AmyloCore-ML: AI/Machine Learning Enabled Identification of Amyloid Fibril Core Regions Using Protein Language Models

As proteínas são as operárias da vida, dobrando-se em formas intrincadas para realizar tarefas essenciais dentro de nossas células. No entanto, quando essas proteínas funcionam mal, elas podem se dobrar incorretamente e se agrupar em estruturas rígidas, semelhantes a cordas, chamadas fibrilas amiloides. Esse processo está no cerne de várias doenças neurodegenerativas devastadoras, incluindo o Alzheimer e o Parkinson. Por décadas, os cientistas entenderam que essas fibrilas não são pilhas aleatórias de proteínas; elas possuem um núcleo altamente ordenado e estável, onde as fitas de proteína se travam em um padrão específico. No entanto, um enigma crítico permanecia: embora uma proteína possa ser longa e complexa, apenas um segmento específico dela realmente faz parte deste núcleo rígido e ordenado. O restante da proteína frequentemente permanece desordenado ou pende frouxamente no exterior. Saber exatamente quais aminoácidos formam este núcleo sólido é vital para entender como essas doenças se desenvolvem e para projetar medicamentos que possam interromper o processo, mas identificar essas regiões específicas apenas a partir do código genético da proteína provou ser um desafio difícil.

Pesquisadores há muito tentam prever essas regiões de agrupamento perigosas usando programas de computador que buscam padrões químicos simples, como extensões de aminoácidos que naturalmente gostam de se unir. No entanto, um novo estudo sugere que esses métodos tradicionais falham porque confundem a tendência geral de uma proteína de se agrupar com a realidade específica do que realmente se trava na estrutura rígida final. Para resolver isso, uma equipe de cientistas desenvolveu uma nova ferramenta chamada AmyloCore-ML. Em vez de apenas procurar por manchas pegajosas, esta ferramenta foi treinada para reconhecer a "gramática" precisa da sequência que termina dentro do núcleo sólido de uma fibrila, distinguindo-a das partes da mesma proteína que não o fazem. Ao aprender com imagens de alta resolução de fibrilas reais, o sistema aprendeu a detectar as sutis diferenças entre o núcleo ordenado e o restante desordenado, oferecendo uma visão muito mais nítida de onde reside o perigo.

A equipe começou reunindo uma coleção massiva de estruturas de fibrilas resolvidas experimentalmente de um banco de dados público conhecido como Amyloid Atlas. Eles selecionaram cuidadosamente 69 proteínas diferentes, examinando os mapas detalhados de suas formas de fibrila para ver exatamente quais resíduos estavam travados no núcleo ordenado e quais ficaram do lado de fora. Eles trataram os resíduos travados como o "núcleo" e o restante da proteína da mesma molécula como o controle "não-núcleo". Essa abordagem foi crucial porque permitiu que o computador aprendesse a diferença entre duas partes da mesma proteína sob as mesmas condições, em vez de comparar proteínas não relacionadas. Os pesquisadores então dividiram essas sequências de proteínas em janelas sobrepostas de comprimentos variados e as alimentaram em um sistema de aprendizado de máquina. Eles testaram duas maneiras diferentes de descrever a proteína: uma usando propriedades químicas padrão e outra usando modelos de linguagem avançados que entendem o contexto dos aminoácidos, de forma semelhante a como um leitor entende como o significado de uma palavra muda com base na frase em que ela está inserida.

Os resultados mostraram que os modelos de linguagem avançados eram muito superiores às descrições químicas tradicionais. O sistema aprendeu que a identidade do núcleo não se trata apenas de uma sequência curta e pegajosa, mas depende fortemente do bairro de aminoácidos ao redor. Quando os pesquisadores testaram seus melhores modelos, descobriram que podiam distinguir regiões do núcleo de regiões não-núcleo com alta precisão, alcançando uma pontuação de aproximadamente 0,88 em uma escala onde 1,0 é perfeito. Mais importante ainda, quando escanearam proteínas inteiras, de comprimento total, para ver se conseguiam localizar o núcleo, a ferramenta conseguiu apontar com sucesso as regiões do núcleo experimental. A melhor versão do modelo conseguiu localizar o centro do núcleo dentro de uma distância média de apenas 1 de 12,4 resíduos, uma melhoria significativa em relação às ferramentas existentes que frequentemente erram por margens muito maiores.

Para garantir que suas descobertas fossem robustas, a equipe comparou seu novo preditor com outras duas ferramentas conhecidas projetadas para encontrar regiões propensas à agregação. A nova ferramenta superou consistentemente as outras, não apenas ao classificar quais resíduos têm maior probabilidade de estarem no núcleo, mas também ao localizar fisicamente o segmento correto da proteína. Os pesquisadores observaram que, enquanto outras ferramentas poderiam identificar uma região como geralmente propensa ao agrupamento, seu modelo identificava especificamente a parte que se torna estruturalmente incorporada na fibrila madura. Essa distinção é vital porque uma região pode ser capaz de iniciar um agrupamento, mas não necessariamente terminar na estrutura estável final. O estudo também confirmou que o uso de janelas mais longas de aminoácidos proporcionava melhores resultados, sugerindo que o sinal para a formação de um núcleo é espalhado por uma área mais ampla, em vez de estar confinado a um ponto minúsculo e isolado.

A equipe validou sua abordagem testando-a em proteínas completamente novas para o sistema, incluindo mioglobina de cavalo, P02070, Oat 11S globulina, Oat 12S seed storage globulin 2 e a proteína de membrana integral humana 2B. Sem qualquer retreinamento ou ajuste, a ferramenta identificou com sucesso segmentos de núcleo de alta probabilidade que se sobrepunham às estruturas experimentalmente resolvidas dessas proteínas não vistas. Isso demonstrou que o sistema aprendeu uma regra geral sobre como as proteínas se dobram em fibrilas, em vez de apenas memorizar os exemplos específicos para os quais foi treinado. Os pesquisadores disponibilizaram sua ferramenta gratuitamente através de uma interface online interativa, permitindo que outros cientistas insiram sequências de proteínas e vejam instantaneamente um mapa de onde o núcleo amiloide provavelmente se formará. Ao mudar o foco da viscosidade geral para a arquitetura específica do núcleo da fibrila, este trabalho fornece uma maneira mais clara e precisa de entender a mecânica molecular dessas doenças, potencialmente guiando o design de futuras terapias que visem as superfícies exatas onde essas estruturas prejudiciais se montam.