Predicting conformational changes induced by biomolecular interactions
本文介绍了 K-Fold,这是一种新颖的生成式学习框架,它通过利用超快速扩散桥建模从非结合态到结合态的显式结构转变,来预测生物分子构象变化,从而克服了当前共折叠模型在不依赖多序列比对的情况下捕捉相互作用诱导动力学的局限性。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
细胞就像繁忙的城市,分子在其中不断相遇、握手并改变形状,以传递信号或构建新的结构。为了理解生命如何运作,或者如何设计能完美契合这些分子机器的药物,科学家需要了解这些相互作用部分的精确三维形状。几十年来,挑战一直在于预测两个独立的分子结合在一起时会呈现出怎样的形态。虽然现代计算机在根据遗传密码预测单个分子的形状方面已经变得非常出色,但当被要求预测该分子在遇到伙伴后会如何扭转和旋转时,它们往往会陷入困境。问题在于,分子并非僵硬的块状物;它们是具有柔性的。当药物与蛋白质结合,或抗体抓住抗原时,两者通常都会改变其形态以紧密锁定在一起。现有的方法经常会错过这些细微而关键的运动,产生的形状看起来看似合理,但在功能上却是错误的。
一个研究团队引入了一种名为 K-Fold 的新方法,它改变了这种预测发生的方式。K-Fold 并不试图从头开始猜测最终锁定的形状,而是从两个分子已经处于分离、未结合的状态开始。然后,它使用一种数学过程来模拟它们结合在一起的过程。想象一座连接两个不同景观的桥梁;这个工具在分子的单独形状与分子与其伙伴结合时的形状之间搭建了一座桥梁。通过将组装过程视为从一种状态到另一种状态的转变,而非仅仅是一个静态的猜测,该系统能够更好地捕捉分子为了契合所需的特定运动。这种方法不依赖于寻找遗传历史中的进化线索(这对于工程化分子或新药物靶点往往会失效),而是专注于分子如何适应彼此形状的物理规则。
研究人员使用广泛的生物学难题对这一新框架进行了测试,包括抗体如何寻找其目标、小分子药物如何招募蛋白质以使其失活,以及大脑中的受体如何在激活和失活状态之间切换。在涉及抗体的测试中——由于抗体的结合环变化极快,这类预测极其困难——K-Fold 在超过一半的案例中成功找到了正确的结合位点,表现优于以往依赖进化数据的顶级模型。这在没有任何历史案例存在的数据库中,针对新靶点时尤为明显。在涉及分子胶水(即迫使两个蛋白质粘在一起的微小化合物)的案例中,新模型在近 44% 的尝试中正确组装了三部分复合物,相比之下,现有工具经常会完全找错被招募的蛋白质。
研究还观察了像激酶和 G 蛋白偶联受体这样复杂的信号传导蛋白,它们在体内充当开关。这些蛋白质在“开启”与“关闭”时具有不同的形状。旧模型往往倾向于默认最常见的“开启”形状,即使情况表明蛋白质应该是“关闭”状态。然而,K-Fold 在蛋白质与抑制剂结合的情况下,成功预测了约 78% 的正确失活状态,准确捕捉到了使信号沉默的特定构象变化。这种区分不同功能状态的能力对于药物设计至关重要,因为药物可能需要将蛋白质锁定在特定形状以停止疾病进程。
这项工作最强大的方面在于,它能够在无需重新训练的情况下探索多种可能性。由于该系统从分离的组件开始,研究人员可以输入未结合分子的不同初始形状,以观察最终的复合物可能呈现出的样子。在标准模型完全失败的困难案例中,使用多样化的初始形状让新系统找到了正确的结合模式。例如,在一个具有挑战性的蛋白质靶点中,当使用多样化的初始形状引导时,该模型在近 40% 的尝试中找到了正确的结构,而使用单一的标准初始形状时则一无所获。这表明该系统学习的是分子如何适应的通用物理原理,而非仅仅记忆其训练数据中的特定示例。
虽然该方法并不完美,在预测不同形状的精确稳定性或处理极其罕见的分子运动方面仍面临挑战,但它代表了科学家看待分子组装方式的一次重大转变。通过关注状态之间的转换而非仅仅是最终目的地,K-Fold 为预测生命机器如何契合在一起提供了一种更稳健的方法。这种方法为设计新药和理解细胞调节提供了更清晰的路径,使该领域向着动态的生物学视角迈进——在这里,分子不再被视为静态的雕像,而是不断重塑自身以完成工作的灵活伙伴。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。