AlphaConformers: Structure-guided sampling enables prediction of multiple protein conformations

Le proteine sono i motori della vita, minuscole macchine che costruiscono le cellule, combattono le infezioni e portano avanti le reazioni chimiche che ci tengono in vita. Per molto tempo, gli scienziati hanno considerato queste molecole come oggetti statici, simili a statue rigide con una forma singola e immutabile. Oggi sappiamo che questa visione è incompleta. Le proteine sono dinamiche; respirano, si flettono e cambiano la loro forma per svolgere compiti diversi. Una proteina può apparire in un modo quando è inattiva e in un modo completamente diverso quando è attiva o legata a un farmaco. Comprendere questi cambiamenti è cruciale perché la forma di una proteina ne determina la funzione. Se uno scienziato vuole progettare un medicinale per fermare una malattia, deve sapere esattamente quale forma assume la proteina bersaglio quando è al lavoro, non solo la forma che mantiene quando è a riposo.

Fino a poco tempo fa, un potente programma per computer chiamato AlphaFold2 ha cambiato le regole del gioco, prevedendo le forme delle proteine con un'accuratezza incredibile. Tuttavia, questo programma ha un punto cieco: tende a produrre una sola versione di una proteina, solitamente la forma più stabile o comune. Spesso manca le forme alternative che una proteina può adottare, in particolare quelle che appaiono quando la proteina interagisce con altre molecole. Questo limite lascia i ricercatori con un'immagine incompleta, incapaci di vedere l'intero intervallo di movimento che definisce come queste macchine biologiche funzionino realmente.

Per risolvere questo problema, un team di ricercatori ha sviluppato un nuovo approccio chiamato AlphaConformers. Invece di chiedere al computer di indovinare una forma partendo da zero, questo nuovo metodo guida il programma utilizzando esempi reali presenti in natura. L'idea centrale è semplice ma potente: se una proteina ha già cambiato la sua forma in passato, è probabile che altre proteine simili abbiano fatto lo stesso. I ricercatori hanno costruito un sistema che cerca attraverso vasti database di strutture proteiche note per trovare questi parenti simili. Una volta trovate, queste strutture correlate vengono allineate e organizzate in gruppi che rappresentano diverse possibili forme. Questi gruppi vengono poi inseriti nel programma di previsione come suggerimenti specifici, o ipotesi, su come la proteina bersaglio potrebbe apparire in diversi stati.

Il sistema esegue quindi il programma di previsione più volte, ogni volta spingendolo verso una di queste forme alternative suggerite dal database. Il risultato è una collezione di modelli diversi per la stessa proteina, piuttosto che una singola risposta. I ricercatori poi ordinano questi modelli, raggruppando quelli simili e filtrando le opzioni meno probabili. Questo processo permette loro di vedere uno spettro di forme, rivelando i movimenti sottili che una proteina compie mentre passa dallo stato di riposo a quello attivo e legato a un ligando.

Il team ha testato questo metodo su un set selezionato di 88 proteine per le quali gli scienziati conoscevano già sia la forma a riposo che la forma assunta quando legate a una molecola. In questi test, il programma di previsione standard spesso falliva nel trovare la forma alternativa, restando invece sulla singola forma più comune. AlphaConformers, invece, ha ampliato con successo la ricerca e ha recuperato questi stati mancanti. È stato più efficace di altri metodi avanzati attualmente disponibili, classificandosi al primo posto nella capacità di modellare i piccoli e delicati cambiamenti che avvengono tra i due stati.

Queste scoperte dimostrano che le informazioni strutturali già archiviate nei database scientifici possono essere utilizzate per guidare potenti strumenti di previsione verso una comprensione più completa del comportamento delle proteine. Sfruttando la conoscenza collettiva di come si muovono proteine simili, i ricercatori hanno dimostrato che è possibile guidare un computer a vedere l'intero intervallo della vita di una proteina, non solo un singolo momento congelato. Questo non significa che il problema di prevedere ogni possibile forma proteica sia risolto, ma prova che la strada da seguire risiede nell'usare la ricca storia delle strutture note per informare la previsione dell'ignoto.