Combinatorial optimization of protein systems in synthetic cells

Este estudo demonstra uma estratégia de otimização combinatória em células sintéticas, onde bibliotecas de DNA que variam simultaneamente múltiplos genes foram testadas em vesículas artificiais para identificar variantes de alta performance e compreender a interdependência dos componentes de sistemas proteicos complexos.

O essencial

Imagine que você é um chef tentando criar a receita perfeita para um bolo. Você sabe que o açúcar, a farinha e os ovos precisam estar nas quantidades exatas para o bolo ficar perfeito. Se colocar muito açúcar e pouca farinha, o bolo desaba. Se colocar pouco açúcar, fica sem gosto.

No mundo da biologia, os cientistas tentam fazer algo muito parecido, mas em vez de bolos, eles constroem células artificiais (pequenas bolhas de gordura) que devem realizar tarefas específicas, como copiar seu próprio DNA ou produzir gorduras (lipídios).

Este artigo descreve como os pesquisadores tentaram encontrar a "receita perfeita" para essas células artificiais, testando milhares de variações de uma só vez.

Aqui está a explicação passo a passo, usando analogias simples:

1. O Problema: A "Sopa de Letras" Genética

Para fazer uma célula artificial funcionar, você precisa de várias "máquinas" (proteínas) trabalhando juntas. O problema é que não sabemos exatamente quanto de cada máquina precisamos.

• A analogia: Imagine que você tem um time de futebol. Você sabe que precisa de goleiros, defensores e atacantes. Mas se você colocar 10 goleiros e 1 atacante, o time não joga bem. Se colocar 10 atacantes e nenhum goleiro, você perde. O desafio é encontrar o equilíbrio perfeito entre todos os jogadores.

2. A Solução: A "Biblioteca de Receitas" Combinatória

Em vez de testar uma receita de cada vez (o que levaria anos), os cientistas criaram uma biblioteca gigante de variações.

• Eles pegaram os genes (as instruções) que fazem as proteínas e criaram milhares de versões levemente diferentes.
• Eles mudaram pequenos detalhes nas instruções, como o "botão de início" (chamado RBS) que diz à célula: "Comece a fazer essa proteína agora!".
• Eles criaram duas "bibliotecas":
  1. Uma para um sistema que copia DNA (como uma máquina de xerox).
  2. Outra para um sistema que produz gorduras (para construir a parede da célula).

3. O Experimento: A "Festa de Bolhas"

Os cientistas colocaram essas milhares de variações de DNA dentro de pequenas bolhas de gordura (lipossomas), que agem como mini-células.

• Para o DNA: Eles deixaram as bolhas trabalharem. As que conseguiam copiar seu próprio DNA mais rápido e melhor "sobreviveram" e se multiplicaram. Foi uma seleção natural em miniatura.
• Para as Gorduras: Eles usaram uma máquina super rápida (chamada FACS) que olha para cada bolha individualmente. Se uma bolha produzisse muita gordura (o que era o objetivo), ela brilhava em vermelho. A máquina separava automaticamente as bolhas mais brilhantes (as "campeãs") das que não brilhavam.

4. A Descoberta: Quem é o "Jogador Chave"?

Depois de várias rodadas de seleção, os cientistas olharam para o DNA das bolhas campeãs para ver o que elas tinham de especial.

• No sistema de DNA: Eles descobriram que, para a máquina de cópia funcionar bem, era crucial ter os "botões de início" fortes para as duas proteínas principais. Curiosamente, o sistema era muito previsível: se você aumentava a força de um botão, a máquina funcionava melhor, ponto final.
• No sistema de Gorduras: A história foi mais complicada. Eles descobriram que não adiantava apenas aumentar a força de todos os botões. O segredo era o equilíbrio.
  • Uma enzima específica (PlsC) podia ser produzida em quantidades baixas ou altas e o sistema ainda funcionava bem.
  • Mas, se as outras enzimas (PlsB, CdsA, PssA) não estivessem na quantidade certa, o sistema falhava.
  • A lição: Às vezes, ter "menos" de uma coisa e "mais" de outra funciona melhor do que ter "muito" de tudo. É como um time de futebol onde você precisa de um goleiro excelente e um atacante rápido, mas não de 10 goleiros.

