AlphaConformers: Structure-guided sampling enables prediction of multiple protein conformations

Las proteínas son las máquinas de trabajo de la vida, diminutas máquinas que construyen células, combaten infecciones y llevan a cabo las reacciones químicas que nos mantienen vivos. Durante mucho tiempo, los científicos consideraron estas moléculas como objetos estáticos, como estatuas rígidas con una forma única e inalterable. Ahora sabemos que esta visión es incompleta. Las proteínas son dinámicas; respiran, se flexionan y cambian sus formas para realizar diferentes tareas. Una proteína puede verse de una manera cuando está inactiva y de una manera completamente diferente cuando está activa o unida a un fármaco. Comprender estos cambios es crucial porque la forma de una proteína determina su función. Si un científico quiere diseñar una medicina para detener una enfermedad, necesita saber exactamente qué forma toma la proteína objetivo cuando está trabajando, no solo la forma que mantiene cuando está en reposo.

Hasta hace poco, un poderoso programa informático llamado AlphaFold2 cambió las reglas del juego al predecir las formas de las proteínas con una precisión increíble. Sin embargo, este programa tiene un punto ciego: tiende a producir solo una versión de una proteína, generalmente la forma más estable o común. A menudo pierde de vista las formas alternativas que una proteína podría adoptar, particularmente aquellas que aparecen cuando la proteína interactúa con otras moléculas. Esta limitación deja a los investigadores con una imagen incompleta, incapaces de ver el rango completo de movimiento que define cómo funcionan realmente estas máquinas biológicas.

Para resolver esto, un equipo de investigadores desarrolló un nuevo enfoque llamado AlphaConformers. En lugar de pedirle a la computadora que adivine una forma desde cero, este nuevo método guía al programa utilizando ejemplos del mundo real encontrados en la naturaleza. La idea central es simple pero poderosa: si una proteína ha cambiado su forma antes, es probable que otras proteínas similares hayan hecho lo mismo. Los investigadores construyeron un sistema que busca en vastas bases de datos de estructuras proteicas conocidas para encontrar estos parientes similares. Una vez encontrados, estas estructuras relacionadas se alinean y organizan en grupos que representan diferentes formas posibles. Estos grupos se introducen luego en el programa de predicción como pistas específicas, o hipótesis, sobre cómo podría verse la proteína objetivo en diferentes estados.

El sistema ejecuta entonces el programa de predicción múltiples veces, cada vez empujándolo hacia una de estas formas alternativas sugeridas por la base de datos. El resultado es una colección de diferentes modelos para la misma proteína, en lugar de una sola respuesta. Los investigadores luego clasifican estos modelos, agrupando los similares y filtrando las opciones menos probables. Este proceso les permite ver un espectro de formas, revelando los movimientos sutiles que realiza una proteína al cambiar entre su estado de reposo y su estado activo unido a un ligando.

El equipo probó este método en un conjunto cuidadosamente seleccionado de 88 proteínas para las cuales los científicos ya conocían tanto la forma de reposo como la forma que toman cuando están unidas a una molécula. En estas pruebas, el programa de predicción estándar a menudo fallaba en encontrar la forma alternativa, aferrándose en su lugar a la forma única y más común. AlphaConformers, sin embargo, expandió con éxito la búsqueda y recuperó estos estados faltantes. Funcionó mejor que otros métodos avanzados disponibles actualmente, ocupando el primer lugar en su capacidad para modelar los cambios pequeños y delicados que ocurren entre los dos estados.

Estos hallazgos demuestran que la información estructural ya almacenada en las bases de datos científicas puede utilizarse para dirigir las poderosas herramientas de predicción hacia una comprensión más completa del comportamiento de las proteínas. Al aprovechar el conocimiento colectivo de cómo se mueven proteínas similares, los investigadores demostraron que es posible guiar a una computadora para que vea el rango completo de la vida de una proteína, no solo un único momento congelado. Esto no significa que el problema de predecir cada forma proteica posible esté resuelto, pero demuestra que el camino a seguir reside en utilizar la rica historia de las estructuras conocidas para informar la predicción de lo desconocido.