Targeted finetuning enables co-folding models to learn ligand-induced protein conformational states
Questo articolo dimostra che il fine-tuning mirato di modelli di fondazione come Boltz-1 può superare i bias dei dati di addestramento per predire accuratamente nuovi stati conformazionali proteici indotti dai ligandi e siti di legame allosterico, consentendo così applicazioni di drug discovery più efficaci.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Per decenni, gli scienziati hanno cercato un modo per prevedere la forma tridimensionale di una proteina guardando semplicemente il suo codice genetico. Questa non è una piccola impresa, poiché le proteine non sono bastoncini rigidi ma catene flessibili che si torcono e si snodano in forme complesse per svolgere i loro compiti. Negbi anni recenti, sono emersi potenti modelli informatici in grado di prevedere queste forme con una precisione sorprendente, anche quando una proteina è legata a una piccola molecola, come un farmaco. Questi modelli, spesso chiamati strumenti di co-folding, sono addestrati su vaste librerie di strutture note, imparando le regole generali di come proteine e molecole si incastrano tra loro. Tuttavia, un ostacolo significativo rimane: questi modelli spesso faticano quando si trovano di fronte a una proteina che cambia la sua forma in risposta a un nuovo farmaco, o quando il farmaco si lega a una parte della proteina che non era mai stata vista prima. Se un modello non può vedere questi cambiamenti, non può aiutare i ricercatori a progettare medicinali che si basano su di essi, lasciando un divario tra ciò che il computer prevede e ciò che accade realmente in una cellula vivente.
Un team di ricercatori ha recentemente affrontato questo divario dimostrando che il fallimento di questi modelli non è dovuto a un difetto nel loro design, bensì a un pregiudizio nei dati con cui sono stati istruiti. Hanno dimostrato che, insegnando attentamente al modello alcuni nuovi esempi specifici, esso poteva imparare a prevedere comportamenti complessi e inediti. Utilizzando dieci nuove immagini a raggi X di una proteina chiamata Werner elicasi, coinvolta nella riparazione del DNA e studiata durante un programma di scoperta di farmaci, i ricercatori hanno preso un potente modello esistente e gli hanno impartito una lezione mirata. Hanno mostrato come questa proteina si blocchi in uno stato inattivo quando un farmaco specifico si lega a un punto insolito, un cambiamento che il modello originale non aveva mai incontrato. Il risultato è stato un modello capace non solo di prevedere questa nuova forma bloccata, ma anche di identificare correttamente il sito di legame del farmaco, mantenendo al contempo la sua capacità originale di prevedere la forma normale e attiva della proteina.
I ricercatori hanno scoperto che questo nuovo modello addestrato ha fatto molto di più che memorizzare queste dieci immagini specifiche. Ha appreso la logica sottostante del modo in cui il farmaco costringe la proteina a cambiare, permettendogli di generalizzare a diverse serie chimiche di farmaci che non aveva mai visto prima. Inoltre, questa nuova comprensione si è trasferita ad altre proteine della stessa famiglia, note come RecQ elicasi, ma solo quando la sequenza specifica del sito di legame corrispondeva alla logica appresa dal modello. Ciò suggerisce che il modello avesse davvero afferrato il meccanismo del cambiamento piuttosto che limitarsi a copiare le forme. Il lavoro indica che questi potenti modelli informatici possono essere adattati man mano che nuovi dati strutturali diventano disponibili, permettendo loro di catturare gli interruttori sottili indotti dal ligando, che sono centrali per come la biologia viene regolata e come i medicinali potrebbero intervenire. Dimostrando che il limite risiede nei dati di addestramento piuttosto che nell'architettura, lo studio fornisce una strada chiara per aggiornare questi strumenti affinché possano gestire la natura dinamica e mutevole delle proteine nel mondo reale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.