5. O Grande Aprendizado: Previsibilidade vs. Caos

O estudo mostrou algo fascinante sobre a complexidade da vida:

• Em sistemas simples (como a cópia de DNA), você pode prever o resultado combinando as peças. É como montar um LEGO: se a peça A encaixa na B, você sabe o que vai acontecer.
• Em sistemas complexos (como a produção de gorduras), as peças "conversam" entre si de formas imprevisíveis. Mudar uma peça aqui pode afetar o funcionamento de outra peça lá longe. Isso é chamado de epistasia (quando o efeito de uma mutação depende das outras mutações presentes).

Resumo Final

Os cientistas criaram um "laboratório de evolução acelerada" dentro de bolhas de gordura. Eles provaram que, para construir células artificiais complexas no futuro, não basta apenas melhorar uma peça de cada vez. É preciso testar combinações de peças, porque o todo é maior (e mais complexo) do que a soma das partes.

É como tentar acertar a combinação perfeita de ingredientes para um bolo: às vezes, você precisa diminuir o açúcar para que o chocolate brilhe mais. Esse estudo nos dá o mapa para começar a "cozinhar" células artificiais inteiras no futuro.

Resumo técnico

Título: Otimização Combinatória de Sistemas Proteicos em Células Sintéticas

1. O Problema

A reconstituição in vitro de sistemas proteicos complexos (como vias metabólicas, circuitos genéticos ou biossensores) em células sintéticas (vesículas lipídicas) frequentemente requer otimização para melhorar a funcionalidade. Embora a otimização de genes individuais seja comum, a otimização multivariada de sistemas de múltiplas proteínas é extremamente desafiadora devido ao vasto espaço combinatório e aos efeitos epistáticos imprevisíveis (interações entre genes que competem por recursos de tradução, como tRNAs e aminoácidos). A questão central é: como otimizar simultaneamente as taxas de tradução de múltiplos genes para maximizar a função de um sistema proteico inteiro, e até que ponto o desempenho de variantes combinatórias pode ser previsto a partir de mutações individuais?

2. Metodologia

Os autores desenvolveram uma abordagem de evolução dirigida in vitro utilizando células sintéticas baseadas em lipossomas e o sistema de expressão celular livre PURE (Protein synthesis Using Recombinant Elements). O estudo focou em dois módulos genéticos distintos:

1. Replicador de DNA Autocatalítico: Baseado no bacteriófago Phi29 (Bacillus subtilis), envolvendo a DNA polimerase (DNAP) e a proteína terminal (TP).
2. Via de Síntese de Fosfolipídios: Uma via de quatro genes (E. coli Kennedy pathway: PlsB, PlsC, CdsA, PssA) para a produção de fosfatidilserina (PS).

Estratégias de Biblioteca Combinatória:

• Variação de RBS: Criação de bibliotecas onde as sequências de ligação ao ribossomo (RBS) de múltiplos genes foram alteradas simultaneamente para modular as taxas de iniciação da tradução (TIR).
• Variação de Conteúdo GC: Alteração sinônima dos primeiros seis códons para modular a estrutura secundária do mRNA e, consequentemente, a taxa de tradução.
• Geração de Bibliotecas: Uso do protocolo MOSAIC (Multiplex One-Step Single-Stranded DNA Annealing Protein-mediated plasmid diversification) para gerar bibliotecas de plasmídeos diversificados em E. coli.

