De novo Protein Generating Model via Structure-Aware Graph Neural Networks
Questo articolo presenta una rete neurale a grafo consapevole della struttura che ottimizza l'accuratezza conformazionale 3D piuttosto che il recupero della sequenza, dimostrando che la generazione de novo di proteine può raggiungere una precisione strutturale comparabile ai principali metodi focalizzati sulla sequenza senza supervisione diretta della sequenza.
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
Da decenni, i biologi comprendono che la funzione di una proteina è dettata dalla sua forma. Una proteina è una lunga catena di blocchi costitutivi chiamati amminoacidi, e l'ordine specifico di questi blocchi determina come la catena si ripiega in una struttura tridimensionale complessa. Questo processo di ripiegamento è così preciso che un minuscolo cambiamento nella sequenza può causare il collasso dell'intera struttura o il mancato funzionamento. Per molto tempo, la sfida scientifica è stata prevedere quale forma avrebbe assunto una data sequenza. Tuttavia, è emersa una domanda più difficile e altrettanto importante: se si parte da una forma desiderata, è possibile lavorare a ritroso per trovare la specifica sequenza di amminoacidi che si ripiegherà in quella forma? Questa ingegneria inversa, nota come design proteico inverso, è la chiave per creare nuovi medicinali e materiali da zero, ma tradizionalmente si è basata su una regola rigida: la nuova sequenza deve somigliare strettamente alle sequenze presenti in natura.
Un team di ricercatori dell'Università del Texas ad Austin ha sfidato questa regola. Hanno sviluppato un nuovo modello computazionale progettato per creare sequenze proteiche che si ripiegano in una forma specifica senza dover copiare alcuna proteina naturale. Il loro approccio, dettagliato in uno studio recente, suggerisce che il percorso verso una forma corretta non è unico e che un modello può imparare a costruire strutture direttamente, ignorando interamente l'ordine specifico degli amminoacidi. Addestrando il loro sistema a occuparsi solo della forma 3D finale, hanno ottenuto risultati altrettanto accurati rispetto ai metodi principali che si concentrano sul copiare la natura, dimostrando che una proteina non ha bisogno di assomigliare a una naturale per funzionare come tale.
I ricercatori hanno costruito il loro modello utilizzando un tipo di intelligenza artificiale chiamato rete neurale a grafi. In questo sistema, la proteina non è vista come una semplice lista di lettere, ma come una mappa di punti connessi da linee. Ogni punto rappresenta una parte dello scheletro della proteina e le linee collegano i vicini più prossimi nello spazio. Il modello prende le coordinate di una forma target come input e inizia a indovinare quali amminoacidi dovrebbero trovarsi in ogni punto. L'innovazione cruciale risiede nel modo in cui il modello impara. Invece di ricevere l'istruzione "Hai indovinato la lettera sbagliata, riprova", al modello viene mostrata la forma che la sua ipotesi creerebbe. Esso utilizza uno strumento potente e preesistente per ripiegare la propria sequenza predetta in una struttura 3D e poi confronta il risultato con la forma target. Se le forme non corrispondono, il modello aggiusta le sue ipotesi per ridurre la differenza. Questo processo permette al modello di imparare direttamente dalla geometria della proteina, bypassando la necessità di memorizzare o replicare le sequenze amminoacidiche originali trovate in natura.
Per testare questa idea, i ricercatori hanno addestrato il loro modello su una vasta collezione di strutture proteiche provenienti da un database pubblico, tagliandole in pezzi più piccoli e uniformi per garantire varietà. Hanno poi chiesto al modello di progettare sequenze per 224 specifiche forme proteiche che non aveva mai visto prima. Per ogni forma, il modello ha generato una sequenza, che è stata poi ripiegata dallo stesso strumento di predizione per vedere quanto bene corrispondesse al target. I risultati sono stati sorprendenti. Il modello ha prodotto sequenze che si ripiegavano in strutture con un'accuratezza statisticamente indistinguibile da ProteinMPNN, un metodo molto rispettato che si concentra sul recupero della sequenza naturale originale. Sebbene le sequenze del nuovo modello fossero molto diverse da quelle naturali, le forme che esse creavano erano quasi identiche al target.
Lo studio ha rilevato che il nuovo modello ha raggiunto una precisione strutturale che eguaglia lo standard del settore, nonostante abbia recuperato la sequenza amminoacidica originale meno del 30 percento delle volte, rispetto a circa il 31 percento del metodo tradizionale. Questo divario nel recupero della sequenza non ha compromesso il risultato strutturale. I ricercatori hanno osservato che per molte forme target, esistono molteplici sequenze diverse che possono produrre lo stesso ripiegamento. In alcuni casi, il nuovo modello ha persino superato la sequenza naturale o il metodo tradizionale in parti specifiche della proteina, suggerendo che la natura non sempre utilizza l'unica soluzione possibile per una determinata forma. Le scoperte indicano che il requisito rigoroso di imitare le sequenze naturali non è necessario per creare proteine funzionali.
Questo lavoro dimostra che un modello addestrato puramente sull'accuratezza strutturale può competere con i metodi addestrati sul recupero della sequenza. I ricercatori hanno osservato che il loro approccio consente la progettazione di proteine che non esistono in natura, aprendo la porta alla creazione di strumenti biologici completamente nuovi. Tuttavia, hanno anche riconosciuto dei limiti. Il modello dipende dall'accuratezza dello strumento di ripiegamento utilizzato per l'addestramento, il che significa che qualsiasi errore in tale strumento viene trasmesso ai nuovi design. Inoltre, lo studio ha utilizzato frammenti proteici troncati, il che a volte ha reso impossibile riprodurre strutture complete e complesse. Nonostante questi vincoli, la scoperta fondamentale rimane robusta: la forma di una proteina può essere la guida primaria per la sua creazione, e la specifica sequenza di amminoacidi è più flessibile di quanto precedentemente ipotizzato. Lo studio conclude che, concentrandosi sulla forma finale piuttosto che sulla ricetta storica, gli scienziati possono espandere le possibilità del design proteico oltre i limiti dell'evoluzione naturale.
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.