Affinity-guided design of PDZ-binding peptides in a shared latent space
Questo articolo presenta un metodo di deep learning che utilizza uno spazio latente condiviso delle affinità PDZ-PBM per formulare analiticamente e guidare la progettazione di peptidi per obiettivi di legame a bersaglio singolo, consapevole del bersaglio secondario e a doppio bersaglio senza richiedere il riaddestramento del modello.
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
All'interno di ogni cellula vivente, le proteine agiscono come gli operai, i messaggeri e le travi strutturali che mantengono in funzione la vita. Per svolgere i loro compiti, queste proteine devono spesso agganciarsi l'una all'altra, formando squadre temporanee o permanenti. Questo aggancio non è casuale; si basa su forme specifiche e segnali chimici, proprio come una chiave che si inserisce in una serratura. Uno dei modi più comuni in cui le proteine si riconoscono comporta brevi sequenze simili a code alla fine di una catena proteica. Queste code, note come motivi di legame PDZ, scivolano in tasche corrispondenti su altre proteine chiamate domini PDZ. Questa connessione aiuta a organizzare la cellula, decidendo dove va una proteina e con quali partner si unisce. Poiché queste regole di riconoscimento si sovrappongono, una singola sequenza di coda può talvolta legarsi a diversi partner differenti, creando una complessa rete di interazioni che gli scienziati vorrebbero essere in grado di modificare. Se i ricercatori potessero perfezionare queste minuscole code, potrebbero potenzialmente reindirizzare le proteine verso nuove posizioni o costringerle a formare nuove squadre, il tutto senza cambiare il resto della massiccia struttura proteica.
La sfida è stata che progettare queste nuove code è difficile. I metodi informatici tradizionali spesso faticano a bilanciare due obiettivi contrastanti: rendere una proteina capace di legarsi fortemente a un partner specifico evitando al contempo altri che gli somigliano. Di solito, risolvere questo problema richiede la costruzione di un modello informatico personalizzato separato per ogni singolo target proteico, un processo lento e ripetitivo. Un nuovo studio condotto dai ricercatori dell'Università di Nagoya e dell'Istituto di Scienza di Tokyo offre una strada diversa. Invece di costruire molti modelli separati, hanno addestrato un singolo sistema di intelligenza artificiale per comprendere il linguaggio di queste interazioni proteiche. Mappando sia le tasche proteiche che le sequenze delle code in uno spazio matematico condiviso e invisibile, il team ha scoperto di poter guidare il processo di progettazione semplicemente puntando in direzioni diverse all'interno di quello spazio.
I ricercatori hanno iniziato fornendo al loro sistema un enorme dataset di oltre 57.000 interazioni misurate tra domini PDZ e le loro code di legame. Il sistema ha imparato a prevedere quanto fortemente una determinata coda si attaccherebbe a una determinata tasca, traducendo queste misurazioni biologiche in una mappa condivisa dove le interazioni simili si trovano vicine tra loro. Una volta costruita questa mappa, il team non ha avuto bisogno di riaddestrare il sistema per cambiare obiettivo. Per trovare una coda che si leghi fortemente a un solo target, hanno semplicemente diretto la ricerca verso il punto sulla mappa che rappresenta quel target. Per trovare una coda che si leghi a un target ma ignori un partner simile indesiderato, hanno puntato la ricerca in una direzione che massimizzasse la distanza tra i due. Per trovare una coda che si leghi ugualmente bene a due target diversi, hanno mirato allo spazio esattamente compreso tra di essi.
I risultati di questo approccio sono stati sorprendenti. Quando il team ha chiesto al sistema di riprogettare una coda nota affinché si legasse meglio a una specifica proteina, il computer ha generato un elenco di candidati principali. Quando questi candidati sono stati testati contro una vasta libreria di oltre 100.000 sequenze precedentemente misurate, il miglior candidato scelto con il nuovo metodo è stato il miglior performer dell'intera libreria. Inoltre, 84 dei primi 100 candidati suggeriti dal nuovo metodo rientravano nel top 1% di tutte le interazioni misurate sperimentalmente. Questa prestazione ha superato significativamente i metodi esistenti, che hanno trovato solo 64 candidati in quel livello superiore. Il sistema ha avuto successo anche quando gli è stato chiesto di progettare intere code di dieci residui da zero per quattro diverse proteine, producendo costantemente sequenze che ottenevano punteggi più alti nelle simulazioni al computer della forza di legame rispetto a quelle generate da altri strumenti leader.
Lo studio ha anche dimostrato la flessibilità di questo singolo modello. Quando i ricercatori hanno chiesto al sistema di progettare una coda che si legasse a una proteina evitando al contempo un sosia specifico, i candidati risultanti hanno mostrato una chiara preferenza per il target previsto rispetto a quello indesiderato nelle simulazioni. Al contrario, quando gli è stato chiesto di legarsi a due proteine diverse simultaneamente, il sistema ha prodotto code che funzionavano bene per entrambe, posizionandosi comodamente tra i design a target singolo. I ricercatori hanno visualizzato questi risultati tracciando le sequenze generate su una sfera, mostrando che i diversi obiettivi di progettazione spingevano naturalmente i candidati in regioni distinte della mappa.
Sebbene le simulazioni al computer e i confronti con i dati esistenti siano molto promettenti, gli autori osservano che le code appena progettate non sono ancora state testate in un laboratorio "wet lab" per confermare il loro comportamento fisico. L'attuale successo si basa sull'accuratezza delle previsioni del computer e sulla qualità dei dati di addestramento, che include molte interazioni troppo deboli per essere misurate con precisione. Tuttavia, il lavoro dimostra che una comprensione condivisa e unica del legame proteico può essere utilizzata per navigare in complessi problemi di progettazione senza dover ricominciare da capo ogni volta. Trattando la progettazione proteica come una questione di ricerca della giusta direzione in uno spazio condiviso, questo metodo offre un modo snello per ingegnerizzare le connessioni molecolari che tengono insieme le nostre cellule, aprendo potenzialmente la porta a un controllo più preciso su come le proteine interagiscono in futuro.
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.