Multiscale autoregressive modeling generates ordered protein conformational trajectories
Het artikel introduceert TEMPO, een hiërarchisch autoregressief model dat efficiënt lange, geordende eiwitconformatie-trajecten genereert met aanzienlijk verminderde foutaccumulatie en een hoge getrouwheid aan moleculaire dynamica-gegevens, waarbij het bestaande methoden zoals AlphaFlow overtreft.
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 werkende machines van het leven, kleine moleculaire structuren die zich opvouwen in specifieke vormen om taken uit te voeren zoals het transporteren van zuurstof, het bestrijden van infecties of het verzenden van signalen tussen cellen. Deze machines zijn echter geen statische standbeelden; ze bewegen, ademen en verschuiven voortdurend van vorm om hun werk te doen. Een eiwit kan beginnen in een gesloten positie, opengaan om een molecuul te grijpen, en dan dichtklappen om het te veranderen. Wetenschappers weten al lang dat het begrijpen van deze bewegingen even belangrijk is als het kennen van de uiteindelijke vorm, omdat het pad dat een eiwit aflegt van de ene naar de andere staat vaak de sleutel bevat tot hoe het werkt of hoe het door een medicijn gestopt kan worden. Decennialang hebben onderzoekers geprobeerd deze bewegingen te simuleren met krachtige computers die de fysica van elk atoom berekenen, maar deze simulaties zijn ongelooflijk traag en duur, waarbij vaak weken nodig zijn om slechts enkele seconden aan beweging van een enkel eiwit te genereren. Deze beperking heeft het moeilijk gemaakt om te bestuderen hoe verschillende eiwitten bewegen of om de paden van veel verschillende moleculen zij aan zij te vergelijken.
Om dit probleem op te lossen, heeft een team van onderzoekers een nieuwe kunstmatige intelligentie-tool ontwikkeld genaamd TEMPO, die lange, geordende sequenties van eiwitbewegingen kan generen in een fractie van de tijd die het voorheen kostte. In plaats van te proberen elke individuele fysieke kracht tussen atomen te berekenen, leert TEMPO van duizenden bestaande computersimulaties om de patronen te herkennen van hoe eiwitten van nature evolueren over de tijd. Het systeem werkt als een camera met twee snelheden: het voorspelt eerst de grote, langzame verschuivingen in de vorm van het eiwit, die fungeren als ankerpunten, en vult vervolgens de snelle, kleinere trillingen en fluctuaties in die tussen die ankers plaatsvinden. Deze aanpak stelt het model in staat om een vloeiende, continue film van de levenscyclus van een eiwit te maken zonder de fouten die normaal gesproken ophopen wanneer computers stap voor stap over lange perioden proberen te voorspellen. De onderzoekers testten deze methode op een grote verscheidenheid aan eiwitten, waaronder enzymen die cellen helpen energie te produceren en een grote familie van eiwitten genaamd kinasen die veel cellulaire processen reguleren.
De resultaten laten zien dat TEMPO de statistische eigenschappen van echte eiwitbewegingen met opmerkelijke nauwkeurigheid kan recreëren. Wanneer het team de gegenereerde sequenties vergeleken met de gouden standaard van natuurkundige simulaties, kwam het nieuwe model bijna perfect overeen met de verwachte bewegingspatronen. Bijvoorbeeld, het model voorspelde correct hoeveel verschillende delen van een eiwit zouden trillen en hoe de algehele vorm zou veranderen, waarbij het een niveau van overeenstemming bereikte dat de vorige methoden ver overtrof. In één specifieke test met een eiwit dat opent en sluit als een schelp, genereerde het model succesvol een continu pad van de gesloten staat naar de open staat, waarbij een logische progressie van contactveranderingen werd getoond die overeenkwam met wat wetenschappers in echte experimenten zien. De snelheid van deze nieuwe methode is ook een grote doorbraak; het genereren van een sequentie van 400 frames duurde minder dan een minuut, een taak die met oudere technieken uren of dagen zou hebben geduurd.
Naast snelheid en nauwkeurigheid toonde de studie aan dat TEMPO gestuurd kan worden om specifieke soorten bewegingen te produceren. De onderzoekers lieten zien dat ze het model konden sturen om eiwitten in specifieke lokale vormen te genereren, zoals een bepaalde configuratie van een chemisch motief bekend als DFG, wat een cruciaal doelwit is voor veel medicijnen. Door eenvoudige regels toe te passen tijdens het generatieproces, konden ze het model aansturen om structuren te creëren die leken op de "aan"- of "uit"-standen van deze eiwitten, waarbij ze dit succesvol deden voor tientallen verschillende kinasen. Dit suggereert dat het model de onderliggende regels van eiwitflexibiliteit goed genoeg heeft geleerd om naar specifieke uitkomsten te worden gestuurd zonder voor elk nieuw eiwit opnieuw getraind te hoeven worden. Het team paste de tool ook toe op een groep eiwitten genaamd G-eiwitgekoppelde receptoren, die in celmembranen zijn ingebed en betrokken zijn bij het waarnemen van de omgeving, waarmee werd aangetoond dat het model zijn kennis kon overdragen naar eiwitten die het nog nooit eerder had gezien.
De studie bevestigt dat eiwitten op een hiërarchische manier bewegen, waarbij langzame, grootschalige veranderingen het kader bieden voor snellere, lokale trillingen. Door deze twee schalen van beweging van elkaar te scheiden, slaagden de onderzoekers erin om de computer uit koers te houden, een veelvoorkomend probleem waarbij kleine fouten zich over tijd ophopen en een onzinnige uiteindelijke vorm creëren. Hoewel de huidige versie van de tool zich richt op de ruggengraatstructuur van het eiwit en nog geen water, ionen of chemische liganden bevat, biedt het een krachtig nieuw kader om te vergelijken hoe verschillende eiwitten bewegen. Deze capaciteit opent de deur naar het snel screenen van hoe mutaties of medicijnen het dynamische gedrag van eiwitten kunnen veranderen, wat een nieuwe lens biedt om naar de moleculaire machines van het leven te kijken. Het werk vervangt niet de noodzaak voor gedetailleerde fysieke simulaties, maar biedt een snelle, betrouwbare aanvulling die wetenschappers in staat stelt om het enorme landschap van eiwitbeweging te verkennen met een helderheid en snelheid die voorheen onbereikbaar was.
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.