Targeted finetuning enables co-folding models to learn ligand-induced protein conformational states
Este artículo demuestra que el ajuste fino dirigido de modelos fundacionales como Boltz-1 puede superar los sesgos de los datos de entrenamiento para predecir con precisión estados conformacionales de proteínas inducidos por ligandos novedosos y sitios de unión alostéricos, permitiendo así aplicaciones de descubrimiento de fármacos más efectivas.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Durante décadas, los científicos han buscado una forma de predecir la forma tridimensional de una proteína con solo observar su código genético. Esto no es una tarea sencilla, ya que las proteínas no son varillas rígidas, sino cadenas flexibles que se retuercen y giran para adoptar formas complejas con el fin de realizar sus funciones. En años recientes, han surgido potentes modelos computacionales que pueden predecir estas formas con una precisión notable, incluso cuando una proteína está unida a una molécula pequeña, como un fármaco. Estos modelos, a menudo llamados herramientas de co-plegamiento, son entrenados con vastas bibliotecas de estructuras conocidas, aprendiendo las reglas generales de cómo encajan las proteínas y las moléculas. Sin embargo, persiste un obstáculo significativo: estos modelos suelen tener dificultades cuando se enfrentan a una proteína que cambia su forma en respuesta a un nuevo fármaco, o cuando el fármaco se une a una parte de la proteína que nunca antes había sido vista. Si un modelo no puede ver estos cambios, no puede ayudar a los investigadores a diseñar medicinas que dependan de ellos, dejando un vacío entre lo que el ordenador predice y lo que realmente sucede en una célula viva.
Un equipo de investigadores abordó recientemente este vacío al demostrar que el fallo de estos modelos no se debe a un defecto en su diseño, sino más bien a un sesgo en los datos con los que fueron enseñados. Demostraron que, al enseñar cuidadosamente al modelo unos pocos ejemplos nuevos y específicos, este podía aprender a predecir comportamientos complejos e inéditos. Utilizando diez nuevas imágenes de rayos X de una proteína llamada helicasa de Werner, la cual está involucrada en la reparación del ADN y fue estudiada durante un programa de descubrimiento de fármacos, los investigadores tomaron un potente modelo existente y le dieron una lección dirigida. Le mostraron cómo esta proteína se bloquea a sí misma en un estado inactivo cuando un fármaco específico se une a un punto inusual, un cambio que el modelo original nunca había encontrado. El resultado fue un modelo que no solo podía predecir esta nueva forma bloqueada, sino también identificar correctamente el sitio de unión del fármaco, todo ello manteniendo su capacidad original para predecir la forma activa normal de la proteína.
Los investigadores descubrieron que este nuevo modelo entrenado hizo más que simplemente memorizar estas diez imágenes específicas. Aprendió la lógica subyacente de cómo el fármaco fuerza a la proteína a cambiar, lo que le permitió generalizar a diferentes series químicas de fármacos que no había visto antes. Además, este nuevo entendimiento se transfirió a otras proteínas de la misma familia, conocidas como helicasasas RecQ, pero solo cuando la secuencia específica del sitio de unión coincidía con la lógica que el modelo había aprendido. Esto sugiere que el modelo realmente había comprendido el mecanismo del cambio en lugar de simplemente copiar las formas. El trabajo indica que estos potentes modelos computacionales pueden adaptarse a medida que se dispone de nuevos datos estructurales, permitiendo capturar los sutiles interruptores inducidos por ligandos que son centrales para cómo se regula la biología y cómo podrían intervenir las medicinas. Al demostrar que la limitación reside en los datos de entrenamiento y no en la arquitectura, el estudio proporciona un camino claro para actualizar estas herramientas para que puedan manejar la naturaleza dinámica y cambiante de las proteínas en el mundo real.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.