De novo Protein Generating Model via Structure-Aware Graph Neural Networks
Dit artikel presenteert een structuurbewuste grafische neurale netwerk die optimaliseert voor 3D-conformationele nauwkeurigheid in plaats van sequentieherstel, waarmee wordt aangetoond dat de novo eiwitgeneratie een structurele precisie kan bereiken die vergelijkbaar is met toonaangevende sequentiegeoriënteerde methoden zonder directe sequentie-supervisie.
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
Al decennia begrijpen biologen dat de functie van een eiwit wordt bepaald door de vorm. Een eiwit is een lange keten van bouwstenen die aminozuren worden genoemd, en de specifieke volgorde van deze blokken bepaalt hoe de keten zich vouwt tot een complexe, driedimensionale structuur. Dit vouwingsproces is zo nauwkeurig dat een kleine verandering in de sequentie kan ervoor zorgen dat de hele structuur instort of niet meer werkt. Lange tijd was de wetenschappelijke uitdaging om te voorspellen welke vorm een gegeven sequentie zou aannemen. Echter, een moeilijkere en even belangrijke vraag is ontstaan: als je begint met een gewenste vorm, kun je dan terugwerken naar de specifieke sequentie van aminozuren die in die vorm zal vouwen? Deze reverse engineering, bekend als inverse eiwitontwerp (inverse protein design), is de sleutel tot het creëren van nieuwe medicijnen en materialen vanaf nul, maar heeft traditioneel geleund op een strikte regel: de nieuwe sequentie moet sterk lijken op de sequenties die in de natuur voorkomen.
Een team onderzoekers aan de University of Texas at Dallas heeft deze regel uitgedaagd. Ze ontwikkelden een nieuw computermodel dat ontworpen is om eiwitsequenties te creëren die in een specifieke vorm vouwen zonder een natuurlijk eiwit te hoeven kopiëren. Hun aanpak, die in een recente studie wordt toegelicht, suggereert dat het pad naar een correcte vorm niet uniek is en dat een model kan leren om structuren direct op te bouwen, waarbij de specifieke volgorde van aminozuren volledig wordt genegeerd. Door hun systeem te trainen om alleen om de uiteindelijke 3D-vorm te geven, bereikten ze resultaten die net zo nauwkeurig zijn als de leidende methoden die zich richten op het kopiëren van de natuur, wat bewijst dat een eiwit niet op een natuurlijk eiwit hoeft te lijken om als zodanig te kunnen functioneren.
De onderzoekers bouwden hun model met behulp van een type kunstmatige intelligentie genaamd een graph neural network. In dit systeem wordt het eiwit niet gezien als een eenvoudige lijst met letters, maar als een kaart van punten verbonden door lijnen. Elk punt vertegenwoordigt een deel van de ruggengraat van het eiwit, en de lijnen verbinden de dichtstbijzijnde buren in de ruimte. Het model neemt de coördinaten van een doelvorm als input en begint te raden welke aminozuren op elk punt moeten zitten. De cruciale innovatie ligt in de manier waarop het model leert. In plaats van te horen: "Je hebt het verkeerde lettertype geraden, probeer het opnieuw," krijgt het model te zien welke vorm de gok van het model zou creëren. Het gebruikt een krachtige, bestaande tool om de eigen voorspelde sequentie in een 3D-structuur te vouwen en vergelijkt dat resultaat vervolgens met de doelvorm. Als de vormen niet overeenkomen, past het model de gokken aan om het verschil te verkleinen. Dit proces stelt het model in staat om direct te leren van de geometrie van het eiwit, waardoor de noodzaak om de oorspronkelijke aminozuursequenties uit de natuur te memoriseren of te repliceren, wordt omzeild.
Om dit idee te testen, trainden de onderzoekers hun model op een enorme collectie eiwitstructuren uit een publieke database, waarbij ze deze in kleinere, uniforme stukken sneden om variatie te garanderen. Vervolgens vroegen ze het model om sequenties te ontwerpen voor 224 specifieke eiwitvormen die het nog nooit eerder had gezien. Voor elke vorm genereerde het model een sequentie, die vervolgens door dezelfde voorspellingstool werd gevouwen om te zien hoe goed deze overeenkwam met de doelvorm. De resultaten waren opmerkelijk. Het model produceerde sequenties die vouwden in structuren met een nauwkeurigheid die statistisch niet te onderscheiden was van ProteinMPNN, een zeer gerespecteerde methode die zich richt op het herstellen van de oorspronkelijke natuurlijke sequentie. Hoewel de sequenties van het nieuwe model erg verschillend waren van de natuurlijke, waren de vormen die ze vormden bijna identiek aan de doelvorm.
De studie vond dat het nieuwe model een structurele precisie bereikte die overeenkomt met de industriestandaard, ook al herstelde het de oorspronkelijke aminozuursequentie minder dan 30 procent van de tijd, vergeleken met ongeveer 31 procent voor de traditionele methode. Deze kloof in sequentieherstel tastte de structurele uitkomst niet aan. De onderzoekers observeerden dat er voor veel doelvormen meerdere verschillende sequenties konden zijn die dezelfde vouwing produceren. In sommige gevallen presteerde het nieuwe model zelfs beter dan de natuurlijke sequentie of de traditionele methode bij specifieke delen van het eiwit, wat suggereert dat de natuur niet altijd de enige mogelijke oplossing voor een bepaalde vorm gebruikt. De bevindingen wijzen erop dat de strikte vereiste om natuurlijke sequenties na te bootsen niet nodig is voor het creëren van functionele eiwitten.
Dit werk demonstreert dat een model dat puur getraind is op structurele nauwkeurigheid kan concurreren met methoden die getraind zijn op sequentieherstel. De onderzoekers merkten op dat hun aanpak de mogelijkheid biedt om eiwitten te ontwerpen die niet in de natuur bestaan, wat de deur opent naar het creëren van geheel nieuwe biologische instrumenten. Ze erkenden echter ook beperkingen. Het model is afhankelijk van de nauwkeurigheid van de vouwingstool die het voor de training gebruikt, wat betekent dat eventuele fouten in die tool worden doorgegeven aan de nieuwe ontwerpen. Daarnaast gebruikte de studie afgekapte eiwitfragmenten, wat soms het reproduceren van complexe, volledige structuren onmogelijk maakte. Ondanks deze beperkingen blijft de kernbevinding robuust: de vorm van een eiwit kan de primaire gids zijn voor de creatie ervan, en de specifieke sequentie van aminozuren is flexibeler dan voorheen werd gedacht. De studie concludeert dat door de nadruk te leggen op de uiteindelijke vorm in plaats van op het historische recept, wetenschappers de mogelijkheden van eiwitontwerp kunnen uitbreiden voorbij de grenzen van de natuurlijke evolutie.
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.