Joint optimisation of amino acid and coding sequence for de novo designed proteins
Este artículo presenta JANUS, un marco de optimización conjunta que diseña simultáneamente secuencias de aminoácidos y secuencias de codificación para proteínas de novo mediante el aprovechamiento de la entropía de plegamiento inverso para eliminar deficiencias experimentales y mejorar las tasas de éxito de síntesis, superando a los métodos tradicionales que tratan estas tareas por separado.
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
En el mundo silencioso y microscópico de la vida, las instrucciones para construir una proteína están escritas en un lenguaje doble. El primer lenguaje es la proteína misma, una cadena de aminoácidos que se pliega en una forma específica para realizar un trabajo, como una llave encajando en una cerradura o una enzima acelerando una reacción química. El segundo lenguaje es el gen, una hebra de ADN que actúa como el plano para esa proteína. Durante millones de años, la naturaleza ha escrito estos planos, y cada proteína natural viene con un gen que ha sido probado y refinado por la evolución. Pero en la ciencia moderna, los investigadores ahora están diseñando proteínas completamente nuevas desde cero, creando formas que la naturaleza nunca hizo. El desafío es que, si bien los científicos se han vuelto muy buenos imaginando estas nuevas formas, a menudo luchan por construir los genes necesarios para hacerlas. Un gen no es solo una copia pasiva de la proteína; es un conjunto de instrucciones complejo donde la elección específica de las letras importa para qué tan bien se lee el gen, qué tan estable es el mensaje y si la célula realmente puede producir la proteína sin asfixiarse con ella.
Para una proteína natural, el gen es una cantidad conocida, un socio confiable que ha sobrevivido a la prueba del tiempo. Para una proteína diseñada, completamente nueva, no existe tal socio. Los científicos deben inventar el gen de la nada. Hasta ahora, el enfoque estándar ha sido tratar estas dos tareas como pasos separados. Primero, una computadora diseña la forma perfecta de la proteína. Luego, un programa de computadora diferente toma esa forma fija e intenta encontrar el mejor gen posible para construirla, asumiendo que la secuencia de la proteína no puede cambiarse. Este artículo argumenta que esta separación es un error. Los investigadores demuestran que la secuencia de la proteína no es un objetivo fijo sino uno flexible, y que al permitir que la secuencia de la proteína cambie ligeramente mientras se diseña el gen, pueden resolver problemas que un diseñador de genes estándar no puede tocar. Desarrollaron un nuevo método que diseña la proteína y su gen juntos, encontrando una solución que es mejor para la célula, más fácil de fabricar y más probable que funcione en el laboratorio.
Los investigadores comenzaron analizando una colección masiva de 862 esqueletos proteicos, incluyendo cientos de nuevos diseños creados por otros científicos. Se hicieron una pregunta simple: ¿cuánta libertad tenemos realmente cuando diseñamos un gen para una forma específica? Descubrieron que para casi cada posición en estas nuevas proteínas, hay varios aminoácidos diferentes que encajarían igual de bien en la forma. De hecho, los modelos computacionales mostraron que para un diseño típico, hay una gran cantidad de flexibilidad oculta, una especie de "margen de maniobra" donde la proteína podría construirse con diferentes bloques de construcción sin perder su forma. El método estándar desecha esta flexibilidad, eligiendo una secuencia y bloqueándola antes de que el gen sea siquiera considerado. El nuevo enfoque, que los autores llaman JANUS, mantiene abierta esa flexibilidad. Trata a la proteína y al gen como un rompecabezas único y conectado, buscando la mejor combinación de ambos al mismo tiempo.
Cuando probaron este enfoque conjunto en 447 diseños de proteínas publicados, los resultados fueron impactantes. Descubrieron que el 99.1% de estos diseños portaban al menos un fallo oculto, una "responsabilidad" que podría causar que la proteína falle cuando la célula intenta fabricarla. Estos fallos incluían secuencias que eran demasiado repetitivas, regiones que eran demasiado pegajosas y propensas a agruparse, o señales que le decían a la célula que destruyera la proteína. Un optimizador de genes estándar, que solo puede cambiar las letras del gen manteniendo la proteína fija, no podía solucionar estos problemas. Era como intentar arreglar un techo con goteras reorganizando únicamente los muebles de adentro; el problema era la estructura misma. Al permitir que la secuencia de la proteína cambie ligeramente, el nuevo método puede eliminar estos fallos. Para tres de los cinco tipos de fallos que analizaron, el costo de corregirlos fue increíblemente pequeño, requiriendo solo un cambio mínimo en el diseño general.
El hallazgo más sorprendente y práctico no fue sobre la biología de la proteína, sino sobre la logística de fabricarla. Las empresas comerciales que sintetizan genes para científicos tienen reglas estrictas sobre lo que construirán. No pueden fabricar genes con ciertos patrones de letras porque esos patrones son difíciles de manufacturar o propensos a errores. Los investigadores descubrieron que cuando usaron el viejo método de diseñar primero la proteína y luego el gen, los genes resultantes violaban las reglas de fabricación más de la mitad de las veces. Cuando usaron el nuevo método conjunto, el número de violaciones disminuyó más de la mitad. Esto significa que un gen que un proveedor anteriormente se negaría a fabricar ahora podría ser ordenado y construido. Este es un cuello de botella crítico; si un gen no puede ser ordenado, el proyecto se detiene antes de que la biología siquiera se pruebe. El nuevo método esencialmente despeja el camino para que estas nuevas proteínas salgan de la computadora y entren al mundo real.
El estudio también analizó cuánto necesitaba cambiar realmente la secuencia de la proteína para obtener estos beneficios. Encontraron que para la gran mayoría de los diseños, el método solo necesitaba intercambiar unos pocos aminoácidos para lograr un resultado mucho mejor. De hecho, demostraron que una cantidad muy pequeña de flexibilidad era suficiente para capturar casi todas las mejoras posibles. Esto sugiere que la secuencia de proteína "perfecta" no es un punto único y rígido, sino un paisaje con muchas opciones buenas. El método conjunto simplemente encuentra el lugar en ese paisaje donde la proteína es estable, el gen es fácil de leer y las reglas de fabricación se satisfacen. También probaron si este enfoque funcionaba mejor en diferentes tipos de células, como bacterias frente a células humanas, y encontraron que el método se adaptaba con éxito a ambas, aunque los cambios específicos requeridos eran diferentes para cada huésped.
A pesar de estos éxitos, los investigadores fueron cuidadosos al notar dónde su método no proporcionaba una ventaja masiva. Para una parte específica del gen que controla qué tan rápido comienza la producción de la proteína, encontraron que la mayor parte de la mejora podía lograrse simplemente cambiando las letras del gen sin tocar la proteína en absoluto. Esto confirma que, para algunas tareas, la vieja forma de hacer las cosas sigue siendo bastante buena. Sin embargo, para el conjunto más amplio de problemas que involucran la estabilidad de la proteína y su interacción con los sistemas de limpieza de la célula, el enfoque conjunto es esencial. El estudio concluye que el campo del diseño de proteínas ha estado tratando al gen como un pensamiento secundario, pero para las proteínas de novo, el gen es una restricción primaria. Al resolver la proteína y el gen juntos, los científicos pueden crear diseños que no son solo teóricamente sólidos, sino prácticamente viables, convirtiendo más de sus creaciones digitales en moléculas reales y funcionales.
¿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.