FlyPredictome: A structural atlas of predicted protein-protein interactions in Drosophila

Il paper presenta FlyPredictome, un database open source che fornisce un atlante strutturale di 1,5 milioni di interazioni proteina-proteina previste in Drosophila mediante AlphaFold-Multimer, validando le predizioni attraverso l'arricchimento di mutazioni associate a fenotipi e rivelando l'organizzazione modulare delle reti di interazione.

L'essenziale

Immaginate il corpo di una mosca (Drosophila melanogaster) non come un semplice insetto, ma come una città biologica estremamente complessa. In questa città, le proteine sono i cittadini: alcuni sono muratori, altri sono postini, altri ancora sono architetti. Per far funzionare la città, questi cittadini devono parlarsi e collaborare. Quando due proteine si "incontrano" e si tengono per mano, si crea un'interazione proteina-proteina (PPI). È attraverso questi incontri che la cellula prende decisioni, cresce e risponde all'ambiente.

Il problema è che, per decenni, abbiamo avuto una lista telefonica di chi parla con chi, ma non sapevamo come si tenessero per mano. Sapevamo che il "Signor Notch" parlava con la "Signora Wnt", ma non sapevamo se si stringevano la mano, si abbracciavano o si passavano un messaggio scritto.

Ecco che entra in scena FlyPredictome, il nuovo "Atlante Strutturale" presentato in questo articolo.

1. Il Grande Mappamondo 3D (La previsione)

Gli scienziati hanno usato un'intelligenza artificiale potentissima chiamata AlphaFold-Multimer. Pensatela come un architetto virtuale super-intelligente che, guardando la lista di tutte le proteine della mosca (circa 14.000), ha provato a costruire 1,5 milioni di modelli 3D di coppie di proteine che potrebbero incontrarsi.

È come se avessimo preso ogni possibile coppia di cittadini della città e avessimo chiesto all'IA: "Se questi due si incontrassero, come si stringerebbero la mano?".

2. Il Problema dei "Cittadini Scomposti" (Le proteine flessibili)

C'era un ostacolo: molte proteine non sono rigide come mattoni, ma sono come spaghetti o elastici. Si muovono, si piegano e cambiano forma. I vecchi metodi di misurazione (come un metro rigido) fallivano con questi "spaghetti", dicendo: "Non riesco a misurare la presa, quindi non si stanno tenendo per mano".

Gli autori hanno creato un nuovo metro chiamato iLIS (Integrated Local Interaction Score).

• L'analogia: Immaginate di cercare di capire se due persone si stanno abbracciando in una folla. Se usate un metro rigido, potreste sbagliare perché si muovono. Ma se usate un "metro elastico" che guarda solo il punto esatto dove i loro corpi si toccano (anche se il resto del corpo balla), allora capite subito che c'è un abbraccio.
• Il risultato: Il nuovo metro iLIS è riuscito a vedere abbracci che gli altri strumenti avevano perso, specialmente quelli con le proteine "flessibili".

3. La Prova del Fuoco (Le mutazioni)

Come fanno a sapere che questi modelli 3D sono veri? Hanno guardato la storia genetica della mosca.
Hanno preso migliaia di "errori di battitura" nel DNA (mutazioni) che causano malattie o cambiamenti nel comportamento della mosca.

• La scoperta: Hanno scoperto che questi errori si trovano quasi sempre esattamente nel punto in cui le proteine si tengono per mano nel modello 3D.
• L'analogia: È come se, in una città, tutti i cittadini che hanno problemi di salute avessero un difetto proprio nel punto in cui stringono la mano al vicino. Questo conferma che il modello 3D è corretto: quel punto è cruciale per il lavoro.

4. La Mappa della Città (La rete di interazioni)

Una volta verificati i modelli, hanno creato una mappa interattiva (un database online gratuito).
Questa mappa non è solo una lista disordinata. È organizzata come una mappa metropolitana:

• Ci sono linee principali (i grandi percorsi di segnalazione, come quelli che controllano la crescita o la difesa).
• Ci sono stazioni specifiche (complessi di proteine che lavorano insieme per un compito preciso, come riparare il DNA o digerire i rifiuti).
• Hanno scoperto gruppi di proteine che lavorano insieme in modo molto ordinato, rivelando come la città biologica è strutturata.

