Shetti-AI: Precise prediction of protein sequence mutational landscapes to accelerate functional assays
Shetti-AI is een computationeel raamwerk dat fysisch-chemische eigenschappen, genetische afstanden en generative adversarial networks integreert om proteïnemutatie-landschappen te voorspellen en geoptimaliseerde motief-achtige varianten te genereren, waardoor functionele assays worden versneld en experimentele zoekruimtes in de synthetische biologie en virologie worden verkleind.
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
Eiwitten zijn de werkpaarden van het leven, kleine machines gebouwd uit ketens van aminozuren die zich opvouwen in complexe vormen om specifieke taken uit te voeren. Binnen deze lange ketens fungeren korte sequenties van slechts enkele aminozuren vaak als cruciale schakelaars of verbindingspunten, bekend als motieven. Deze kleine regio's bepalen hoe een eiwit interageert met andere moleculen, en een enkele verandering in een van deze letters kan het volledige gedrag van het eiwit veranderen. Wetenschappers weten al lang dat om een eiwit te begrijpen, ze deze motieven moeten begrijpen. Het testen van elke mogelijke variatie van deze korte sequenties in een laboratorium is echter een traag, duur en vaak onmogelijk proces. De ruimte van potentiële veranderingen is simpelweg te groot om met de hand te verkennen, waardoor onderzoekers moeten gokken welke variaties wel zouden werken en welke niet.
Om dit op te lossen, heeft een onderzoeker genaamd Haitham Sobhy een nieuwe computationele tool ontwikkeld genaamd Shetti-AI. Dit systeem is ontworpen om te voorspellen welke veranderingen aan de korte motieven van een eiwit waarschijnlijk succesvol zullen zijn voordat een wetenschapper ooit het laboratorium betreedt. In plaats van uitsluitend te vertrouwen op hoe de natuur in het verleden eiwitten heeft geëvolueerd, kijkt Shetti-AI vooruit door te simuleren hoe een eiwit in de toekomst zou kunnen veranderen. Het begint met een bekend, werkend motief en genereert een lijst met nieuwe, vergelijkbare kandidaten. Het systeem doet dit door twee hoofdfactoren in evenwicht te houden: hoe gemakkelijk het voor de genetische code van een cel is om de verandering te maken, en hoe goed de nieuwe aminozuren de fysieke eigenschappen behouden die nodig zijn voor de functie van het eiwit. Door onwaarschijnlijke opties weg te filteren en de meest veelbelovende te benadrukken, heeft het instrument als doel de enorme zoekruimte terug te brengen naar een beheersbare lijst met experimenten.
Het artikel belicht een specifiek probleem met de huidige kunstmatige intelligentie-tools die in de biologie worden gebruikt. Veel moderne programma's, vaak proteïnelanguage-modellen genoemd, zijn uitstekend in het herkennen van algemene patronen in enorme hoeveelheden genetische data. Echter, zij worstelen met de fijne details van deze korte motieven. Bijvoorbeeld, deze tools kunnen twee zeer verschillende sequenties als bijna identiek behandelen omdat ze op een brede schaal op elkaar lijken, zelfs als een minuscule verandering in één daarvan de capaciteit van het eiwit om aan zijn doelwit te binden zou verbreken. De auteur wijst erop dat deze bestaande tools vaak de subtiele fysieke verschillen tussen aminozuren missen, zoals het vervangen van een geladen deeltje door een neutraal deeltje, wat de functie van een eiwit volledig kan vernietigen. Shetti-AI is specifiek gebouwd om dit blinde vlek te verhelpen door zich te richten op de precieze fysieke en genetische regels die deze kleine, cruciale regio's beheersen.
Het framework werkt door eerst een gevalideerd motief te nemen, een korte sequentie waarvan bekend is dat deze in de natuur werkt, en de eigenschappen ervan in kaart te brengen in een gedetailleerd numeriek profiel. Dit profiel houdt achttien verschillende fysieke kenmerken van de aminozuren in acht, zoals hun grootte, lading en hoe ze met water interageren. Het systeem gebruikt vervolgens een reeks wiskundige modellen om nieuwe variaties te genereren. Eén deel van het systeem fungeert als een conservatief filter, dat controleert of een enkele verandering genetisch toegankelijk is en fysiek vergelijkbaar is met het origineel. Een ander deel gebruikt een meer geavanceerde, generatieve aanpak om geheel nieuwe combinaties van aminozuren te bedenken die misschien nog niet in de natuur bestaan, maar nog steeds de regels van de fysica volgen. Deze gegenereerde kandidaten worden vervolgens gerangschikt op basis van een score die de waarschijnlijkheid dat ze werken afweegt tegen de moeilijkheid om ze genetisch te creëren.
Bij het testen van het systeem gebruikten de onderzoekers een bekend motief dat betrokken is bij het reguleren van menselijke eiwitten als benchmark. De tool identificeerde succesvol variaties die in de natuur bekend zijn om te functioneren, zoals sequenties die verschillen door slechts één of twee letters maar dezelfde vorm en gedrag behouden. Belangrijker nog, het generatieve deel van het systeem suggereerde nieuwe, originele sequenties die dezelfde fysieke eigenschappen deelden als het originele motief. Wanneer vergeleken met een controelsequens die er bekend staat om anders te zijn, identificeerde de tool correct dat de nieuwe kandidaten veel dichter bij het werkende origineel lagen. De resultaten toonden aan dat terwijl sommige modellen beter waren in het vinden van kleine, veilige veranderingen, andere in staat waren om meer verre mogelijkheden te verkennen, wat een scala aan opties biedt afhankelijk van wat de onderzoeker nodig heeft.
Het artikel suggereert dat deze aanpak bijzonder nuttig kan zijn bij het bestuderen van opkomende virussen, waarbij wetenschappers vaak zeer weinig tijd hebben om nieuwe varianten te testen. Door een bekend motief van een verwant virus als startpunt te gebruiken, kan de tool snel een lijst met waarschijnlijke kandidaten genereren om in het lab te testen, wat het ontdekkingsproces versnelt. Het biedt ook een manier om aangepaste eiwitten te ontwerpen voor synthetische biologie, waardoor onderzoekers nieuwe instrumenten kunnen creëren met specifieke fysieke eigenschappen zonder dat ze duizenden mislukte versies hoeven te synthetiseren. De auteur merkt op dat het systeem flexibel is; onderzoekers kunnen de instellingen aanpassen om zeer strikt te zijn, waarbij ze alleen zoeken naar veranderingen die bijna identiek zijn aan het origineel, of meer exploratief, waarbij ze zoeken naar gedurfde nieuwe ontwerpen.
Uiteindelijk vervangt Shetti-AI niet de noodzaak voor laboratoriumexperimenten, maar het verandert de volgorde waarin ze plaatsvinden. In plaats van willekeurige gokken te testen, kunnen wetenschappers de tool gebruiken om de meest veelbelovende kandidaten te prioriteren, waardoor tijd en middelen worden bespaard. Het systeem overbrugt de kloof tussen de rigide regels van de genetica en de vloeiende mogelijkheden van eiwitontwerp, en biedt een manier om met vertrouwen door het enorme landschap van potentiële mutaties te navigeren. Door zich te richten op de fysieke realiteit van hoe eiwitten werken, in plaats van alleen op statistische patronen, biedt het instrument een helderder pad naar het begrijpen van hoe het leven zich aanpast en hoe wij het voor de toekomst kunnen 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.