bilgisayarlarda haftalar sürerdi).
• Sonuç: Model, hayati önem taşıyan 5 farklı protein etkileşimini doğru tahmin etti. Karşılaştırma için Google DeepMind’ın AlphaFold3 modeli sadece 1 tanesini doğru bilebildi.
• Doğruluk artışı: Mevcut en iyi modellere göre %16–28 daha yüksek.

Proteinleri “dil” gibi öğretmek

Araştırmacılar proteinleri bir cümle gibi ele aldı: Her amino asit bir harf, her protein bir cümle. Model bu “cümlelerin” birbirleriyle nasıl anlaştığını öğreniyor ve bir harfin (mutasyonun) değişmesinin tüm iletişimi nasıl bozacağını saniyeler içinde hesaplayabiliyor.

Gerçek hayatta ne işe yarayacak?

• Kanser ilaçlarının hedefini dakikalar içinde belirlemek
• Virüslerin hangi insan proteinini ele geçirdiğini önceden görmek → yeni pandemi tehditlerini erken tespit
• Kişiselleştirilmiş tıp: Hastanın genetik mutasyonuna özel ilaç tasarımı
• İlaç geliştirme süresini yıllardan aylara indirmek

Dr. Ke Yuan (proje lideri):
“DiRAC süperbilgisayarları aslında evrenin en küçük parçacıklarından en büyük yapılarına kadar doğa yasalarını çözmek için tasarlandı. Şimdi aynı güçle proteinlerin iç uzayını keşfediyoruz.”

Prof. David L. Robertson:
“COVID-19 bize virüs-konakçı protein etkileşimlerini anlamanın ne kadar hayati olduğunu gösterdi. PLM-Interact gibi araçlar gelecekteki salgınlara karşı en güçlü silahlarımızdan biri olacak.”

Sonuç

Proteinlerin dilini çözmek, sadece akademik bir başarı değil; kanser, viral hastalıklar ve kalıtsal bozukluklarla mücadelede yepyeni bir çağ açıyor. Tursa ve PLM-Interact, süperbilgisayarların evrenin sırlarından hücrenin derinliklerine uzanan inanılmaz yolculuğunun en güzel örneklerinden biri.

https://interestingengineering.com/science/supercomputer-decodes-protein-language

Yapay Zekanın Karşılaştığı Beş Önemli Yapısal Biyoloji Sorunu

Yapay Zekanın Karşılaştığı Beş Önemli Yapısal Biyoloji Sorunu

Alena Khmelinskaia, özel protein tasarımının yemek siparişi vermek kadar kolay olmasını hayal ediyor. Münih Ludwig Maximilian Üniversitesi'nde biyofiziksel kimya uzmanı olan Khmelinskaia, araştırmacıların istedikleri protein özelliklerini belirleyerek mükemmel tasarıma ulaşabileceği bir sistemin ideal olacağını söylüyor.

Henüz bu hedefe ulaşılamadı, ancak hesaplamalı protein tasarımı ve makine öğrenimi alanındaki ilerlemeler bunu her zamankinden daha yakın hale getiriyor.

Eskiden araştırmacılar, bakteriler veya mayalar üzerinde mutasyonlar oluşturarak proteinleri değiştiriyordu. Alternatif olarak, proteinlerin amino asit dizilimini manuel olarak değiştirmek mümkündü, ancak bu zaman alıcıydı ve yanlış katlanma riski taşıyordu.

Yapay Zekanın Protein Tasarımına Etkisi

Makine öğrenimi, protein tasarımında devrim yarattı. Araştırmacılar artık RFdiffusion ve Chroma gibi yapay zeka destekli araçlarla yeni protein yapıları oluşturabiliyor. ProteinMPNN, belirli bir yapıya uygun amino asit dizisini belirleyebiliyor. RoseTTAFold ve AlphaFold gibi araçlar ise bu yapıların doğru katlanıp katlanmayacağını tahmin ediyor. Ancak fiziksel testler halen gerekli.

AlphaFold’un geliştirilmesi, 2024 Nobel Kimya Ödülü'nü kazandırdı. Araştırmacılar, protein tasarımının insanlığa büyük fayda sağlayacağını düşünüyor. Ancak hâlâ aşılması gereken bazı büyük engeller var.