Perché è importante?

Prima di FlyPredictome, per capire come due proteine interagivano, dovevamo fare esperimenti in laboratorio che potevano richiedere anni. Ora, con questo atlante, gli scienziati possono:

1. Vedere subito come due proteine potrebbero incontrarsi.
2. Capire perché una mutazione specifica causa una malattia (guardando esattamente dove si trova l'errore sulla mappa 3D).
3. Scoprire nuovi lavori per proteine che non sapevamo cosa facessero, semplicemente guardando con chi "stanno per mano".

In sintesi: FlyPredictome è come aver dato agli scienziati un Google Maps in 3D per il mondo microscopico delle mosche. Non ci dice solo chi vive dove, ma ci mostra esattamente come si tengono per mano, permettendoci di capire meglio come funziona la vita stessa, con applicazioni che potrebbero aiutare anche la medicina umana (poiché molte proteine sono simili tra mosche e umani).

Sommario tecnico

Titolo: FlyPredictome: Un atlante strutturale delle interazioni proteina-proteina predette in Drosophila

1. Il Problema

Le interazioni proteina-proteina (PPI) sono fondamentali per la funzione cellulare. Sebbene Drosophila melanogaster sia un modello genetico consolidato con un'enorme quantità di dati biochimici e genetici, la maggior parte delle sue PPI rimane strutturalmente non caratterizzata.

• I dati genetici (es. screening di epistasi) indicano relazioni funzionali ma non rivelano se due proteine si legano fisicamente, quali domini mediano il contatto o quali residui formano l'interfaccia.
• Gli approcci sperimentali su larga scala (come lo screening Y2H di FlyBi e l'AP-MS di DPiM/DPiM2) hanno mappato migliaia di interazioni, ma questi dataset sono incompleti e, soprattutto, non forniscono informazioni strutturali sull'interfaccia di legame.
• Le previsioni strutturali basate sull'intelligenza artificiale (come AlphaFold) sono state applicate ad altri organismi, ma mancava un interattoma strutturale su scala proteomica specifico per Drosophila.

2. Metodologia

Gli autori hanno sviluppato FlyPredictome, un atlante strutturale basato su 1,5 milioni di previsioni pairwise utilizzando AlphaFold-Multimer (AFM). La metodologia si articola in tre fasi principali:

• Sviluppo di una nuova metrica di confidenza (iLIS):

  • Le metriche globali standard di AFM (come ipTM) spesso falliscono nel valutare correttamente le interazioni che coinvolgono proteine flessibili o intrinsecamente disordinate (basso pLDDT).
  • Gli autori hanno introdotto l'integrated Local Interaction Score (iLIS), una metrica locale robusta.
  • Definizione di iLIS: È la media geometrica di due componenti:
    1. LIS (Local Interaction Score): Valuta la confidenza del dominio di interazione (basato su PAE $\le$ 12 Å).
    2. cLIS (contact-filtered LIS): Restringe la valutazione ai residui in contatto intermolecolare diretto (distanza C$\beta$-C$\beta$ $\le$ 8 Å all'interno del dominio PAE $\le$ 12 Å).
  • Questa formulazione integra la confidenza a livello di dominio e di contatto, permettendo di identificare interazioni reali anche quando le proteine sono flessibili.

• Validazione e Benchmarking:

  • iLIS è stato testato su set di riferimento positivi (PRS) da lievito, mosca e uomo, confrontandolo con metriche esistenti (ipTM, pDockQ, ecc.).
  • I risultati hanno mostrato che iLIS supera le altre metriche, specialmente per le proteine a basso pLDDT (flessibili/disordinate), recuperando interazioni ben consolidate che ipTM classificava erroneamente come negative.

• Costruzione del Database e della Rete:

  • Sono state generate previsioni per tutte le coppie di proteine di Drosophila, inclusi omodimeri, interazioni chinasi-sottosstrato e coppie ligando-recettore.
  • Le previsioni sono state filtrate utilizzando una soglia di iLIS $\ge$ 0.223 (corrispondente a un tasso di falsi positivi del 10%).
  • È stata costruita una rete PPI supportata da evidenze (letteratura di Drosophila o conservazione di interologhi ad alto punteggio DIOPT) e sottoposta a clustering gerarchico (algoritmo Leiden) per identificare moduli funzionali.

