Umělá inteligence předpovídá proteinové fragmenty, které se mohou vázat na cílový protein nebo ho inhibovat

Všechny biologické funkce závisí na tom, jak různé proteiny spolu interagují. Proteinové interakce usnadňují vše od transkripce DNA a regulace buněčného dělení až po komplexnější funkce v organismu.

Nicméně stále mnoho není jasné o tom, jak jsou tyto funkce na molekulární úrovni koordinovány a jak proteiny interagují navzájem – ať už s jinými proteiny, nebo s kopiemi sebe sama.

Nedávné poznatky ukázaly, že malé proteinové fragmenty mají velký funkční potenciál. I když jsou to neúplné kusy, krátké úseky aminokyselin se stále mohou vázat na rozhraní cílového proteinu, čímž napodobují nativní interakce. Tímto procesem mohou změnit funkci proteinu nebo narušit jeho interakce s jinými proteiny.

Proteinové fragmenty by proto mohly posílit jak základní výzkum proteinových interakcí a buněčných procesů, tak by mohly mít potenciální terapeutické aplikace.

Nedávno publikovaná metoda v časopise Proceedings of the National Academy of Sciences, vyvinutá na oddělení biologie, navazuje na stávající modely umělé inteligence a umožňuje výpočetní predikci proteinových fragmentů, které se mohou vázat na a inhibovat proteiny v E. coli. Teoreticky by tento nástroj mohl vést k geneticky kódovatelným inhibitorům proti jakémukoli proteinu.

Práce byla provedena v laboratoři docentky biologie a výzkumnice Howard Hughes Medical Institute Gene-Wei Li ve spolupráci s laboratoří Jay A. Stein (1968) profesora biologie, profesora biologického inženýrství a vedoucího oddělení Amy Keating.

Využití strojového učení

Program s názvem FragFold využívá AlphaFold, model umělé inteligence, který v posledních letech vedl k fenomenálním pokrokům v biologii díky své schopnosti předpovídat skládání proteinů a proteinové interakce.

Cílem projektu bylo předpovídat fragmenty inhibitorů, což je nová aplikace AlphaFold. Výzkumníci v tomto projektu experimentálně potvrdili, že více než polovina FragFoldových predikcí vazby nebo inhibice byla přesná, a to i v případech, kdy výzkumníci neměli žádná předchozí strukturní data o mechanismech těchto interakcí.

„Naše výsledky naznačují, že se jedná o zobecnitelný přístup k nalezení vazebných režimů, které pravděpodobně inhibují funkci proteinu, včetně nových proteinových cílů, a tyto predikce lze použít jako výchozí bod pro další experimenty,“ říká spoluautor a odpovídající autor Andrew Savinov, postdoktorand z Li Lab. „Můžeme to skutečně aplikovat na proteiny s neznámými funkcemi, bez známých interakcí, dokonce i bez známých struktur, a můžeme těmto modelům, které vyvíjíme, věřit.“

Jedním z příkladů je FtsZ, protein, který je klíčový pro buněčné dělení. Je dobře prostudován, ale obsahuje oblast, která je vnitřně neuspořádaná a proto obzvláště náročná na studium. Neuspořádané proteiny jsou dynamické a jejich funkční interakce jsou velmi pravděpodobně prchavé – probíhají tak krátce, že současné nástroje strukturální biologie nedokáží zachytit jedinou strukturu nebo interakci.

Výzkumníci využili FragFold k prozkoumání aktivity fragmentů FtsZ, včetně fragmentů vnitřně neuspořádané oblasti, k identifikaci několika nových vazebných interakcí s různými proteiny. Tento skok v porozumění potvrzuje a rozšiřuje předchozí experimenty měřící biologickou aktivitu FtsZ.

Tento pokrok je významný zčásti proto, že byl dosažen bez řešení struktury neuspořádané oblasti a protože ukazuje potenciální sílu FragFold.

„Toto je jeden z příkladů toho, jak AlphaFold zásadně mění, jak můžeme studovat molekulární a buněčnou biologii,“ říká Keating. „Kreatívní aplikace metod umělé inteligence, jako je naše práce na FragFold, otevírají neočekávané možnosti a nové směry výzkumu.“

Inhibice a další

Výzkumníci dosáhli těchto predikcí výpočetním fragmentací každého proteinu a následným modelováním toho, jak by se tyto fragmenty vázaly na interakční partnery, o kterých si mysleli, že jsou relevantní.

