Machine Learning-Assisted and Fluorescence Protein-based Biosensor Design for Amyloid-Beta Detection

Abstract

Yeşil Floresan Proteinler (GFP) ve kimerik türevleri, floresans temelli biyolojik çalışmalarda yaygın olarak kullanılmaktadır. Bu tezde, floresan ve floresan olmayan GFP varyantları arasındaki yapısal ve dinamik farklılıkları araştırmak için moleküler dinamik (MD) simülasyonları kullanılmıştır. MD simülasyonları sırasında, floresan GFP varyantları tarafından oluşturulan konformasyonlar 'floresan' sınıfına, floresan olmayan varyantların konformasyonları ise 'floresan olmayan' sınıfına atanmıştır. Elde edilen konformasyonların alfa karbon (Cα) koordinatları, makine öğrenimi (ML) uygulamaları için üç boyutlu bir veri seti oluşturmuştur. Bu iki durumu dinamik özelliklerine göre sınıflandırmak amacıyla Doğrusal Diskriminant Analizi (LDA) uygulanmıştır. Bu bulgulara dayanarak, literatürdeki patentli bir vektör yapısı temel alınarak, amiloid-β 1–42 ve GFP'yi 14 amino asitlik bir bağlayıcı aracılığıyla birleştiren hesaplamalı bir kimerik GFP modeli oluşturulmuştur. Kimerik protein AlphaFold kullanılarak modellenmiş ve yapısal stabilitesini değerlendirmek için MD simülasyonlarına tabi tutulmuştur. Floresan sinyal üretme potansiyelini değerlendirmek amacıyla, tetramerik ve monomerik Aβ₁₋₄₂ proteinleri kimerik GFP yapısına moleküler kenetleme ile yerleştirilmiş ve yeni kompleksler oluşturulmuştur. Her bir kompleks MD simülasyonlarına tabi tutulmuş ve konformasyonları daha sonra LDA modeli kullanılarak analiz edilmiştir. Bu bütüncül hesaplamalı yaklaşım, GFP tabanlı biyosensörlerin yapısal dinamikleri ve bunların amiloid tespiti potansiyeli hakkında içgörüler sunmaktadırGreen Fluorescent Proteins (GFP) and their chimeric derivatives are widely used in fluorescence-based biological studies. In this thesis, molecular dynamics (MD) simulations were employed to investigate the structural and dynamic differences between fluorescent and non-fluorescent GFP variants. During the MD simulations, the conformations generated by fluorescent GFP variants were assigned to the 'fluorescent' class, while the conformations of non-fluorescent variants were assigned to the 'non-fluorescent' class. The alpha carbon (Cα) coordinates of the obtained conformations constituted a three-dimensional dataset for machine learning (ML) applications. To classify these two states based on their dynamic properties, Linear Discriminant Analysis (LDA) was applied. Based on these findings, a computational chimeric GFP model, which links amyloid-β 1–42 and GFP via a 14-amino-acid linker, was constructed by taking a patented vector structure from the literature as a basis. The chimeric protein was modeled using AlphaFold and subjected to MD simulations to assess its structural stability. To evaluate its potential for fluorescent signal generation, tetrameric and monomeric Aβ₁₋₄₂ proteins were docked onto the chimeric GFP structure, generating new complexes. Each complex was subjected to MD simulations, and their conformations were subsequently analyzed using the LDA model. This integrative computational approach provides insights into the structural dynamics of GFP-based biosensors and their potential for Amyloid-β detection.