GLOM TGITO: multiscale protein modelling and multiview landscape-guided sequence discovery

L'ingegneria proteica è l'arte di riscrivere il codice biologico della vita per creare molecole in grado di svolgere nuovi compiti. Al cuore di questo campo risiede una sfida semplice ma difficile: gli scienziati possiedono una vasta libreria di sequenze proteiche, ma possono testarne in laboratorio solo una minima frazione. L'obiettivo è trovare le rare varianti ad alte prestazioni nascoste in quel vasto mare di possibilità senza dover costruire e misurare ogni singola variante. Per farlo, i ricercatori utilizzano modelli computazionali che apprendono dai pochi esempi che hanno misurato. Questi modelli cercano di prevedere come un cambiamento nella sequenza della proteina influenzi la sua funzione, come ad esempio quanto intensamente una proteina fluorescente possa brillare. Tuttavia, esiste un problema maggiore: questi modelli spesso diventano eccessivamente sicuri di sé. Possono prevedere che una sequenza completamente nuova e non testata sarà brillante, semplicemente perché appare simile a quelle luminose che hanno già visto, anche se il modello non ha prove reali a supporto di tale affermazione. Ciò porta a uno spreco di sforzi nel rincorrere sequenze che sembrano buone su uno schermo di un computer, ma che falliscono nel mondo reale.

Un team di ricercatori ha sviluppato un nuovo approccio chiamato GLOM–TGITO per risolvere questo specifico problema. Invece di affidarsi a una singola visione rigida della proteina, il loro sistema costruisce una mappa multistrato della struttura e del comportamento della proteina. Immaginate di osservare un paesaggio non solo da un satellite, ma anche da un drone, da una collina e da una vista a livello stradale simultaneamente. Il modello dei ricercatori fa qualcosa di simile, analizzando la proteina a tre diverse scale: l'intera molecola, regioni specifiche della molecola e singoli punti chiave dove i cambiamenti sono cruciali. Combinando queste diverse prospettive, il sistema può vedere la "topografia" delle prestazioni proteiche con maggiore chiarezza. Utilizza questa mappa dettagliata per guidare la sua ricerca, assicurando che, quando propone una nuova proteina più luminosa, lo faccia partendo da una solida evidenza locale piuttosto che da un cieco indovinare.

I ricercatori hanno testato questo metodo su un dataset contenente oltre 31.000 versioni misurate di una proteina fluorescente chiamata ppluGFP2. Hanno addestrato il loro modello per prevedere la luminosità di queste proteine basandosi sulle loro sequenze genetiche. Quando hanno confrontato il loro nuovo sistema con i metodi esistenti più forti, i risultati sono stati sorprendenti. Il nuovo modello ha commesso significativamente meno errori di previsione. Ancora più importante, quando hanno utilizzato il modello per cercare i 100 candidati più luminosi, quasi tutti — il 96,3% in un test e il 97,3% in un altro — erano effettivamente luminosi quando misurati in laboratorio. Al contrario, i migliori metodi concorrenti sono riusciti a trovare proteine luminose solo in circa la metà delle loro migliori selezioni. Ciò suggerisce che il nuovo sistema è molto più abile nel distinguere tra sequenze che sono realmente promettenti e quelle che sembrano solo promettenti per un computer confuso.

La forza di questo sistema risiede nel modo in cui gestisce l'incertezza. Mentre il computer cerca proteine migliori, controlla costantemente la propria fiducia. Si chiede: "Ho abbastanza dati reali nelle vicinanze per fidarmi di questa previsione?". Se il modello si avventura in una regione in cui ha poco supporto sperimentale, diventa cauto. Utilizza un gate dinamico per pesare le diverse visioni del panorama proteico, dando priorità a quelle supportate da misurazioni reali. Questo processo ha permesso ai ricercatori di trovare 2.594 sequenze candidate distinte dalla loro ricerca. Quando hanno filtrato queste per selezionare le 100 migliori, le proteine scelte non solo erano predette come luminose, ma mostravano anche una "deviazione" molto più bassa dai dati di addestramento noti. In parole povere, queste nuove proteine erano abbastanza nuove da essere interessanti, ma abbastanza vicine a ciò che il modello sapeva essere affidabile. Questo equilibrio ha permesso loro di trovare 38 candidati che fossero sia nuovi che affidabili, un numero che è più del doppio di quello prodotto dagli altri metodi.

Per capire perché queste nuove proteine funzionassero, i ricercatori hanno eseguito simulazioni dettagliate del loro comportamento fisico. Hanno osservato come le proteine si muovevano e come le loro superfici interagivano con l'acqua. Hanno scoperto che molti dei design di successo presentavano patch superficiali più piccole e meno appiccicose. Nel mondo delle proteine, avere una superficie meno appiccicosa spesso aiuta la molecola a ripiegarsi correttamente ed evita che si aggreghi, il che è essenziale per brillare intensamente. Oltre alla superficie, le simulazioni hanno rivelato cambiamenti profondi nel nucleo della proteina, vicino alla parte che effettivamente emette luce. In alcuni dei migliori design, la struttura interna tratteneva la parte emittente di luce in modo più stretto, riducendone l'oscillazione. In altri, i legami chimici che mantenevano ferma la parte emittente erano più stabili. Questi cambiamenti fisici hanno fornito una chiara spiegazione del perché le scelte del computer fossero state vincenti: le nuove sequenze creavano un ambiente più stabile affinché la luce potesse splendere.

Questo lavoro dimostra che combinare una visione dettagliata e multi-scala di una proteina con un attento controllo dell'evidenza locale può migliorare drasticamente la ricerca di migliori strumenti biologici. I ricercatori non hanno solo trovato proteine più luminose; hanno trovato un modo per trovarle con fiducia. Assicurando che ogni nuovo suggerimento sia supportato da una solida comprensia dell'ambiente locale, hanno evitato la trappola dell'eccessiva sicurezza che ha afflitto i tentativi precedenti. Il risultato è una pipeline che produce un'alta resa di proteine fluorescenti veramente funzionali e luminose, offrendo una via più affidabile per progettare la prossima generazione di sensori e strumenti biologici. Lo studio conferma che quando insegniamo ai computer a guardare le proteine da più angolazioni e a rispettare i limiti della propria conoscenza, possiamo scoprire nuove funzioni biologiche che prima erano fuori portata.