Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

Le proteine sono i motori della vita, minuscole macchine molecolari che si ripiegano in forme complesse per svolgere ogni funzione all'interno di una cellula. Per capire come funziona una proteina, gli scienziati devono spesso studiarne la forma in estremo dettaglio, un processo che solitamente richiede che la proteina venga isolata e cristallizzata. Tuttavia, molte proteine sono troppo lunghe o troppo flessibili per essere studiate in un unico pezzo. Esse sono spesso composte da diverse unità distinte e stabili chiamate domini, collegati da regioni flessibili e non strutturate che fungono da cerniere o distanziatori. Per ottenere un'immagine chiara di un singolo dominio, i ricercatori devono tagliare la proteina nei punti giusti, rimuovendo le parti flessibili ma mantenendo intatte le parti stabili. Trovare questi punti di taglio è difficile perché le istruzioni su dove tagliare sono nascoste nella sequenza di amminoacidi della proteina e, senza una nota struttura 3D, è come cercare di trovare le cuciture di un aeroplanino di carta piegato senza aver mai visto la carta distesa.

Per decenni, gli scienziati si sono affidati a database che confrontano la sequenza di una proteina con una libreria di proteine note e ben studiate per ipotizzare dove potrebbero trovarsi questi domini. Questo approccio funziona bene quando la proteina è simile a qualcosa già presente nella libreria, ma fallisce completamente per proteine nuove o insolite che non hanno parenti noti. Un team di ricercatori della Wilfrid Laurier University ha sviluppato un nuovo strumento chiamato Seq2DomML che aggira questo limite. Invece di cercare corrispondenze in una libreria di proteine note, questo nuovo sistema impara a riconoscere i sottili schemi chimici e fisici in una sequenza che segnalano i confini tra domini stabili e linker flessibili. Addestrando un modello computazionale su migliaia di proteine batteriche le cui strutture sono già note, i ricercatori hanno creato un sistema in grado di prevedere dove tagliare una proteina basandosi esclusivamente sulla sua sequenza amminoacidica, anche se quella proteina non è mai stata vista prima.

I ricercatori hanno iniziato raccogliendo un enorme dataset di proteine batteriche che erano state risolte tramite cristallografia a raggi X, una tecnica che rivela la precisa disposizione tridimensionale degli atomi. Hanno filtrato questo elenco per rimuovere le proteine troppo simili tra loro o appartenenti a gruppi specifici che si comportano diversamente, ottenendo quasi 7.600 catene proteiche uniche. Per ciascuna di queste catene, hanno utilizzato un database strutturale attendibile per marcare ogni singolo amminoacido come parte di un dominio stabile o parte di una regione flessibile come un linker o una coda. Per rendere questi confini più facili da apprendere per il computer, hanno leggermente ampliato le marcature per le regioni flessibili, trattandole come brevi tratti piuttosto che come singoli punti.

Successivamente, il team ha tradotto la sequenza grezza di amminoacidi in un ricco insieme di descrizioni numeriche per ogni posizione della proteina. Hanno incluso informazioni sulla natura chimica di ogni amminoacido, la sua posizione nella catena e come potrebbe interagire con i suoi vicini. Ciò ha dato origine a quasi 2.400 caratteristiche diverse per ogni singolo amminoacido. Per gestire questa complessità, i ricercatori hanno utilizzato un processo in due fasi per selezionare le caratteristiche più utili. Prima, hanno rimosso le caratteristiche ridondanti o irrilevanti. Poi, hanno impiegato un algoritmo evolutivo, un metodo che imita la selezione naturale, per testare migliaia di diverse combinazioni di caratteristiche al fine di trovare l'insieme specifico che permettesse al computer di effettuare le previsioni più accurate.

Il cuore del loro sistema è un tipo di intelligenza artificiale nota come modello bidirectional long short-term memory. Questo modello è progettato per elaborare sequenze, consentendogli di comprendere che l'identità di un amminoacido specifico non dipende solo dai suoi vicini immediati, ma dal contesto più ampio dell'intera catena. Il modello è stato addestrato per prevedere se un amminoacido appartiene a un dominio stabile o a una regione flessibile. Per gestire il fatto che le regioni flessibili sono molto più rare di quelle stabili, i ricercatori hanno regolato il processo di addestramento per prestare un'attenzione extra a questi confini più difficili da trovare. Dopo estesi test e affinamenti, si sono stabiliti su una configurazione che bilanciasse la necessità di trovare tutte le regioni flessibili senza etichettare erroneamente le parti stabili come flessibili.

Quando il team ha testato il suo nuovo strumento su un set di proteine che non aveva mai visto prima, i risultati sono stati promettenti. Il modello ha identificato i confini dei domini con un alto grado di precisione, superando diversi strumenti consolidati che si basano sul confronto delle sequenze con famiglie note. Sebbene i vecchi strumenti fossero migliori nel trovare ogni possibile regione flessibile, commettevano spesso errori etichettando parti stabili e ripiegate della proteina come flessibili, il che porterebbe a risultati sperimentali scadenti se uno scienziato tentasse di tagliare la proteina in quel punto. Al contrario, Seq2DomML era molto più selettivo, identificando correttamente i domini stabili e i linker flessibili con maggiore precisione. Ciò significa che quando uno scienziato usa questo strumento per decidere dove tagliare una proteina, è meno probabile che distrugga accidentalmente un'unità funzionale.

I ricercatori hanno anche visualizzato come le loro previsioni apparissero quando mappate su strutture proteiche 3D reali. Nei casi in cui altri strumenti non riuscivano a riconoscere un dominio perché non aveva parenti noti, Seq2DomML ha identificato correttamente le regioni stabili e ripiegate. In un esempio, gli strumenti esistenti vedevano una grande porzione di una proteina come strutturata e inutile, mentre il nuovo modello identificava correttamente quella parte come un dominio distinto e stabile. Ciò suggerisce che lo strumento può trovare l'ordine in sequenze che altri metodi scartano come casuali o non strutturate. Il modello non sempre otteneva il numero perfetto di domini, ma forniva una guida più equilibrata e affidabile su dove effettuare i tagli rispetto ai metodi standard attuali.

Lo studio conclude che questo approccio basato sulla sequenza offre un nuovo modo prezioso per progettare esperimenti proteici, particolarmente per le proteine poco comprese o prive di parenti noti. Fornendo una mappa più accurata di dove terminano i domini stabili e dove iniziano le regioni flessibili, lo strumento può aiutare gli scienziati a risparmiare tempo e risorse riducendo il numero di esperimenti falliti necessari per trovare il frammento proteico corretto da studiare. I ricercatori osservano che, sebbene il modello sia un passo avanti significativo, il lavoro futuro si concentrerà sul perfezionamento della sua capacità di rilevare i confini e sul testare se funzioni altrettanto bene su proteine di altri organismi oltre ai batteri. L'obiettivo finale è rendere più efficiente il processo di risoluzione delle strutture proteiche, permettendo agli scienziati di comprendere i meccanismi della vita anche quando i progetti mancano.