Porovnávali mapy předpovězené vazby napříč celou sekvencí s účinky stejných fragmentů v živých buňkách, určených pomocí experimentálních měření s vysokou propustností, ve kterých miliony buněk každá produkuje jeden typ proteinového fragmentu.

AlphaFold používá koevoluční informace k předpovědi skládání a typicky vyhodnocuje evoluční historii proteinů pomocí takzvaných vícenásobných sekvenčních zarovnání pro každý jednotlivý predikční běh. MSA jsou kritické, ale představují úzké hrdlo pro predikce ve velkém měřítku – mohou trvat nepřiměřeně dlouhou dobu a vyžadovat značné výpočetní prostředky.

U FragFold výzkumníci místo toho jednou přepočítali MSA pro plnohodnotný protein a použili tento výsledek k navedení predikcí pro každý fragment tohoto plnohodnotného proteinu.

Savinov spolu s absolventem Keating Lab Sebastianem Swansonem PhD '23 předpověděl inhibiční fragmenty rozmanité sady proteinů kromě FtsZ. Mezi interakcemi, které prozkoumali, byl komplex mezi proteiny transportu lipopolysacharidu LptF a LptG. Proteinový fragment LptG inhiboval tuto interakci, pravděpodobně narušil dodávání lipopolysacharidu, což je klíčová součást vnější buněčné membrány E. coli, nezbytná pro buněčnou zdatnost.

„Velkým překvapením bylo, že můžeme předpovědět vazbu s tak vysokou přesností a ve skutečnosti často předpovědět vazbu, která odpovídá inhibici,“ říká Savinov. „Pro každý protein, na který jsme se podívali, jsme byli schopni najít inhibitory.“

Výzkumníci se zpočátku zaměřili na proteinové fragmenty jako inhibitory, protože zda fragment může blokovat základní funkci v buňkách je relativně jednoduchý výsledek, který lze systematicky měřit. Savinov se v budoucnu zajímá o prozkoumání fragmentů mimo inhibici, například fragmenty, které mohou stabilizovat protein, na který se váží, zlepšit nebo změnit jeho funkci nebo vyvolat degradaci proteinu.

Design v principu

Tento výzkum je výchozím bodem pro rozvoj systematického porozumění principům buněčného designu a na co se modely hlubokého učení mohou spoléhat, aby prováděly přesné predikce.

„Existuje širší, dalekosáhlejší cíl, k němuž směřujeme,“ říká Savinov. „Nyní, když je můžeme předpovědět, můžeme použít data, která máme z predikcí a experimentů, k vyjmutí relevantních rysů, abychom zjistili, co se AlphaFold ve skutečnosti naučil o tom, co dělá dobrý inhibitor?“

Savinov a spolupracovníci se také podrobněji zabývali tím, jak se proteinové fragmenty váží, zkoumali další proteinové interakce a mutovali specifické zbytky, aby zjistili, jak tyto interakce mění způsob, jakým fragment interaguje se svým cílem.

Experimentální zkoumání chování tisíců mutovaných fragmentů v buňkách, přístup známý jako hluboké mutační skenování, odhalilo klíčové aminokyseliny, které jsou zodpovědné za inhibici. V některých případech byly mutované fragmenty ještě silnějšími inhibitory než jejich přirozené, plnohodnotné sekvence.

„Na rozdíl od předchozích metod nejsme omezeni na identifikaci fragmentů v experimentálních strukturních datech,“ říká Swanson. „Klíčovou silou této práce je propojení experimentálních dat o inhibici s vysokou propustností a předpovězených strukturních modelů: experimentální data nás vedou k fragmentům, které jsou obzvláště zajímavé, zatímco strukturní modely předpovězené FragFoldem poskytují specifickou, testovatelnou hypotézu, jak fragmenty fungují na molekulární úrovni.“

Savinov je nadšený budoucností tohoto přístupu a jeho nesčetných aplikací.

„Vytvářením kompaktních, geneticky kódovatelných vazeb otevírá FragFold širokou škálu možností manipulace s funkcí proteinů,“ souhlasí Li. „Můžeme si představit doručování funkcionalizovaných fragmentů, které mohou modifikovat nativní proteiny, změnit jejich subcelulární lokalizaci a dokonce je naprogramovat tak, aby vytvořily nové nástroje pro studium buněčné biologie a léčbu nemocí.“