Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

As proteínas são as máquinas de trabalho da vida, minúsculas máquinas moleculares que se dobram em formas complexas para realizar todas as funções dentro de uma célula. Para entender como uma proteína funciona, os cientistas frequentemente precisam estudar sua forma em detalhes extremos, um processo que geralmente exige que a proteína seja isolada e cristalizada. No entanto, muitas proteínas são muito longas ou muito flexíveis para serem estudadas em uma única peça. Elas são frequentemente construídas a partir de várias unidades distintas e estáveis chamadas domínios, conectadas por regiões flexíveis e não estruturadas que atuam como dobradiças ou espaçadores. Para obter uma imagem clara de um único domínio, os pesquisadores devem cortar a proteína nos pontos certos, removendo as partes flexíveis enquanto mantêm as partes estáveis intactas. Encontrar esses pontos de corte é difícil porque as instruções de onde cortar estão escondidas na sequência de aminoácidos da proteína e, sem uma estrutura 3D conhecida, é como tentar encontrar as costuras de um avião de papel dobrado sem nunca ter visto o papel desdobrado.

Por décadas, os cientistas confiaram em bancos de dados que comparam a sequência de uma proteína com uma biblioteca de proteínas conhecidas e bem estudadas para adivinhar onde esses domínios poderiam estar. Essa abordagem funciona bem quando a proteína é semelhante a algo que já está na biblioteca, mas falha completamente para proteínas novas ou incomuns que não possuem parentes conhecidos. Uma equipe de pesquisadores da Universidade Wilfrid Laurier desenvolveu uma nova ferramenta chamada Seq2DomML que contorna essa limitação. Em vez de procurar correspondências em uma biblioteca de proteínas conhecidas, este novo sistema aprende a reconhecer os padrões químicos e físicos sutis em uma sequência que sinalizam os limites entre domínios estáveis e conectores flexíveis. Ao treinar um modelo de computador em milhares de proteínas bacterianas cujas estruturas já são conhecidas, os pesquisadores criaram um sistema que pode prever onde cortar uma proteína baseando-se apenas em sua sequência de aminoácidos, mesmo que essa proteína nunca tenha sido vista antes.

Os pesquisadores começaram reunindo um conjunto massivo de dados de proteínas bacterianas que haviam sido resolvidas por cristalografia de raios X, uma técnica que revela o arranjo tridimensional preciso dos átomos. Eles filtraram essa lista para remover proteínas que eram muito semelhantes entre si ou que pertenciam a grupos específicos que se comportam de maneira diferente, restando-lhes quase 7.600 cadeias proteicas únicas. Para cada uma dessas cadeias, eles usaram um banco de dados estrutural confiável para marcar cada aminoácido como parte de um domínio estável ou parte de uma região flexível, como um conector ou uma cauda. Para tornar esses limites mais fáceis de serem aprendidos pelo computador, eles expandiram ligeiramente as marcações para as regiões flexíveis, tratando-as como extensões curtas em vez de pontos únicos.

Em seguida, a equipe traduziu a sequência bruta de aminoácidos em um rico conjunto de descrições numéricas para cada posição na proteína. Eles incluíram informações sobre a natureza química de cada aminoácido, sua posição na cadeia e como ele poderia interagir com seus vizinhos. Isso resultou em quase 2.400 características diferentes para cada aminoácido individual. Para gerenciar essa complexidade, os pesquisadores utilizaram um processo de duas etapas para selecionar as características mais úteis. Primeiro, removeram características que eram redundantes ou irrelevantes. Depois, empregaram um algoritmo evolutivo, um método que imita a seleção natural, para testar milhares de combinações diferentes de características para encontrar o conjunto específico que permitisse ao computador fazer as previsões mais precisas.

O núcleo do sistema deles é um tipo de inteligência artificial conhecida como modelo de memória de longo prazo bidirecional (bidirectional long short-term memory). Este modelo é projetado para processar sequências, permitindo que ele entenda que a identidade de um aminoácido específico depende não apenas de seus vizinhos imediatos, mas do contexto mais amplo de toda a cadeia. O modelo foi treinado para prever se cada aminoácido pertencia a um domínio estável ou a uma região flexível. Para lidar com o fato de que as regiões flexíveis são muito mais raras do que as estáveis, os pesquisadores ajustaram o processo de treinamento para dar atenção extra a essas fronteiras mais difíceis de encontrar. Após extensos testes e ajustes, eles estabeleceram uma configuração que equilibrava a necessidade de encontrar todas as regiões flexíveis sem rotular erroneamente partes estáveis como flexíveis.

Quando a equipe testou sua nova ferramenta em um conjunto de proteínas que nunca havia visto antes, os resultados foram promissores. O modelo identificou as fronteiras dos domínios com um alto grau de precisão, superando diversas ferramentas estabelecidas que dependem da comparação de sequências com famílias conhecidas. Embora as ferramentas antigas fossem melhores em encontrar todas as possíveis regiões flexíveis, elas frequentemente cometiam erros ao rotular partes estáveis e dobradas da proteína como flexíveis, o que levaria a resultados experimentais ruins se um cientista tentasse cortar a proteína ali. Em contraste, o Seq2DomML foi muito mais seletivo, identificando corretamente os domínios estáveis e os conectores flexíveis com maior precisão. Isso significa que, quando um cientista usa esta ferramenta para decidir onde cortar uma proteína, ele tem menos probabilidade de destruir acidentalmente uma unidade funcional.

Os pesquisadores também visualizaram como suas previsões pareciam quando mapeadas em estruturas de proteínas 3D reais. Em casos onde outras ferramentas falharam em reconhecer um domínio porque este não possuía parentes conhecidos, o Seq2DomML identificou corretamente as regiões estáveis e dobradas. Em um exemplo, as ferramentas existentes viram uma grande parte de uma proteína como não estruturada e inútil, enquanto o novo modelo identificou corretamente como um domínio distinto e estável. Isso sugere que a ferramenta pode encontrar ordem em sequências que outros métodos descartam como aleatórias ou não estruturadas. O modelo nem sempre acertou o número de domínios perfeitamente, mas forneceu um guia mais equilibrado e confiável de onde fazer os cortes do que os métodos padrão atuais.

O estudo conclui que esta abordagem baseada em sequências oferece uma nova maneira valiosa de desenhar experimentos de proteínas, particularmente para proteínas que são pouco compreendidas ou que carecem de parentes conhecidos. Ao fornecer um mapa mais preciso de onde os domínios estáveis terminam e as regiões flexíveis começam, a ferramenta pode ajudar os cientistas a economizar tempo e recursos, reduzindo o número de experimentos falhos necessários para encontrar o fragmento de proteína correto para estudo. Os pesquisadores observam que, embora o modelo seja um passo significativo, o trabalho futuro se concentrará em refinar sua capacidade de detectar fronteiras e testar se funciona igualmente bem em proteínas de outros organismos além das bactérias. O objetivo final é tornar o processo de resolução de estruturas de proteínas mais eficiente, permitindo que os cientistas entendam a maquinaria da vida mesmo quando as plantas originais estão ausentes.