Native-to-fibril structural remodelling reveals an amyloid-selective transthyretin epitope for AI-guided binder design
本研究通过对患者来源变体的结构分析，识别出转甲状腺素蛋白纤维上具有淀粉样蛋白选择性的N端表位，并利用人工智能驱动的工具设计出能够选择性靶向该暴露区域并避开天然四聚体的候选结合剂。
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
人体是一个复杂的机器，依赖蛋白质来执行其最至关重要的任务。其中一种被称为转运甲状腺素蛋白（transthyretin）的蛋白质，在血液中扮演着“运输卡车”的角色，将激素输送到大脑和其他器官。通常情况下，四个这样的蛋白质单元会锁定在一起，形成一个稳定的四部分结构。然而，在某些特定条件下，这种稳定的组装结构可能会解体。当单个单元分离时，它们会失去形状，发生错误折叠，并聚集在一起形成长而僵硬的纤维，称为淀粉样蛋白纤维（amyloid fibrils）。这些纤维是被称为淀粉样变性症（amyloidosis）的一类疾病的特征，这类疾病会损伤心脏、神经和其他组织。长期以来的挑战在于，医生和科学家如何区分健康的四部分蛋白质与这些危险的、变形的团块。如果一种疗法无法区分两者，它可能会误伤人体所需的健康蛋白质，或者无法阻止有害物质的产生。
研究人员现在利用先进的计算机建模，在这些危险的纤维上发现了一个特定的位点，该位点在健康的蛋白质中是隐藏的，但在患病的蛋白质上则是暴露的。通过对比健康蛋白质与从实际患者身上提取的纤维的三维结构，他们发现蛋白质链最开始处的一个小节，靠近一个特定的化学标记，在蛋白质转化为纤维时会变得更加可见。这一发现意义重大，因为它为新药研发提供了一个潜在靶点。随后，研究人员使用人工智能设计了微小的蛋白质结合剂，类似于抗体，其形状被设计成能完美契合这个新暴露的位点。计算机模拟表明，这些设计的结合剂会附着在危险的纤维上，但由于这些结合剂在与健康蛋白质的不同部分进行相互作用时也显示出高置信度，研究指出，目前尚无法推断出其是否具有选择性结合，或是否在面对健康蛋白质时表现为不结合。
研究始于收集海量数据。研究人员查看了转运甲状腺素蛋白的遗传密码，以了解它在不同人群中的变化方式。他们编目了超过一百三十种不同的突变，这些是遗传指令中的微小错误，会导致蛋白质不稳定。他们还绘制了二十六种在人衰老或处于压力下可能发生的化学修饰。这些修饰（例如氧化或添加微小的化学标签）会改变蛋白质的行为。通过建立这些变化的详细图谱，团队确立了蛋白质在各种条件下可能表现出的基准。他们使用强大的计算机程序来预测这些突变和修饰如何影响蛋白质的稳定性，并证实许多已知的致病变化确实会让蛋白质更容易解体并形成纤维。
研究的核心是对健康的四部分蛋白质与患者体内纤维结构进行的直接对比。团队分析了来自各种形式疾病患者的三十种不同纤维结构，包括由遗传突变引起的以及常见的年龄相关型。这些纤维来自身体的不同部位，如心脏、眼睛和肌肉组织。当研究人员将这些纤维结构与健康蛋白质进行比较时，发现了一个显著差异：在健康的蛋白质中，链条起始处附近的一段短链是蜷缩并隐藏在外部世界之外的。然而，在所有的纤维结构中，这段相同的链条都被推向了外侧并暴露了出来。这个暴露的部分紧邻一个在疾病过程中经常发生改变的化学标记，但这种暴露本身是由于蛋白质形状转变为纤维的结果，而不仅仅是因为化学标记的作用。
为了理解这个暴露的位点是否可以作为治疗靶点，研究人员转向了人工智能。他们使用了生成式设计工具，这些工具就像“数字建筑师”，可以从头开始发明新的蛋白质形状。他们要求这些程序设计出能够专门拟合纤维上暴露位点的微小结合剂。AI生成了数百个潜在设计，并将它们筛选出最有希望的候选方案。随后，研究人员进行了第二轮计算机测试，以观察这些设计的表现。他们测试了结合剂针对所设计的纤维结构的匹配度，同时也测试了它们针对健康四部分蛋白质的表现。结果令人鼓欣喜：旨在拟合纤维形状的结合剂能够锁定在纤维结构的暴露位点上。当同样的结合剂在测试健康蛋白质时，计算机预测它们会与蛋白质的远端部分发生相互作用，而非目标位点。然而，由于计算机模型显示这些结合剂与健康蛋白质的替代相互作用仍具有高置信度，研究人员强调，这目前还不能证明这些结合剂在现实世界中会忽略健康蛋白质。
研究还探讨了这种方法是否适用于不同类型的疾病。由于淀粉样沉积物可能在心脏、眼睛或肌肉中形成，研究人员想知道为一种组织设计的结合剂是否会在另一种组织中失效。他们专门为眼睛中的纤维设计了结合剂，并将其针对心脏纤维进行了测试。模拟显示，为眼睛纤维设计的结合剂仍然能够识别并结合到心脏纤维上的暴露位点。这表明，无论是在身体的哪个部位形成，该暴露位点都是一个共同特征。这一发现指向了一种可能性，即一种单一的疗法可能适用于不同类型的疾病患者，而无需为每种特定的突变或组织开发独特的药物。
尽管计算机模拟结果令人期待，但研究人员谨慎地指出，这项工作仍处于早期阶段。这些设计目前仅存在于计算机模型中，关于结合能力的预测是基于模拟而非物理实验。团队尚未在实验室或生物体中测试这些结合剂。他们尚未测量这些结合剂粘附在纤维上的强度，也未确认它们是否能清除体内的纤维。研究明确指出，虽然计算机模型暗示结合剂具有选择性，但这尚未得到证实。接下来的步骤将涉及在实验室中合成这些蛋白质，并使用真实的患者样本进行测试，以观察它们的表现是否符合计算机的预测。
这项工作的价值在于其方法论。通过将对蛋白质结构的深度理解与现代人工智能相结合，研究人员确定了一个此前难以察觉的、可触达的特定靶点。他们展示了从健康蛋白质向致病纤维的转变如何创造出一个可以被针对的新表面。这种方法提供了一套路线图，用于开发精准的疗法，旨在只针对有害的团块，同时保留健康的蛋白质。虽然从计算机设计到成为可用药物的过程漫长且充满不确定性，但这项研究提供了一个清晰的方向。它将一个复杂的生物学问题转化为了一个可解决的工程挑战，表明只要拥有正确的工具，我们就可以设计出能够识别并中和导致疾病的特定形状的分子。
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。