3. Risultati Chiave

• Recupero delle interazioni sperimentali:

  • FlyPredictome ha recuperato circa il 20% delle interazioni Y2H di FlyBi, il 16% di DPiM e il 10% di DPiM2 come positive secondo iLIS.
  • Il tasso di recupero più alto per le interazioni Y2H rispetto all'AP-MS suggerisce che iLIS è particolarmente efficace nel rilevare contatti binari diretti, mentre l'AP-MS include spesso interazioni indirette mediate da complessi.
  • Le interazioni recuperate solo da iLIS (e non da ipTM) sono significativamente arricchite di proteine flessibili/disordinate.

• Validazione funzionale tramite alleli di fenotipo:

  • Gli autori hanno dimostrato che le mutazioni missenso associate a fenotipi sono significativamente arricchite nelle interfacce di interazione predette.
  • Il tasso di mutazione aumenta monotonicamente con la frequenza di contatto (cLIR): i residui a diretto contatto mostrano un arricchimento di mutazioni di 2,1 volte rispetto ai residui solo nel dominio di interazione, e 6,3 volte rispetto ai residui non interagenti.
  • Questo arricchimento persiste anche dopo aver controllato per la conservazione evolutiva (punteggi PhyloP), indicando che l'interfaccia stessa è un vincolo funzionale critico.
  • Esempi specifici (es. complesso Fz-Dsh nel pathway Wnt/PCP e complesso Sce-Su(z)2 nel PRC1) mostrano che le mutazioni classiche della genetica di Drosophila mappano esattamente sulle interfacce strutturali predette.

• Organizzazione della rete PPI:

  • È stata costruita una rete di 21.657 interazioni tra 5.224 proteine.
  • Il clustering ha identificato 31 comunità funzionali distinte (es. pathway di segnalazione, riparazione del DNA, autofagia).
  • L'analisi gerarchica ha permesso di risolvere moduli di pathway complessi in singoli complessi proteici (es. il complesso di nucleazione del PI3K nell'autofagia distinto dal complesso di assemblaggio dell'autofagosoma).

4. Contributi Principali

1. FlyPredictome Database: Una risorsa aperta e interattiva (disponibile online) contenente 1,5 milioni di previsioni strutturali, con punteggi di confidenza e modelli 3D a risoluzione residuale per Drosophila.
2. Metrica iLIS: Un nuovo metodo di scoring che risolve il problema della valutazione delle interazioni flessibili/disordinate, superando i limiti delle metriche globali come ipTM.
3. Validazione Genetica-Strutturale: La prima dimostrazione sistematica che le mutazioni fenotipiche in Drosophila sono concentrate nelle interfacce di interazione predette computazionalmente, validando l'accuratezza funzionale dei modelli.
4. Rete Interattoma Strutturale: Una mappa gerarchica che collega le interazioni strutturali predette ai pathway biologici noti, permettendo di inferire ruoli funzionali per proteine non caratterizzate.

5. Significato e Impatto

• Fondamento Strutturale: FlyPredictome fornisce la prima base strutturale completa per la scoperta di interazioni in Drosophila, colmando il divario tra dati genetici e modelli strutturali.
• Scoperta di Nuove Interazioni: Identifica oltre 100.000 interazioni eterodimeriche "novel" (senza supporto precedente), offrendo candidati per futuri esperimenti di validazione.
• Strumento per la Genetica: La capacità di mappare le mutazioni missenso sulle interfacce strutturali aiuta a comprendere i meccanismi molecolari delle malattie e dei fenotipi genetici.
• Scalabilità: Il framework di scoring e validazione (iLIS + arricchimento allelico) è applicabile ad altri organismi con previsioni strutturali su scala proteomica.

In sintesi, il lavoro trasforma la conoscenza delle interazioni proteiche in Drosophila da una lista di associazioni funzionali a un atlante strutturale tridimensionale, guidato da una nuova metrica di confidenza e validato da decenni di dati genetici.