AmyloCore-ML: AI/Machine Learning Enabled Identification of Amyloid Fibril Core Regions Using Protein Language Models

Las proteínas son las máquinas de trabajo de la vida, plegándose en formas intrincadas para realizar tareas esenciales dentro de nuestras células. Sin embargo, cuando estas proteínas fallan, pueden plegarse incorrectamente y agruparse en estructuras rígidas y similares a cuerdas llamadas fibrillas amiloides. Este proceso está en el corazón de varias enfermedades neurodegenerativas devastadoras, incluyendo el Alzheimer y el Parkinson. Durante décadas, los científicos han comprendido que estas fibrillas no son montones aleatorios de proteínas; poseen un núcleo altamente ordenado y estable donde las hebras de proteínas se traban entre sí siguiendo un patrón específico. Sin embargo, un rompecabezas crítico persistía: aunque una proteína pueda ser larga y compleja, solo un segmento específico de ella llega a formar parte de este núcleo rígido y ordenado. El resto de la proteína a menudo permanece desordenado o cuelga laxamente en el exterior. Saber exactamente qué aminoácidos forman este núcleo sólido es vital para comprender cómo se desarrollan estas enfermedades y para diseñar fármacos que puedan detener el proceso, pero identificar estas regiones específicas basándose únicamente en el código genético de la proteína ha demostrado ser un desafío difícil.

Los investigadores han intentado durante mucho tiempo predecir estas regiones de agrupación peligrosa utilizando programas informáticos que buscan patrones químicos simples, como extensiones de aminoácidos que naturalmente tienden a pegarse entre sí. Sin embargo, un nuevo estudio sugiere que estos métodos tradicionales no dan en el blanco porque confunden la tendencia general de una proteína a agruparse con la realidad específica de lo que realmente queda trabado en la estructura final y rígida. Para resolver esto, un equipo de científicos desarrolló una nueva herramienta llamada AmyloCore-ML. En lugar de buscar solo parches pegajosos, esta herramienta fue entrenada para reconocer la "gramática" precisa de la secuencia que termina dentro del núcleo sólido de una fibrilla, distinguiéndola de las partes de la misma proteína que no lo hacen. Al aprender de imágenes de alta resolución de fibrillas reales, el sistema aprendió a detectar las sutiles diferencias entre el núcleo ordenado y el resto desordenado, ofreciendo una visión mucho más nítida de dónde reside el peligro.

El equipo comenzó reuniendo una colección masiva de estructuras de fibrillas resueltas experimentalmente de una base de datos pública conocida como el Amyloid Atlas. Seleccionaron cuidadosamente 69 proteínas diferentes, examinando los mapas detallados de sus formas de fibrilla para ver exactamente qué residuos estaban trabados en el núcleo ordenado y cuáles quedaron fuera. Trataron a los residuos trabados como el "núcleo" y al resto de la proteína de la misma molécula como el control "no núcleo". Este enfoque fue crucial porque permitió que la computadora aprendiera la diferencia entre dos partes de la misma proteína bajo las mismas condiciones, en lugar de comparar proteínas no relacionadas. Luego, los investigadores dividieron estas secuencias de proteínas en ventanas superpuestas de longitudes variables y las introdujeron en un sistema de aprendizaje automático. Probaron dos formas distintas de describir la proteína: una utilizando propiedades químicas estándar y otra utilizando modelos de lenguaje avanzados que entienden el contexto de los aminoácidos, de forma muy similar a cómo un lector entiende cómo el significado de una palabra cambia según la oración en la que se encuentra.

Los resultados mostraron que los modelos de lenguaje avanzados eran muy superiores a las descripciones químicas tradicionales. El sistema aprendió que la identidad del núcleo no se trata solo de una secuencia corta y pegajosa, sino que depende fuertemente del vecindario de aminoácidos circundante. Cuando los investigadores probaron sus mejores modelos, descubrieron que podían distinguir correctamente las regiones del núcleo de las regiones que no son núcleo con una alta precisión, logrando una puntuación de aproximadamente 0.88 en una escala donde 1.0 es perfecto. Más importante aún, cuando escanearon proteínas completas de longitud total para ver si podían localizar el núcleo, la herramienta logró señalar con éxito las regiones del núcleo experimentales. La mejor versión del modelo pudo localizar el centro del núcleo dentro de una distancia promedio de solo 12.4 residuos, una mejora significativa respecto a las herramientas existentes que a menudo fallaban por márgenes mucho mayores.

Para asegurar que sus hallazgos fueran robustos, el equipo comparó su nuevo predictor contra otras dos herramientas conocidas diseñadas para encontrar regiones propensas a la agregación. La nueva herramienta superó consistentemente a ellas, no solo en la clasificación de qué residuos tenían más probabilidades de estar en el núcleo, sino también en la localización física del segmento correcto de la proteína. Los investigadores señalaron que, mientras otras herramientas podrían identificar una región como generalmente propensa al agrupamiento, su modelo identificaba específicamente la parte que se incorpora estructuralmente en la fibrilla madura. Esta distinción es vital porque una región puede ser capaz de iniciar un grupo, pero no necesariamente terminar en la estructura final y estable. El estudio también confirmó que el uso de ventanas más largas de aminoácidos proporcionaba mejores resultados, lo que sugiere que la señal para la formación de un núcleo se distribuye en un área más amplia en lugar de estar confinada a un punto pequeño y aislado.

El equipo validó su enfoque probándolo con proteínas que eran completamente nuevas para el sistema, incluyendo la mioglobina de caballo, P02070, la globulina Oat 11S, la globulina de almacenamiento de semillas Oat 12S 2 y la proteína de membrana integral humana 2B. Sin necesidad de reentrenamiento o ajuste, la herramienta identificó con éxito segmentos de núcleo de alta probabilidad que se superponían con las estructuras resueltas experimentalmente de estas proteínas no vistas. Esto demostró que el sistema había aprendido una regla general sobre cómo las proteínas se pliegan en fibrillas, en lugar de simplemente memorizar los ejemplos específicos con los que fue entrenado. Los investigadores pusieron su herramienta a disposición de forma gratuita a través de una interfaz en línea interactiva, permitiendo que otros científicos introduzcan secuencias de proteínas y vean instantáneamente un mapa de dónde es probable que se forme el núcleo amiloide. Al desplazar el enfoque de la pegajosidad general hacia la arquitectura específica del núcleo de la fibrilla, este trabajo proporciona una forma más clara y precisa de comprender la mecánica molecular de estas enfermedades, guiando potencialmente el diseño de futuras terapias que apunten a las superficies exactas donde estas estructuras dañinas se ensamblan.