به گزارش زیستنا به نقل از Phys.org، آنزیم Ribulose-1,5-Bisphosphate Carboxylase/Oxygenase یا به‌اختصار روبیسکو (Rubisco) تقریباً برای تمام حیات روی زمین کربن تأمین می‌کند. روبیسکو با تبدیل CO۲ جو (اتمسفر) زمین به کربن آلی عمل می‌کند که این امر برای بقای بیشتر حیات روی زمین ضروری است.
مدتی است که در بین پروتئین‌های روبیسکو گیاهان خشکی تنوعی طبیعی مشاهده شده است و مطالعات مدل‌سازی نشان داده است که انتقال دادن پروتئین‌های روبیسکو با ویژگی‌های عملکردی مشخص می‌تواند میزان جذب و ذخیره‌سازی دی‌اکسید کربن جوی به‌وسیله گیاهان زراعی را افزایش دهد.
دکتر وسیم اقبال (Wasim Iqbal) نویسنده نخست این مطالعه و پژوهشگر دانشکده علوم طبیعی و محیطی دانشگاه نیوکاسل از اعضای گروه دکتر ماکسیم کاپرالوف (Maxim Kapralov) است. وی یک ابزار یادگیری ماشینی را توسعه داده است که می‌تواند ویژگی‌های عملکردی پروتئین‌های روبیسکو گیاه را با دقت بسیار خوبی پیش‌بینی کند. امید آن است که این ابزار امکان شکار کردن پروتئین روبیسکوی تقویت‌شده‌ای را فراهم کند. این آنزیم می‌تواند با مهندسی زیستی در محصولات کشاورزی مهم مانند گندم وارد شود.
این مطالعه در Journal Of Experimental Botany منتشر شده است و ابزار مفیدی برای غربالگری و پیش‌بینی سینتیک (Kinetics) روبیسکو گیاهان برای فعالیت‌های مهندسی و نیز برای مطالعات بنیادی در مورد تکامل و سازگاری روبیسکو ارائه می‌دهد. غربالگری تنوع طبیعی سینتیک روبیسکو، راهکار اصلی مورد استفاده برای یافتن روبیسکوهای بهتر برای تلاش‌های مهندسی محصولات زراعی است.
وسیم می‌گوید که مطالعه آن‌ها «پیامدهای بزرگی برای مدل‌های اقلیمی و مهندسی زیستی محصولات زراعی خواهد داشت.»
وی می‌افزاید: «این مطالعه برای زیست‌شناسان گیاهی ابزار پیش غربالگری را فراهم می‌کند تا گونه‌های از روبیسکو را مشخص کنند که سینتیک بهتری برای فعالیت‌های مهندسی محصولات زراعی دارند.»
«ابزار یادگیری ماشینی را می‌توان برای بهبود صحت تخمین‌های فتوسنتز جهانی به کار برد. ویژگی‌های عملکردی روبیسکو که مدل ما پیش‌بینی می‌کند با مدل‌های سیستم زمین (Earth system models) یا ESM مورد استفاده به‌وسیله دانشمندان آب‌وهوا سازگار است. در حال حاضر، ESMها از مجموعه واحدی از ویژگی‌های روبیسکو از گونه یکسانی (یا گاهی تعداد انگشت‌شماری گونه) برای تخمین فتوسنتز در مقیاس زیست‌بوم استفاده می‌کنند. ابزار یادگیری ماشینی ما می‌تواند برای اکثر گیاهان زمینی پیش‌بینی‌هایی را ارائه دهد که دقت ESMها را بهبود می‌دهند.»
مراحل بعدی این کار شامل جداسازی بهترین پروتئین‌های روبیسکو شناسایی‌شده حاصل از پیش‌بینی‌های آزمایشگاهی و تلاش برای مهندسی زیستی گونه‌های گیاهی با پروتئین روبیسکویی بیگانه است.
منبع: Phys.org
Journal Reference:
Iqbal, Wasim A, Alexei Lisitsa, and Maxim V Kapralov. “Predicting Plant Rubisco Kinetics from RbcL Sequence Data Using Machine Learning.” Edited by Elizabete Carmo-Silva. Journal of Experimental Botany, September 12, 2022, erac368. https://doi.org/10.1093/jxb/erac368.