Seleção e Triagem:

• Para o Replicador de DNA: Seleção genotípica direta. As lipossomas foram incubadas para permitir a replicação do DNA. O DNA amplificado foi recuperado, reencapsulado e submetido a novas rodadas de seleção (auto-seleção).
• Para a Via de Fosfolipídios: Triagem funcional baseada em fluorescência. A produção de PS foi detectada pelo reporter LactC2-mCherry. As lipossomas foram analisadas e selecionadas via FACS (Citometria de Fluxo Ativada por Fluorescência) para isolar as variantes com maior produção de PS.

Análise:

• Sequenciamento de Longa Leitura (Nanopore): Utilizado para sequenciar variantes completas e mapear a relação genótipo-fenótipo sem necessidade de barcoding complexo.
• Validação Clonal: Construção de variantes clonais para validação via qPCR, microscopia de fluorescência e análise de expressão proteica (SDS-PAGE com marcação GreenLys).
• Modelagem de Epistasia: Comparação entre a aptidão (fitness) observada de variantes combinatórias e a aptidão esperada calculada a partir de mutantes de sítio único (modelo multiplicativo).

3. Principais Contribuições e Resultados

A. Otimização do Replicador de DNA (2 genes):

• A seleção de auto-replicação revelou que variantes com RBS fortes para ambas as proteínas (TP e DNAP) foram enriquecidas.
• A aptidão foi altamente dependente da TIR da TP, enquanto a DNAP mostrou um platô de eficiência em TIRs muito altas.
• Previsibilidade: O sistema de replicação de DNA mostrou alta previsibilidade. A aptidão das variantes combinatórias (2 sítios) foi extremamente bem prevista pelo produto das aptidões dos mutantes de sítio único ($R^2 = 0,94$), indicando pouca epistasia significativa neste sistema de 2 genes.

B. Otimização da Via de Fosfolipídios (4 genes):

• A triagem por FACS identificou que a produção ótima de PS exigia RBS fortes para plsB, cdsA e pssA, enquanto a força do RBS para plsC tinha um impacto menor, sugerindo que a enzima PlsC não é o passo limitante da via.
• A análise de mutações nos primeiros códons (conteúdo GC) revelou que substituições específicas (como a presença de Guanina na terceira posição do segundo códon) eram altamente prejudiciais para todos os genes.
• Previsibilidade: Diferente do replicador, a aptidão das variantes combinatórias da via de 4 genes foi menos previsível ($R^2 = 0,38$ para biblioteca de RBS e $0,64$ para GC). Isso sugere interações epistáticas mais complexas e competição por recursos de tradução no sistema de 4 genes.
• Expressão Proteica: Aumentar a força do RBS de todos os genes simultaneamente não resultou em aumento linear na produção de proteínas. Em alguns casos, a redução da expressão de um gene (downregulation) permitiu um aumento na expressão de outros, indicando um balanço de recursos limitado no sistema PURE.

4. Significado e Impacto

• Expansão da Evolução Dirigida: O estudo demonstra a viabilidade de expandir a evolução dirigida de proteínas únicas para sistemas multiproteicos complexos dentro de células sintéticas.
• Validação de Abordagem Holística: Mostra que a otimização combinatória é necessária, pois a variação de genes individuais não captura as interações sistêmicas (epistasia) que ocorrem em vias metabólicas maiores.
• Ferramentas para Engenharia de Células Sintéticas: A metodologia desenvolvida (bibliotecas MOSAIC + seleção em lipossomas + Nanopore) fornece um roteiro robusto para a engenharia evolutiva de redes genéticas e metabólicas maiores, um passo crucial rumo à construção de uma célula artificial completa.
• Insights sobre Limitações do Sistema PURE: Os resultados destacam que a competição por recursos de tradução é um fator crítico que deve ser considerado ao projetar circuitos genéticos sintéticos, e que a simples maximização da força de todos os promotores/RBS nem sempre é a estratégia ótima.

Em resumo, o trabalho estabelece um paradigma para a engenharia de sistemas biológicos complexos in vitro, demonstrando que a seleção combinatória pode revelar soluções de otimização que seriam invisíveis em abordagens de mutação única, preparando o terreno para a evolução de redes genéticas cada vez mais complexas.