De novo design of flexible protein interactions with GuideFlip

No mundo microscópico da biologia, a vida frequentemente depende de um delicado jogo de reconhecimento molecular. As proteínas, as operárias da célula, devem encontrar e agarrar parceiros específicos para enviar sinais, construir estruturas ou combater infecções. Durante décadas, os cientistas entenderam que muitas dessas interações dependem de um princípio de chave-fechadura, onde uma proteína rígida se encaixa perfeitamente em um alvo rígido. No entanto, a natureza é muito mais fluida do que essa imagem simples sugere. Muitas proteínas cruciais são intrinsecamente desordenadas, o que significa que não possuem uma forma fixa até encontrarem seu parceiro. Elas são como fios emaranhados que só assumem uma forma específica quando se ligam a algo mais. Essa flexibilidade permite que realizem tarefas complexas, como regular o crescimento celular ou responder ao estresse, mas também as torna incrivelmente difíceis de estudar ou projetar. Os métodos tradicionais para projetar novas proteínas geralmente exigem um modelo rígido pré-existente do alvo para trabalhar. Quando o alvo é um fio que muda de forma, esses métodos costumam falhar porque não há uma forma fixa para se projetar.

Uma equipe de pesquisadores desenvolveu agora uma nova abordagem chamada GuideFlip, que resolve esse problema ao projetar a proteína e sua forma ao mesmo tempo. Em vez de tentar forçar um design rígido sobre um alvo flexível, este método permite que os dois evoluam juntos. Os pesquisadores usaram este sistema para criar proteínas inéditas que podem agarrar as extremidades desordenadas de duas importantes proteínas humanas: uma envolvida na doença de Parkinson e outra que controla a divisão celular. Em testes de laboratório, os novos designs funcionaram com um sucesso surpreendente. A equipe também usou a mesma técnica para construir um minúsculo anticorpo que pode distinguir entre dois formatos diferentes de um receptor cardíaco, ligando-se apenas à versão ativa. Esses resultados mostram que é possível projetar proteínas que podem capturar e estabilizar alvos que não têm forma fixa até serem capturados, abrindo as portas para o tratamento de doenças que antes estavam fora do alcance das terapias baseadas em proteínas.

O desafio central que os pesquisadores enfrentaram foi que os programas de computador padrão para o design de proteínas operam em duas etapas separadas. Primeiro, eles geram uma estrutura de esqueleto rígida e, segundo, preenchem a sequência de aminoácidos para se ajustar a essa forma. Isso funciona bem quando o alvo é um objeto sólido e imutável. Mas quando o alvo é uma proteína desordenada e maleável, o processo de design entra em colapso. Se o computador tentar projetar um ligante para uma forma que ainda não existe, ele frequentemente cria sequências que não se parecem em nada com proteínas naturais, favorecendo aglomerados hidrofóbicos e gordurosos que se agrupariam na célula em vez de se ligarem a um alvo. Os pesquisadores perceberam que, para ter sucesso, precisavam de um sistema onde a sequência e a estrutura pudessem influenciar uma à outra continuamente.

Para alcançar isso, eles construíram o GuideFlip, um framework que utiliza uma técnica chamada correspondência de fluxo discreto guiado (guided discrete flow matching). Imagine tentar encontrar um caminho através de uma floresta densa onde as árvores se movem conforme você caminha. Em vez de mapear toda a floresta primeiro e depois caminhar, o GuideFlip dá um passo, vê como as árvores se deslocaram e então decide o próximo passo com base nessa nova visão. No modelo de computador, o sistema começa com um palpite aleatório de uma sequência de proteína. Ele então prevê como essa sequência se dobraria e se ligaria ao alvo. Com base nessa previsão, ele ajusta ligeiramente a sequência, prevendo novamente a nova forma. Esse ciclo se repete, com a sequência e a estrutura prevista evoluindo juntas. Uma parte fundamental do sistema é um "guia" que mantém o design com aparência de uma proteína real e solúvel, evitando que se transforme naqueles aglomerados gordurosos e inúteis. Outra parte do sistema utiliza um poderoso motor de predição de estrutura para garantir que o ligante realmente se ajuste ao alvo. Ao combinar essas duas forças, o sistema pode navegar pelo complexo cenário das interações flexíveis.

