Affinity-guided design of PDZ-binding peptides in a shared latent space
Dit artikel presenteert een deep learning-methode die gebruikmaakt van een gedeelde latente ruimte van PDZ-PBM-affiniteiten om analytisch de vormgeving van peptiden te formuleren en te begeleiden voor single-target, off-target-bewuste en dual-target bindingsdoelstellingen zonder dat modelhertraining vereist is.
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 fungeren eiwitten als de werkers, boodschappers en structurele balken die het leven draaiende houden. Om hun werk te doen, moeten deze eiwitten vaak aan elkaar grijpen, waardoor ze tijdelijke of permanente teams vormen. Dit grijpen is niet willekeurig; het berust op specifieke vormen en chemische signalen, vergelijkbaar met een sleutel die in een slot past. Een van de meest voorkomende manieren waarop eiwitten elkaar herkennen, omvat korte, staartachtige sequenties aan het uiteinde van een eiwitketen. Deze staartjes, bekend als PDZ-bindingsmotieven, glijden in overeenkomstige zakjes op andere eiwitten die PDZ-domeinen worden genoemd. Deze verbinding helpt de cel te organiseren, door te bepalen waar een eiwit naartoe gaat en met welke partners het zich verbindt. Omdat deze herkenningsregels overlappen, kan een enkele staartsequentie soms aan verschillende verschillende partners binden, wat een complex web van interacties creëert dat wetenschappers graag zouden kunnen bewerken. Als onderzoekers deze minuscule staartjes zouden kunnen aanpassen, zouden ze potentieel eiwitten naar nieuwe locaties kunnen omleiden of ze kunnen dwingen nieuwe teams te vormen, zonder de rest van de massieve structuur van het eiwit te veranderen.
De uitdaging is geweest dat het ontwerpen van deze nieuwe staartjes moeilijk is. Traditionele computermethoden hebben vaak moeite om twee concurrerende doelen in evenwicht te houden: een eiwit stevig te laten binden aan één specifieke partner, terwijl het andere, vergelijkbare partners vermijdt. Meestal vereist het oplossen hiervan het bouwen van een apart, op maat gemaakt computermodel voor elk afzonderlijk doel-eiwit, een traag en repetitief proces. Een nieuwe studie door onderzoekers van de Nagoya University en de Institute of Science Tokyo biedt een ander pad. In plaats van veel afzonderlijke modellen te bouwen, trainden zij één enkel kunstmatig intelligentiesysteem om de taal van deze eiwitinteracties te begrijpen. Door zowel de eiwitzakjes als de staartsequenties in kaart te brengen in een gedeelde, onzichtbare wiskundige ruimte, ontdekten het team dat ze het ontwerpproces konden sturen door simpelweg in verschillende richtingen binnen die ruimte te wijzen.
De onderzoekers begonnen door hun systeem te voeden met een enorme dataset van meer dan 57.000 gemeten interacties tussen PDZ-domeinen en hun bindingsstaartjes. Het systeem leerde hoe sterk een gegeven staartje aan een gegeven zakje zou plakken, waarbij het deze biologische metingen vertaalde naar een gedeelde kaart waar vergelijkbare interacties dicht bij elkaar liggen. Zododien deze kaart was gebouwd, hoefde het team het systeem niet opnieuw te trainen om het doel te veranderen. Om een staartje te vinden dat sterk bindt aan slechts één doel, stuurden ze de zoektocht simpelweg richting het punt op de kaart dat dat doel vertegenwoordigt. Om een staartje te vinden dat aan een doel bindt maar een vergelijkbare, ongewenste partner negeert, wezen ze de zoektocht in een richting die de afstand tussen de twee maximaliseert. Om een staartje te vinden dat even goed bindt aan twee verschillende doelen, richtten ze zich op de ruimte precies tussen hen in.
De resultaten van deze aanpak waren opmerkelijk. Wanneer het team het systeem vroeg om een bekend staartje te herontwerpen zodat het beter bindt aan een specifiek eiwit, genereerde de computer een lijst met topkandidaten. Wanneer deze kandidaten werden getest tegen een enorme bibliotheek van meer dan 100.000 eerder gemeten sequenties, was de beste keuze uit de nieuwe methode de absolute topper uit de gehele bibliotheek. Bovendien behoorden 84 van de top 100 door de nieuwe methode voorgestelde kandidaten tot de top 1% van alle experimenteel gemeten interacties. Deze prestatie overtrof de bestaande methoden aanzienlijk, die slechts 64 kandidaten in die toplaag vonden. Het systeem slaagde ook wanneer het werd gevraagd om volledig nieuwe tien-residuele staartjes vanaf nul te ontwerpen voor vier verschillende eiwitten, waarbij het consequent sequenties produceerde die hoger scoorden in computersimulaties van bindingssterkte dan de sequenties gegenereerd door andere leidende tools.
De studie demonstreerde ook de flexibiliteit van dit enkele model. Wanneer de onderzoekers het systeem vroegen om een staartje te ontwerpen dat aan één eiwit zou binden terwijl het een specifieke look-alike vermijdt, vertoonden de resulterende kandidaten een duidelijke voorkeur voor het beoogde doel boven de ongewenste variant in simulaties. Omgekeerd, wanneer het werd gevraagd om gelijktijdig aan twee verschillende eiwitten te binden, produceerde het systeem staartjes die goed presteerden voor beide, zittend tussen de ontwerpen voor de twee afzonderlijke doelen in. De onderzoekers visualiseerden deze resultaten door de gegenereerde sequenties op een bol te plotten, wat liet zien dat de verschillende ontwerpdoelen de kandidaten op natuurlijke wijze in verschillende regio's van de kaart duwden.
Hoewel de computersimulaties en vergelijkingen met bestaande gegevens zeer veelbelovend zijn, merken de auteurs op dat de nieuw ontworpen staartjes nog niet in een nat laboratorium zijn getest om hun fysieke gedrag te bevestigen. Het huidige succes berust op de nauwkeurigheid van de voorspellingen van de computer en de kwaliteit van de trainingsdata, die ook veel interacties bevat die te zwak zijn om precies te meten. Desalniettemin bewijst het werk dat een enkel, gedeeld begrip van eiwitbinding gebruikt kan worden om complexe ontwerpopdrachten te navigeren zonder telkens opnieuw te beginnen. Door eiwitontwerp te behandelen als het vinden van de juiste richting in een gedeelde ruimte, biedt deze methode een gestroomlijnde manier om de moleculaire verbindingen die onze cellen bij elkaar houden te manipuleren, wat potentieel de deur opent naar een meer precieze controle over hoe eiwitten in de toekomst met elkaar interageren.
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.