Predicting single mutation effects on binding affinity at protein-protein interfaces based on MMPBSA calculations
Questo articolo presenta un flusso di lavoro basato sulla fisica e intuitivo che utilizza calcoli MMPBSA per prevedere accuratamente gli effetti delle sostituzioni di singoli amminoacidi sull'affinità di legame proteina-proteina e proteina-peptide, dimostrando prestazioni che eguagliano o superano i metodi consolidati su diversi target, inclusi i complessi della proteina spike di SARS-CoV-2.
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
Le proteine sono i motori della vita, minuscole macchine molecolari che si ripiegano in forme specifiche per svolgere compiti, dal trasportare l'ossigeno nel sangue al combattere le infezioni. Spesso, queste proteine devono trovare e agganciarsi ad altre proteine per funzionare, un processo guidato dall'incastro preciso delle loro superfici. Quando un singolo elemento costruttivo, o amminoacido, in una di queste proteine cambia, può essere come sostituire un singolo mattone in un muro; a volte la struttura regge, ma altre volte l'intera connessione si indebolisce o fallisce. Prevedere esattamente come un singolo cambiamento altererà la forza di questo legame è una sfida importante per gli scienziati. Se potessero farlo in modo affidabile, potrebbero progettare farmaci migliori, ingegnerizzare enzimi per ripulire l'inquinamento o comprendere perché certe mutazioni genetiche causino malattie. Per anni, i ricercatori hanno cercato di costruire programmi informatici in grado di calcolare questi cambiamenti, ma i risultati sono stati spesso altalenanti, faticando a bilanciare velocità e precisione.
Un team di ricercatori dell'Università di Bayreuth, in Germania, ha sviluppato un nuovo modo per effettuare queste previsioni, offrendo uno strumento che è sia veloce che sorprendentemente accurato. Il loro approccio si basa su un metodo chiamato MMPBSA, che sta per Molecular Mechanics Poisson-Boltzmann Surface Area. In termini semplici, si tratta di un calcolo basato sulla fisica che stima quanta energia sia necessaria per tenere unite due proteine. Il team si è reso conto che, sebbene gli esistenti programmi informatici potessero indovinare l'energia di una proteina, spesso perdevano di vista i sottili spostamenti causati da una singola mutazione. Per risolvere il problema, i ricercatori hanno preso una vasta collezione di dati sperimentali — oltre 1.600 casi registrati in cui gli scienziati avevano misurato come il cambiamento di un singolo amminoacido influenzasse il legame proteico — e le hanno utilizzate per addestrare il loro nuovo sistema di punteggio. Non si sono affidati a un'intelligenza artificiale complessa che impara schemi dai dati da sola; invece, hanno costruito un modello matematico diretto che pesa diverse forze fisiche, come il modo in cui gli atomi si attraggono o si respingono e come le molecole d'acqua interagiscono con la superficie della proteina.
I ricercatori hanno testato il loro nuovo metodo contro due concorrenti consolidati: un software ampiamente utilizzato chiamato FoldX, che si basa su regole empiriche, e uno strumento di deep learning all'avanguardia chiamato DDMut-PPI, che utilizza l'intelligenza artificiale. Hanno prima eseguito i loro calcoli sullo stesso dataset utilizzato per addestrare il modello di intelligenza artificiale. In questa fase, lo strumento di deep learning è stato eccezionalmente performante, prevedendo correttamente l'esito per la maggior parte delle mutazioni. Tuttavia, questo punteggio alto era previsto, poiché l'intelligenza artificiale era stata addestrata specificamente su quei numeri. La vera prova arrivò quando il team applicò tutti e tre i metodi a scenari completamente nuovi, dove i modelli informatici non avevano mai visto i dati prima d'ora. In un test, hanno osservato le mutazioni nella proteina spike del virus che causa il COVID-19, specificamente come si lega alle cellule umane. In un altro, hanno esaminato proteine ingegnerizzate per agganciarsi a specifiche catene peptidiche.
In queste nuove situazioni inedite, i risultati sono cambiati drasticamente. Lo strumento di deep learning, che aveva eccelso sui suoi dati di addestramento, ha faticato a classificare correttamente le mutazioni, mostrando una debole capacità di distinguere tra cambiamenti benefici e dannosi. Il software tradizionale, FoldX, ha prodotto molti errori macroscopici, prevedendo spesso che una mutazione avrebbe avuto un effetto massiccio quando non ne aveva alcuno, o viceversa. Al contrario, il nuovo metodo basato su MMPBSA ha mantenuto una prestazione costante. Ha predetto con successo la forza dei legami sia nella proteina spike virale che nelle proteine ingegnerizzate, eguagliando o superando l'accuratezza degli altri strumenti. I ricercatori hanno scoperto che il loro metodo era particolarmente bravo a gestire la fisica complessa delle particelle cariche e delle interazioni con l'acqua, che sono spesso la fonte di errori negli altri programmi. Hanno anche scoperto che includere un termine per la stabilità dei singoli pezzi proteici, piuttosto che solo per il legame tra di essi, era fondamentale per ottenere la risposta corretta.
Lo studio suggerisce che, sebbene l'intelligenza artificiale sia potente, può talvolta diventare troppo specializzata sui dati da cui apprende, fallendo nell'adattarsi quando si trova di fronte a nuovi enigmi biologici. L'approccio basato sulla fisica, affidandosi alle leggi fondamentali della natura piuttosto che a schemi memorizzati, si è dimostrato più robusto quando applicato a diversi tipi di proteine e strutture. Il team ha reso disponibile al pubblico il proprio flusso di lavoro, permettendo ad altri scienziati di utilizzare questo strumento per dare priorità alle mutazioni da testare in laboratorio. Filtrando i candidati più promettenti prima di eseguire esperimenti costosi, questo metodo potrebbe accelerare lo sviluppo di nuove terapie e l'ingegnerizzazione di migliori strumenti biologici. Il lavoro dimostra che, a volte, tornare ai primi principi e pesare attentamente le forze fisiche in gioco può fornire risultati più affidabili rispetto agli algoritmi più complessi, specialmente quando l'obiettivo è capire come un minuscolo cambiamento in una molecola possa propagarsi per cambiare il comportamento di un sistema vivente.
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.