Affinity-guided design of PDZ-binding peptides in a shared latent space
本論文は、モデルの再学習を必要とせずに、単一標的、オフターゲットを考慮した設計、および二重標的結合の目的のために、PDZ-PBM親和性の共有潜在空間を利用してペプチドの設計を解析的に定式化し、誘導するディープラーニング手法を提示するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
あらゆる生細胞の中では、タンパク質が労働者、伝達者、そして生命を維持するための構造梁として機能しています。これらの仕事を行うために、タンパク質はしばしば互いに掴み合い、一時的または永続的なチームを形成する必要があります。この「掴み合い」は無作為に行われるのではなく、鍵が鍵穴に適合するように、特定の形状と化学的信号に基づいています。タンパク質が互いを認識する最も一般的な方法の一つは、タンパク質鎖の末端にある、短い尾のような配列を利用することです。PDZ結合モチーフとして知られるこれらの「尾」は、PDZドメインと呼ばれる他のタンパク質上の対応するポケットへと滑り込みます。この結合は、細胞内の組織化を助け、タンパク質がどこへ行き、どのパートナーと加わるかを決定します。これらの認識ルールは重複しているため、単一の尾の配列が時として異なる複数のパートナーと結合することがあり、それが複雑な相互作用の網を作り出しています。もし研究者がこれらの小さな尾を微調整できれば、タンパク質の巨大な構造そのものを変えることなく、タンパク質を新しい場所へとルート変更したり、強制的に新しいチームを結成させたりできる可能性があります。
課題は、これらの新しい尾を設計することが困難であることでした。従来のコンピュータ手法では、「特定のパートナーに対して強く結合させること」と「似たような他のパートナーを避けること」という、二つの相反する目標のバランスを取ることに苦戦することがよくあります。通常、これを解決するには、ターゲットとなるタンパク質ごとに個別のカスタムコンピュータモデルを構築する必要があり、これは遅くて反復的なプロセスです。名古屋大学と東京科学大学の研究者による新しい研究は、異なる道筋を提示しています。多くの個別のモデルを構築する代わりに、彼らは人工知能システムを訓練し、これらタンパク質相互作用の「言語」を理解させました。タンパク質のポケットと尾の配列の両方を、共有された目に見えない数学的空間へとマッピングすることで、チームは、その空間内で異なる方向を指し示すだけで設計プロセスを導けることを見出したのです。
研究者たちは、まず57,000件を超える、PDZドメインとそれらの結合尾の間の測定された相互作用の膨大なデータセットをシステムに投入しました。システムは、与えられた尾が与えられたポケットにどの程度強く付着するかを予測することを学習し、これらの生物学的測定値を、類似した相互作用が互いに近くに位置する共有マップへと翻訳しました。このマップが構築されると、チームは目的を変更するためにシステムを再学習させる必要はありませんでした。ある特定のターゲットに対して強く結合する尾を見つけるには、単にそのターゲットを表すマップ上の点に向かって探索を指示するだけでした。ターゲットには結合するが、似ている望まないパートナーは無視するような尾を見つけるには、その二つの間の距離を最大化する方向に探索を向けて指示しました。二つの異なるターゲットに対して等しく結合する尾を見つけるには、その二つのちょうど中間にある空間を目指しました。
このアプローチの結果は驚くべきものでした。チームが、特定のタンパク質により強く結合するように既知の尾を再設計するようシステムに求めたところ、コンピュータはトップ候補のリストを生成しました。これらの候補を、以前に測定された10万件以上の配列からなる膨大なライブラリに対してテストしたところ、この新手法によるトップの選択肢は、ライブラリ全体の中で最高のパフォーマンスを示しました。さらに、新手法によって提案されたトップ100候補のうち84個が、実験的に測定された全相互作用の上位1%以内に含まれていました。この性能は、上位ティアに64個の候補しか見つけられなかった既存の手法を大幅に上回るものでした。また、システムは4つの異なるタンパク質に対して、ゼロから全く新しい10残基の尾を設計するよう求められた際にも成功し、他の主要なツールによって生成されたものよりも、結合強度のコンピュータシミュレーションにおいて高いスコアを一貫して叩き出しました。
この研究はまた、単一モデルの柔軟性をも実証しました。研究者が、あるタンパク質には結合しつつ、特定の類似タンパク質は避けるような尾を設計するようシステムに求めたところ、得られた候補は、シミュレーションにおいて意図したターゲットに対して望まない方のターゲットよりも明確な優先順位を示しました。逆に、二つの異なるタンパク質に同時に結合するよう求めたとき、システムは両方にうまく機能する尾を生成し、それらは単一ターゲットのデザインの間に心地よく位置していました。研究者たちは、生成された配列を球体上にプロットすることで、異なる設計目標が自然に候補をマップ内の異なる領域へと押し込めている様子を可視化しました。
コンピュータシミュレーションや既存データとの比較は非常に有望ですが、著者らは、新たに設計された尾が、その物理的な挙動を確認するためのウェットラボでのテストにはまだ供されていないことを指摘しています。現在の成功は、コンピュータの予測の精度と、精密に測定するには弱すぎる相互作用も多く含むトレーニングデータの質に依存しています。それにもかかわらず、この研究は、タンパク質結合に関する単一の共有された理解が、毎回ゼロから始めることなく、複雑な設計課題をナビゲートするために使用できることを証明しています。タンパク質設計を、共有された空間における「正しい方向を見つけること」として扱うことで、この手法は、将来的に細胞を形作る分子のつながりをより精密に制御するための合理的な方法を提供しており、将来のタンパク質相互作用の制御に向けた扉を開く可能性を秘めています。
自分の分野の論文に埋もれていませんか?
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。