Os pesquisadores colocaram este método à prova em dois alvos difíceis. O primeiro foi a extremidade final de uma proteína chamada alfa-sinucleína. Esta proteína é famosa por se agrupar nos cérebros de pessoas com a doença de Parkinson. A extremidade final é desordenada e nunca foi vista em uma forma fixa, tornando-a um pesadelo para o design tradicional. A equipe pediu ao GuideFlip para criar um ligante para esta região específica sem fornecer nenhuma forma pré-existente. O computador gerou milhares de designs, que foram então filtrados para encontrar os candidatos mais promissores. Os pesquisadores sintetizaram os principais candidatos e os testaram em laboratório. Eles descobriram que sete de trinta e sete designs se ligaram com sucesso ao alvo. Dois destes, chamados dnAS15 e dnAS36, mostraram uma ligação forte. Para provar que estavam se ligando ao lugar certo, a equipe encurtou a proteína alvo, removendo a extremidade final, e descobriu que os ligantes não se prendiam mais. Eles também usaram ressonância magnética nuclear, uma técnica que rastreia o movimento de átomos, para confirmar que os ligantes estavam de fato agarrando a extremidade desordenada e estabilizando-a em uma forma específica.

O segundo teste envolveu uma proteína chamada RBX1, que atua como um interruptor para a divisão celular. Sua seção inicial também é desordenada até que se ligue a uma máquina maior na célula. Os pesquisadores projetaram ligantes para esta seção inicial maleável. Em um teste estilo competição, eles submeteram seus designs a um grupo independente para avaliação. Dois de seus designs, dnRB1 e dnRB2, mostraram-se capazes de se ligar fortemente ao alvo. Uma rodada subsequente de design produziu um ligante ainda mais forte, o dnRB8, que se manteve com uma afinidade de 4,5 nanomolar, uma medida de quão fortemente duas moléculas se aderem. Para garantir que esses ligantes estavam funcionando como pretendido, a equipe mutou partes específicas do ligante e observou a queda na força de ligação, confirmando que o design havia identificado corretamente os pontos de contato.

A equipe também explorou se este método poderia funcionar quando a flexibilidade estava do lado do ligante, e não do alvo. Eles focaram em um receptor no coração chamado receptor beta-1 adrenérgico, que muda de forma quando recebe um sinal. Eles queriam criar um minúsculo anticorpo, chamado nanocorpo, que se ligaria ao receptor apenas quando este estivesse em seu estado ativo, "ligado", ignorando o estado inativo, "desligado". Usando uma estrutura de anticorpo conhecida como arcabouço (scaffold), eles pediram ao GuideFlip para redesenhar as alças flexíveis que fazem contato com o receptor. O sistema gerou dezesseis novos designs. Quando testados, quinze deles se expressaram bem em bactérias, e doze deles se ligaram ao receptor apenas quando este era ativado por uma droga. Um design, NbIC20, ligou-se com alta afinidade. Os pesquisadores então usaram criomicroscopia eletrônica, um método que tira fotos 3D de moléculas com resolução quase atômica, para ver exatamente como funcionava. As imagens confirmaram que o nanocorpo projetado se ligou ao receptor no estado ativo, coincidindo com o modelo computacional com uma precisão notável. A estrutura mostrou que as alças flexíveis do nanocorpo haviam adotado a forma exata prevista pelo design, travando o receptor em sua forma ativa.

Esses experimentos demonstram que a antiga separação entre projetar uma forma e projetar uma sequência não é mais necessária. Ao permitir que as duas evoluam juntas, o GuideFlip pode enfrentar problemas que eram anteriormente considerados difíceis demais, como a ligação a proteínas que não possuem uma forma fixa ou a criação de ligantes que são sensíveis a mudanças sutis na forma de um alvo. Os pesquisadores também observaram que seu método produziu proteínas que têm maior probabilidade de serem solúveis e estáveis em uma célula em comparação com outras abordagens de design que dependem de técnicas de otimização mais simples. Embora o estudo tenha focado em proteínas específicas, o framework é geral o suficiente para ser aplicado a outros problemas de reconhecimento molecular. A capacidade de projetar proteínas que podem estabilizar interações flexíveis e efêmeras sugere uma nova era na engenharia molecular, onde os cientistas podem construir ferramentas para capturar e controlar as partes mais dinâmicas da maquinaria celular.