Learning Protein-Protein Interaction Interfaces from Multimodal Representations
Dit artikel introduceert ESM3-PPISites, een multimodale deep learning-modellen die de ESM3-architectuur benut om nauwkeurig eiwit-eiwitinteractie-interfaces te identificeren door evolutionaire en 3D-geometrische contexten te integreren, waardoor het bestaande methoden overtreft en de efficiëntie en nauwkeurigheid van downstream moleculaire docking-simulaties aanzienlijk verbetert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In elke levende cel werken kleine machines van eiwitten constant samen om het leven draaiende te houden. Deze machines werken niet in isolatie; ze moeten elkaar vinden, aan elkaar koppelen en complexe assemblages vormen om taken uit te voeren zoals het verzenden van signalen, het bestrijden van infecties of het bouwen van cellulaire structuren. De specifieke plekken waar twee eiwitten elkaar raken en vasthouden, worden interfaces genoemd. Het identificeren van deze plekken is cruciaal voor wetenschappers die willen begrijpen hoe ziekten werken of die nieuwe medicijnen willen ontwerpen om deze interacties te blokkeren of juist te stimuleren. Lange tijd vereiste het uitzoeken van precies welke delen van een eiwit betrokken zijn bij deze handdrukken kennis van de precieze driedimensionale vorm van het gehele complex, een taak die vaak traag, moeilijk en rekentechnisch duur was.
Een team van onderzoekers heeft een nieuwe manier ontwikkeld om deze interactieplekken te voorspellen die zowel sneller als nauwkeuriger is dan eerdere methoden. Ze hebben een tool ontwikkend genaamd ESM3-PPISites, die werkt als een hooggetraind oog dat naar de chemische code van een enkel eiwit kan kijken en kan raden waar het waarschijnlijk met een ander zal verbinden. In tegenstelling tot oudere methoden die uitsluitend vertrouwden op de volgorde van letters in de genetische code of een vooraf gebouwd 3D-model van het eiwit vereisten, combineert deze nieuwe aanpak de geschiedenis van de evolutie van het eiwit met de geometrische vorm ervan. De onderzoekers ontdekten dat door een krachtig computermodel te leren patronen te herkennen in zowel de sequentie als de structuur van het eiwit, ze de exacte aminozuren konden aanwijzen die de interface vormen met een opmerkelijke precisie. Dit stelt wetenschappers in staat om potentiële interactieplaatsen te identificeren zonder dat ze de uiteindelijke vorm van het complex vooraf hoeven te kennen, wat de deur opent naar de analyse van eiwitten die nog nooit eerder zijn gezien.
De onderzoekers begonnen met het verzamelen van een enorme collectie bekende eiwitstructuren uit wetenschappelijke databases, waarbij ze de voorbeelden die ze gebruikten voor training zorgvuldig filterden om ervoor te zorgen dat ze verschillend waren van de voorbeelden die ze later zouden testen. Deze strikte scheiding voorkwam dat de computer simpelweg antwoorden memoriseerde en zorgde ervoor dat hij daadwerkelijk de regels van eiwitinteractie leerde. Ze trainden hun model op twee grote datasets, waarvan er één meer dan drieduizend eiwitketens bevatte en een andere met bijna vijftienhonderd, waarbij ze het model leerden het onderscheid te maken tussen de delen van een eiwit die zich op het oppervlak bevinden en de delen die erin begraven liggen. Het model leerde dat de plekken waar eiwitten verbinden vaak rijk zijn aan specifieke soorten chemische bouwstenen, met name diegenen die water afstoten, en dat deze plekken bijna altijd aan de buitenkant van de omgeving worden blootgesteld.
Toen het team hun nieuwe model testte tegen een standaardset uitdagende eiwitparen die het nog nooit eerder had gezien, presteerde het beter dan elke andere bestaande methode. Het model identificeerde de juiste interactieplekken in het overgrote deel van de gevallen, waarbij het een nauwkeurigheidsniveau bereikte dat aanzienlijk hoger lag dan bij tools die alleen op de sequentie van het eiwit vertrouwden of die complexe 3D-kaarten vereisten. Interessant genoeg ontdekten de onderzoekers dat een kleinere, meer toegankelijke versie van hun model, mits goed getraind, bijna net zo goed kon presteren als een enorme, propriëtaire versie die niet publiekelijk beschikbaar is. Dit suggereert dat het succes niet alleen ligt in de omvang van de computerbrein, maar in hoe goed het wordt geleerd om naar de juiste patronen te zoeken. Het model bleek robuust te zijn en behield zijn hoge prestaties, zelfs wanneer het werd getest op eiwitten die zeer verschillend waren van de eiwitten waarop het getraind was, wat aantoont dat het werkelijk de onderliggende principes heeft geleerd van hoe eiwitten aan elkaar plakken.
Om te zien of deze voorspellingen in de echte wereld nuttig konden zijn, hebben de onderzoekers hun tool geïntegreerd in een populair softwareprogramma dat wordt gebruikt om te simuleren hoe eiwitten aan elkaar koppelen (docking). Ze gebruikten de voorspelde interactieplekken als gidsen, waarbij ze de software de opdracht gaven om de zoektocht te richten op de gebieden die het model als waarschijnlijke contactpunten identificeerde. Deze eenvoudige toevoeging transformeerde het proces. Zonder deze gidsen moest de software blindelings zoeken door miljoenen mogelijke manieren waarop de eiwitten in elkaar pasten, een proces dat uren duurde en vaak het juiste antwoord niet vond. Met de nieuwe voorspellingen die als kaart fungeerden, vond de software de juiste arrangement veel sneller, vaak in minder dan twintig minuten, en met een veel grotere nauwkeurigheid. In veel gevallen produceerde de geleide zoektocht resultaten die bijna identiek waren aan de werkelijke experimentele structuren, terwijl de blinde zoektocht regelmatig de plank volledig missloeg.
De studie vergeleken deze nieuwe aanpak ook met een toonaangevend systeem dat bekend staat om het voorspellen van de volledige 3D-structuur van eiwitcomplexen. Hoewel het structuurvoorspellingssysteem over het algemeen iets beter presteerde op de meest moeilijke testgevallen, bleef het nieuwe instrument zeer competitief en bood het een duidelijk voordeel in snelheid en eenvoud. Het kon nauwkeurige antwoorden bieden zonder de zware computationele kosten die nodig zijn om eerst een volledig 3D-model te genereren. De onderzoekers merkten op dat beide systemen worstelden met dezelfde soorten moeilijke eiwitparen, wat suggereert dat de uitdagingen liggen in de inherente complexiteit van die specifieke biologische interacties zelf in plaats van in de methoden. Uiteindelijk biedt dit werk een betrouwbare en efficiënte manier om de interactieplaatsen van eiwitten in kaart te brengen, wat wetenschappers een krachtig nieuw instrument biedt om moleculaire machines te begrijpen en betere interventies voor de menselijke gezondheid te ontwerpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.