AI-система предсказывает фрагменты белков, способные связываться с мишенью или ингибировать её

Все биологические функции зависят от того, как белки взаимодействуют друг с другом. Белково-белковые взаимодействия лежат в основе всего — от транскрипции ДНК и контроля деления клеток до функций сложных организмов.

Однако многое остаётся неясным на молекулярном уровне, в том числе то, как именно белки взаимодействуют друг с другом — с другими белками или с собственными копиями.

Недавние исследования показали, что небольшие фрагменты белков обладают значительным функциональным потенциалом. Несмотря на то что это неполные кусочки, короткие последовательности аминокислот всё ещё могут связываться с интерфейсами белка-мишени, воспроизводя нативные взаимодействия. Таким образом они могут изменять функцию белка или нарушать его взаимодействия с другими белками.

Фрагменты белков могут стать мощным инструментом как для фундаментальных исследований белковых взаимодействий и клеточных процессов, так и для потенциальных терапевтических применений.

Новый метод, разработанный в Департаменте биологии Массачусетского технологического института и описанный в Proceedings of the National Academy of Sciences, использует существующие модели искусственного интеллекта для вычислительного предсказания фрагментов белков, способных связываться с полноразмерными белками в E. coli и ингибировать их. Теоретически этот инструмент может привести к созданию генетически кодируемых ингибиторов против любого белка.

Работа выполнена в лаборатории доцента биологии и исследователя Медицинского института Говарда Хьюза Gene-Wei Li в сотрудничестве с лабораторией профессора биологии и биологической инженерии, главы департамента Эми Китинг.

Использование машинного обучения

Программа под названием FragFold использует AlphaFold — модель ИИ, совершившую феноменальный прорыв в биологии благодаря своей способности предсказывать сворачивание белков и их взаимодействия.

Целью проекта было предсказание фрагментов-ингибиторов — новое применение AlphaFold. Исследователи экспериментально подтвердили, что более половины предсказаний FragFold о связывании или ингибировании были точными, даже когда у учёных не было предыдущих структурных данных о механизмах этих взаимодействий.

«Наши результаты показывают, что это обобщаемый подход для поиска режимов связывания, которые, вероятно, ингибируют функцию белка, включая новые белковые мишени, и вы можете использовать эти предсказания в качестве отправной точки для дальнейших экспериментов», — говорит соавтор и первый автор Эндрю Савинов, постдок в лаборатории Ли.

Один из примеров — белок FtsZ, ключевой для деления клеток. Он хорошо изучен, но содержит внутренне неупорядоченный регион, который особенно сложно исследовать. Неупорядоченные белки динамичны, и их функциональные взаимодействия, вероятно, мимолётны — настолько кратковременны, что современные инструменты структурной биологии не могут их зафиксировать.

Исследователи использовали FragFold для изучения активности фрагментов FtsZ, включая фрагменты неупорядоченного региона, и выявили несколько новых взаимодействий с различными белками. Этот скачок в понимании подтверждает и расширяет предыдущие эксперименты по измерению биологической активности FtsZ.

«Это один из примеров того, как AlphaFold фундаментально меняет то, как мы можем изучать молекулярную и клеточную биологию», — говорит Китинг. — «Творческое применение методов ИИ, такое как наша работа над FragFold, открывает неожиданные возможности и новые направления исследований».

Ингибирование и не только

Исследователи достигли этих предсказаний, вычислительно фрагментируя каждый белок, а затем моделируя, как эти фрагменты будут связываться с релевантными партнёрами по взаимодействию.

Они сравнили карты предсказанного связывания по всей последовательности с эффектами тех же фрагментов в живых клетках, определёнными с помощью высокопроизводительных экспериментальных измерений, в которых миллионы клеток производят по одному типу белкового фрагмента.

AlphaFold использует коэволюционную информацию для предсказания сворачивания, и обычно оценивает эволюционную историю белков с помощью множественного выравнивания последовательностей (MSA) для каждого прогноза. MSA критически важны, но являются узким местом для крупномасштабных предсказаний — они могут требовать непомерно много времени и вычислительной мощности.

Для FragFold исследователи вместо этого предварительно рассчитали MSA для полноразмерного белка один раз и использовали этот результат для руководства предсказаниями для каждого фрагмента этого белка.

Савинов вместе с выпускником лаборатории Китинг Себастьяном Свонсоном, Ph.D., предсказали ингибирующие фрагменты для разнообразного набора белков помимо FtsZ. Среди изученных взаимодействий был комплекс между белками транспорта липополисахарида LptF и LptG. Фрагмент белка LptG ингибировал это взаимодействие, предположительно нарушая доставку липополисахарида — ключевого компонента внешней клеточной мембраны E. coli, необходимого для жизнеспособности клетки.

«Большим сюрпризом стало то, что мы можем предсказывать связывание с такой высокой точностью и, более того, часто предсказывать связывание, соответствующее ингибированию», — говорит Савинов. — «Для каждого белка, который мы изучали, мы смогли найти ингибиторы».

Исследователи изначально сосредоточились на белковых фрагментах как на ингибиторах, потому что возможность фрагмента блокировать важную функцию в клетках — относительно простой результат для систематического измерения. В будущем Савинов также заинтересован в изучении функций фрагментов за пределами ингибирования, например, фрагментов, которые могут стабилизировать связываемый ими белок, усиливать или изменять его функцию или запускать деградацию белка.

Принципы дизайна

Это исследование — отправная точка для развития системного понимания принципов клеточного дизайна и того, на какие элементы могут опираться модели глубокого обучения для точных предсказаний.

«Есть более широкая, дальновидная цель, к которой мы движемся», — говорит Савинов. — «Теперь, когда мы можем их предсказывать, можем ли мы использовать данные из предсказаний и экспериментов, чтобы выделить ключевые особенности и понять, что же на самом деле AlphaFold узнал о том, что делает хороший ингибитор?»

Савинов и коллеги также углубились в изучение того, как фрагменты белков связываются, исследуя другие белковые взаимодействия и мутируя определённые остатки, чтобы увидеть, как эти изменения влияют на взаимодействие фрагмента с мишенью.

Экспериментальное изучение поведения тысяч мутировавших фрагментов в клетках, подход, известный как глубокое мутационное сканирование, выявило ключевые аминокислоты, ответственные за ингибирование. В некоторых случаях мутировавшие фрагменты были даже более мощными ингибиторами, чем их природные полноразмерные последовательности.

«В отличие от предыдущих методов, мы не ограничены идентификацией фрагментов в экспериментальных структурных данных», — говорит Свонсон. — «Основная сила этой работы — взаимодействие между высокопроизводительными экспериментальными данными об ингибировании и предсказанными структурными моделями: экспериментальные данные направляют нас к особенно интересным фрагментам, в то время как структурные модели, предсказанные FragFold, предоставляют конкретную, проверяемую гипотезу о том, как фрагменты функционируют на молекулярном уровне».

Савинов воодушевлён будущим этого подхода и его многочисленными применениями.

«Создавая компактные, генетически кодируемые связывающие элементы, FragFold открывает широкий спектр возможностей для манипулирования функцией белка», — соглашается Ли. — «Мы можем представить доставку функционализированных фрагментов, которые могут модифицировать нативные белки, изменять их внутриклеточную локализацию и даже перепрограммировать их для создания новых инструментов изучения клеточной биологии и лечения заболеваний».