GLOM TGITO: multiscale protein modelling and multiview landscape-guided sequence discovery

A engenharia de proteínas é a arte de reescrever o código biológico da vida para criar moléculas que realizam novas tarefas. No cerne deste campo reside um desafio simples, mas difícil: os cientistas possuem uma vasta biblioteca de sequências de proteínas, mas só conseguem testar uma fração minúscula delas em laboratório. O objetivo é encontrar as variantes raras e de alto desempenho escondidas dentro desse imenso mar de possibilidades sem ter que construir e medir cada uma delas. Para fazer isso, os pesquisadores utilizam modelos computacionais que aprendem com os poucos exemplos que mediram. Esses modelos tentam prever como uma mudança na sequência da proteína afetará sua função, como o quão intensamente uma proteína fluorescente irá brilhar. No entanto, um grande problema existe: esses modelos frequentemente se tornam excessivamente confiantes. Eles podem prever que uma sequência completamente nova e não testada será brilhante, simplesmente porque ela se parece um pouco com as brilhantes que eles já viram antes, mesmo que o modelo não tenha evidências reais para apoiar essa afirmação. Isso leva ao desperdício de esforço perseguindo sequências que parecem boas em uma tela de computador, mas falham no mundo real.

Uma equipe de pesquisadores desenvolveu uma nova abordagem chamada GLOM–TGITO para resolver este problema específico. Em vez de depender de uma visão única e rígida da proteína, seu sistema constrói um mapa multicamadas da estrutura e do comportamento da proteína. Imagine olhar para uma paisagem não apenas de um satélite, mas também de um drone, de um topo de colina e de uma visão ao nível da rua simultaneamente. Os pesquisadores fizeram algo semelhante, analisando a proteína em três escalas diferentes: a molécula inteira, regiões específicas da molécula e pontos-chave individuais onde as mudanças mais importam. Ao combinar essas diferentes perspectivas, o sistema consegue enxergar o "terreno" do desempenho proteico com mais clareza. Ele usa esse mapa detalhado para guiar sua busca, garantindo que, ao propor uma nova proteína mais brilhante, esteja fazendo isso a partir de uma base de evidências locais sólidas, e não de um palpite cego.

Os pesquisadores testaram este método em um conjunto de dados contendo mais de 31.000 versões medidas de uma proteína fluorescente chamada ppluGFP2. Eles treinaram seu modelo para prever o brilho dessas proteínas com base em suas sequências genéticas. Quando compararam seu novo sistema com os métodos existentes mais fortes, os resultados foram impressionantes. O novo modelo cometeu significativamente menos erros de previsão. Mais importante ainda, quando usaram o modelo para buscar os 100 melhores candidatos mais brilhantes, quase todos — 96,3% em um teste e 97,3% em outro — eram de fato brilhantes quando medidos em laboratório. Em contraste, os melhores métodos concorrentes conseguiram encontrar proteínas brilhantes em apenas cerca de metade de suas escolhas principais. Isso sugere que o novo sistema é muito melhor em distinguir entre sequências que são verdadeiramente promissoras e aquelas que apenas parecem promissoras para um computador confuso.

O poder deste sistema reside em como ele lida com a incerteza. À medida que o computador busca por melhores proteínas, ele verifica constantemente sua própria confiança. Ele pergunta: "Eu tenho dados reais suficientes por perto para confiar nesta previsão?" Se o modelo estiver entrando em uma região onde tem pouco suporte experimental, ele se torna cauteloso. Ele utiliza um portão dinâmico para ponderar as diferentes visões da paisagem proteica, priorizando aquelas respaldadas por medições reais. Este processo permitiu aos pesquisadores encontrar 2.594 sequências candidatas distintas em sua busca. Quando filtraram essas sequências para as 100 melhores, as proteínas selecionadas não apenas foram previstas como brilhantes, mas também mostraram um "desvio" muito menor em relação aos dados de treinamento conhecidos. Em termos simples, essas novas proteínas eram novas o suficiente para serem interessantes, mas próximas o suficiente do que o modelo sabia ser confiável. Esse equilíbrio permitiu que encontrassem 38 candidatos que eram simultaneamente novos e confiáveis, um número que foi mais do que o dobro do que outros métodos produziram.

Para entender por que essas novas proteínas funcionaram, os pesquisadores realizaram simulações computacionais detalhadas de seu comportamento físico. Eles observaram como as proteínas se moviam e como suas superfícies interagiam com a água. Descobriram que muitos dos designs bem-sucedidos possuíam manchas menores e menos "pegajosas" em sua superfície. No mundo das proteínas, ter uma superfície menos pegajosa frequentemente ajuda a molécula a se dobrar corretamente e evita o agrupamento, o que é essencial para que ela brilhe intensamente. Além da superfície, as simulações revelaram mudanças profundas no núcleo da proteína, perto da parte que realmente emite luz. Em alguns dos principais designs, a estrutura interna segurava a parte emissora de luz de forma mais firme, reduzindo sua oscilação. Em outros, as ligações químicas que mantêm a parte emissora de luz no lugar eram mais estáveis. Essas mudanças físicas forneceram uma explicação clara de por que as escolhas do computador foram bem-sucedidas: as novas sequências criaram um ambiente mais estável para a luz brilhar.

Este trabalho demonstra que combinar uma visão detalhada e multiescalar de uma proteína com uma verificação cuidadosa de evidências locais pode melhorar dramaticamente a busca por melhores ferramentas biológicas. Os pesquisadores não apenas encontraram proteínas mais brilhantes; eles encontraram uma maneira de encontrá-las com confiança. Ao garantir que cada nova sugestão seja respaldada por uma compreensão sólida do cenário local, eles evitaram a armadilha da excessiva confiança que assolou tentativas anteriores. O resultado é um fluxo de trabalho que produz um alto rendimento de proteínas fluorescentes verdadeiramente funcionais e brilhantes, oferecendo um caminho mais confiável para o design da próxima geração de sensores e ferramentas biológicas. O estudo confirma que, quando ensinamos computadores a olhar para as proteínas de múltiplos ângulos e a respeitar os limites de seu próprio conhecimento, podemos descobrir novas funções biológicas que antes estavam fora de alcance.