1. Güvenilir Bağlayıcılar Geliştirmek

Proteinlerin birbirine nasıl bağlandığını tahmin etmek, ilaç endüstrisi için önemli bir konu. RFdiffusion ve AlphaProteo gibi yapay zeka araçları sayesinde artık hedeflenen proteinlere bağlanabilen moleküller üretmek mümkün. Ancak bağlayıcılar, özellikle az veriyle eğitildiğinde, güvenilir olmayabiliyor. Küçük moleküllerle bağlanma verileri genellikle özel şirketlerin elinde ve halka açık veriler yetersiz.

DeepMind’in AlphaFold3 modeli, küçük moleküllerle protein etkileşimlerini tahmin etmede önemli ilerlemeler sağladı. Ancak sadece bağlanmanın gerçekleşmesi, ilacın istenen etkiyi göstereceği anlamına gelmiyor.

2. Yeni Enzimler Tasarlamak

Araştırmacılar, yapay enzimlerin çevre kirliliğini azaltmak gibi görevlerde kullanılabileceğini düşünüyor. Ancak protein yapılarının benzer olması, aynı işlevi gördükleri anlamına gelmiyor. Ayrıca, doğal enzimler her zaman ideal bir başlangıç noktası olmayabilir.

RFdiffusion ile geliştirilen enzimlerden bazıları yeni kimyasal tepkimeler oluşturabildi, ancak enzimlerin dinamik doğası hâlâ tam olarak modellenemiyor.

3. Konformasyonel Değişimler

Proteinler sabit yapılar değildir; farklı ortamlarda açılıp kapanabilir, bükülebilir veya esneyebilirler. Ancak deneysel yöntemler genellikle en stabil konformasyonu gösterir, aktif haldeki formu değil.

Bu hareketlerin hesaplanması çok zordur, çünkü olası şekil değişiklikleri astronomik boyutta fazladır. Yapay zeka modelleri bu tahminleri daraltmaya yardımcı olabilir, ancak yeterli eğitim verisi bulunmamaktadır.

4. Karmaşık Protein Yapıları Tasarlamak

Yeni proteinler, hücrelere ilaç taşıyan veya hatalı katlanmış proteinleri düzelten yapılar oluşturmak için kullanılabilir. 2022'de Güney Kore’de ve 2023'te İngiltere’de onaylanan SKYCovione COVID-19 aşısı, yapay protein tasarımının tıbbi alanda uygulanabileceğini gösterdi.

Khmelinskaia, ilaç taşıyabilecek içi boş nanopartiküller üzerinde çalışıyor. Ancak protein tasarımında daha karmaşık sistemler oluşturmak hâlâ büyük bir zorluk.

5. Moleküler Makineler Tasarlamak

Hareketli protein yapıları, örneğin bakteriyel kamçılar gibi biyolojik makineler üretmek için kullanılabilir. Ancak bu tür yapılar için yeterli veri bulunmadığından, yapay zeka modelleri bu alanı tam olarak simüle edemiyor.

Sonuç: Yapay zeka, protein tasarımını büyük ölçüde ilerletmiş olsa da hâlâ çözülmesi gereken önemli bilimsel sorunlar var. Daha fazla veri, daha iyi algoritmalar ve biyofiziksel anlayış ile bu engellerin aşılması mümkün olabilir.

Nature 635, 246-248 (2024) https://doi.org/10.1038/d41586-024-03595-9

AlphaFold nedir?

AlphaFold, DeepMind tarafından geliştirilen bir yapay zeka sistemidir ve proteinlerin üç boyutlu yapılarının tahmin edilmesinde önemli bir başarı elde etmiştir. Proteinler, biyolojik işlevlerini yerine getirebilmek için belirli bir üç boyutlu yapıya sahip olmaları gerekir. Ancak bu yapıyı belirlemek, geleneksel yöntemlerle çok zaman alıcı ve maliyetli olabilmektedir. AlphaFold, protein dizilerini alıp, bu dizilerin hangi üç boyutlu yapıyı alacağını yüksek doğrulukla tahmin edebilen bir algoritmadır.

AlphaFold'un başarısı, özellikle biyolojik ve tıbbi araştırmalar için devrim niteliği taşımaktadır çünkü protein yapılarını anlamak, hastalıkların anlaşılması, ilaç tasarımı ve genetik araştırmalar gibi birçok alanda önemli katkılar sağlar.