Affinity-guided design of PDZ-binding peptides in a shared latent space
Cet article présente une méthode d'apprentissage profond qui utilise un espace latent partagé des affinités PDZ-PBM pour formuler analytiquement et guider la conception de peptides pour des objectifs de liaison à cible unique, sensibles aux cibles hors cible et à double cible, sans nécessiter de réentraînement du modèle.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Au sein de chaque cellule vivante, les protéines agissent comme les ouvriers, les messagers et les poutres structurelles qui maintiennent la vie en mouvement. Pour accomplir leurs tâches, ces protéines doivent souvent s'agripper les unes aux autres, formant des équipes temporaires ou permanentes. Cet agrippement n'est pas aléatoire ; il repose sur des formes spécifiques et des signaux chimiques, un peu comme une clé s'insérant dans une serrure. L'une des manières les plus courantes dont les protéines se reconnaissent implique de courtes séquences en forme de queue à l'extrémité d'une chaîne protéique. Ces queues, appelées motifs de liaison PDZ, glissent dans des poches correspondantes sur d'autres protéines nommées domaines PDZ. Cette connexion aide à organiser la cellule, décidant de l'endroit où une protéine va et des partenaires qu'elle rejoint. Comme ces règles de reconnaissance se chevauchent, une seule séquence de queue peut parfois se lier à plusieurs partenaires différents, créant un réseau complexe d'interactions que les scientifiques aimeraient pouvoir éditer. Si les chercheurs pouvaient modifier ces minuscules queues, ils pourraient potentiellement rediriger les protéines vers de nouveaux emplacements ou les forcer à former de nouvelles équipes, tout cela sans modifier le reste de la structure massive de la protéine.
Le défi a été que la conception de ces nouvelles queues est difficile. Les méthodes informatiques traditionnelles ont souvent du mal à équilibrer deux objectifs concurrents : faire en sorte qu'une protéine se lie fortement à un partenaire spécifique tout en évitant d'autres qui lui ressemblent. Habituellement, résoudre cela nécessite de construire un modèle informatique distinct et personnalisé pour chaque protéine cible, un processus lent et répétitif. Une nouvelle étude menée par des chercheurs de l'Université de Nagoya et de l'Institut de Science de Tokyo offre une voie différente. Au lieu de construire de nombreux modèles séparés, ils ont entraîné un système d'intelligence artificielle unique pour comprendre le langage de ces interactions protéiques. En cartographiant à la fois les poches protéiques et les séquences de queues dans un espace mathématique partagé et invisible, l'équipe a découvert qu'elle pouvait guider le processus de conception simplement en pointant dans différentes directions au sein de cet espace.
Les chercheurs ont commencé par alimenter leur système avec un ensemble de données massif de plus de 57 000 interactions mesurées entre des domaines PDZ et leurs queues de liaison. Le système a appris à prédire la force avec laquelle une queue donnée s'accrocherait à une poche donnée, traduisant ces mesures biologiques en une carte partagée où les interactions similaires sont situées proches les unes des autres. Une fois cette carte construite, l'équipe n'avait pas besoin de réentraîner le système pour changer l'objectif. Pour trouver une queue qui se lie fortement à un seul objectif, il suffisait de diriger la recherche vers le point de la carte représentant cet objectif. Pour trouver une queue qui se lie à une cible mais ignore un autre partenaire similaire et indésirable, on dirigeait la recherche dans une direction qui maximisait la distance entre les deux. Pour trouver une queue qui se lie aussi bien à deux cibles différentes, on visait l'espace situé exactement entre elles.
Les résultats de cette approche ont été frappants. Lorsque l'équipe a demandé au système de redessiner une queue connue pour qu'elle se lie mieux à une protéine spécifique, l'ordinateur a généré une liste de meilleurs candidats. Lorsque ces candidats ont été testés contre une vaste bibliothèque de plus de 100 000 séquences précédemment mesurées, le meilleur choix de la nouvelle méthode était le meilleur performeur de toute la bibliothèque. De plus, 84 des 100 meilleurs candidats suggérés par la nouvelle méthode se trouvaient dans le top 1 % de toutes les interactions expérimentales mesurées. Cette performance a nettement dépassé les méthodes existantes, qui n'ont trouvé que 64 candidats dans ce premier rang. Le système a également réussi lorsqu'on lui a demandé de concevoir entièrement de nouvelles queues de dix résidus à partir de zéro pour quatre protéines différentes, produisant systématiquement des séquences qui obtenaient des scores plus élevés dans les simulations informatiques de force de liaison que les outils de pointe actuels.
L'étude a également démontré la flexibilité de ce modèle unique. Lorsque les chercheurs ont demandé au système de concevoir une queue qui se lierait à une protéine tout en évitant un sosie spécifique, les candidats résultants ont montré une préférence claire pour la cible prévue plutôt que pour l'autre. Inversement, lorsqu'on lui a demandé de se lier à deux protéines différentes simultanément, le système a produit des queues qui fonctionnaient bien pour les deux, se situant confortablement entre les conceptions à cible unique. Les chercheurs ont visualisé ces résultats en traçant les séquences générées sur une sphère, montrant que les différents objectifs de conception poussaient naturellement les candidats dans des régions distinctes de la carte.
Bien que les simulations informatiques et les comparaisons avec les données existantes soient très prometteuses, les auteurs notent que les queues nouvellement conçues n'ont pas encore été testées en laboratoire humide pour confirmer leur comportement physique. Le succès actuel repose sur la précision des prédictions de l'ordinateur et sur la qualité des données d'entraînement, qui incluent de nombreuses interactions trop faibles pour être mesurées avec précision. Néanmoins, ce travail prouve qu'une compréhension partagée et unique de la liaison des protéines peut être utilisée pour naviguer dans des défis de conception complexes sans repartir de zéro à chaque fois. En traitant la conception de protéines comme une question de recherche de la bonne direction dans un espace partagé, cette méthode offre un moyen rationalisé d'élaborer les connexions moléculaires qui maintiennent nos cellules ensemble, ouvrant potentiellement la porte à un contrôle plus précis de la manière dont les protéines interagissent à l'avenir.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.