AmyloCore-ML: AI/Machine Learning Enabled Identification of Amyloid Fibril Core Regions Using Protein Language Models

Le proteine sono i motori della vita, che si ripiegano in forme intricate per svolgere compiti essenziali all'interno delle nostre cellule. Tuttavia, quando queste proteine funzionano male, possono ripiegarsi in modo errato e aggregarsi in strutture rigide e simili a corde chiamate fibrille amiloidi. Questo processo è al cuore di diverse devastanti malattie neurodegenerative, tra cui l'Alzheimer e il Parkinson. Per decenni, gli scienziati hanno compreso che queste fibrille non sono accumuli casuali di proteine; esse possiedono un nucleo altamente ordinato e stabile dove i filamenti proteici si incastrano secondo uno schema specifico. Eppure, un enigma critico rimaneva insoluto: sebbene una proteina possa essere lunga e complessa, solo un segmento specifico di essa diventa parte di questo nucleo rigido e ordinato. Il resto della proteina spesso rimane disordinato o pende in modo lasso all'esterno. Sapere esattamente quali amminoacidi formano questo nucleo solido è vitale per comprendere come si sviluppano queste malattie e per progettare farmaci che possano interrompere il processo, ma identificare queste regioni specifiche partendo dal solo codice genetico della proteina si è rivelato una sfida difficile.

I ricercatori hanno cercato a lungo di prevedere queste regioni di aggregazione pericolose utilizzando programmi informatici che cercano semplici schemi chimici, come tratti di amminoacidi che naturalmente tendono ad attaccarsi tra loro. Tuttavia, un nuovo studio suggerisce che questi metodi tradizionali mancano il bersaglio perché confondono la tendenza generale di una proteina ad aggregarsi con la realtà specifica di ciò che viene effettivamente bloccato nella struttura finale e rigida. Per risolvere questo problema, un team di scienziati ha sviluppato un nuovo strumento chiamato AmyloCore-ML. Invece di cercare solo zone appiccicose, questo strumento è stato addestrato per riconoscere la precisa "grammatica" della sequenza che finisce all'interno del nucleo solido di una fibrilla, distinguendola dalle parti della stessa proteina che non vi entrano. Imparando da immagini ad alta risoluzione di fibrille reali, il sistema ha imparato a individuare le sottili differenze tra il nucleo ordinato e il resto disordinato, offrendo una visione molto più nitida di dove risieda il pericolo.

Il team ha iniziato raccogliendo una vasta collezione di strutture di fibrille risolte sperimentalmente da un database pubblico noto come Amyloid Atlas. Hanno selezionato attentamente 69 proteine diverse, esaminando le mappe dettagliate delle loro forme fibrillari per vedere esattamente quali residui erano bloccati nel nucleo ordinato e quali erano rimasti all'esterno. Hanno trattato i residui bloccati come il "nucleo" (core) e il resto della proteina dalla stessa molecola come controllo "non-nucleo". Questo approccio è stato cruciale perché ha permesso al computer di apprendere la differenza tra due parti della stessa proteina nelle stesse condizioni, piuttosto che confrontare proteine non correlate. I ricercatori hanno poi suddiviso queste sequenze proteiche in finestre sovrapposte di lunghezze variabili e le hanno inserite in un sistema di apprendimento automatico. Hanno testato due modi diversi di descrivere la proteina: uno utilizzando proprietà chimiche standard e un altro utilizzando modelli linguistici avanzati che comprendono il contesto degli amminoacidi, in modo simile a come un lettore comprende come il significato di una parola cambi in base alla frase in cui si trova.

I risultati hanno mostrato che i modelli linguistici avanzati erano di gran lunga superiori alle descrizioni chimiche tradizionali. Il sistema ha appreso che l'identità del nucleo non riguarda solo una breve sequenza appiccicosa, ma dipende pesantemente dal vicinato di amminoacidi circostante. Quando i ricercatori hanno testato i loro migliori modelli, hanno scoperto che potevano distinguere correttamente le regioni del nucleo dalle regioni non appartenenti al nucleo con un'alta precisiono, raggiungendo un punteggio di circa 0,88 su una scala dove 1,0 è il perfetto. Più importante ancora, quando hanno scansionato intere proteine complete per vedere se potevano localizzare il nucleo, lo strumento è riuscito a individuare con successo le regioni sperimentali del nucleo. La versione migliore del modello è stata in grado di localizzare il centro del nucleo entro una distanza media di soli 12,4 residui, un miglioramento significativo rispetto agli strumenti esistenti che spesso sbagliavano il bersaglio per margini molto più ampi.

Per garantire la robustezza dei loro risultati, il team ha confrontato il loro nuovo predittore con altri due strumenti ben noti progettati per trovare regioni inclini all'aggregazione. Il nuovo strumento ha costantemente superato gli altri, non solo nel classificare quali residui avessero maggiore probabilità di essere nel nucleo, ma anche nel localizzare fisicamente il segmento corretto della proteina. I ricercatori hanno osservato che, mentre altri strumenti potrebbero identificare una regione come generalmente incline all'aggregazione, il loro modello identifica specificamente la parte che viene strutturalmente incorporata nella fibrilla matura. Questa distinzione è vitale perché una regione potrebbe essere capace di iniziare un ammasso, ma non necessariamente finire nella struttura finale e stabile. Lo studio ha anche confermato che l'uso di finestre di amminoacidi più lunghe forniva risultati migliori, suggerendo che il segnale per la formazione di un nucleo è distribuito su un'area più ampia piuttosto che essere confinato in un punto piccolo e isolato.

Il team ha validato il proprio approccio testandolo su proteine completamente nuove al sistema, tra cui la mioglobina equina, P02070, l'Oat 11S globulin, l'Oat 12S seed storage globulin 2 e la proteina di membrana integrale umana 2B. Senza alcun riaddestramento o aggiustamento, lo strumento ha identificato con successo segmenti del nucleo ad alta probabilità che si sovrapponevano alle strutture sperimentalmente risolte di queste proteine non viste. Ciò ha dimostrato che il sistema aveva appreso una regola generale su come le proteine si ripiegano in fibrille, piuttosto che aver semplicemente memorizzato gli esempi specifici su cui era stato addestrato. I ricercatori hanno reso il loro strumento liberamente disponibile attraverso un'interfaccia online interattiva, consentendo ad altri scienziati di inserire sequenze proteiche e vedere istantaneamente una mappa di dove è probabile che si formi il nucleo amiloide. Spostando l'attenzione dalla generica appiccicosità alla specifica architettura del nucleo della fibrilla, questo lavoro fornisce un modo più chiaro e preciso per comprendere la meccanica molecolare di queste malattie, guidando potenzialmente la progettazione di future terapie che mirano alle superfici esatte dove queste strutture dannose si assemblano.