Простой и надежный экспериментальный метод для белковой инженерии

Исследователи из Мичиганского университета представили метод белковой инженерии, который использует простые, экономичные эксперименты и модели машинного обучения для предсказания эффективности белков для конкретных целей.

Метод обладает широким потенциалом для сборки белков и пептидов в различных областях — от промышленных инструментов до терапевтических средств. Например, он может ускорить разработку стабилизированных пептидов для лечения заболеваний, недоступных для современных лекарств, включая улучшение специфичности связывания антител с мишенями в иммунотерапии.

«Правила, определяющие работу белков — от последовательности к структуре и функции — невероятно сложны. Возможность внести вклад в интерпретируемость методов белковой инженерии особенно вдохновляет», — отметил Маршалл Кейс, выпускник докторантуры по химической инженерии и первый автор исследования.

В настоящее время большинство экспериментов по белковой инженерии используют сложные, трудоемкие методы и дорогое оборудование для получения высокоточных данных. Такой длительный процесс ограничивает объем собираемых данных, а сложные методы трудно освоить и выполнить — это компромисс ради точности.

«Наш метод показал, что для многих приложений можно избежать этих сложных подходов», — сказал Кейс, ныне вычислительный биолог в Manifold Biotechnologies.

Усовершенствованный метод начинается с сортировки клеток на две группы (бинарная сортировка) на основе наличия или отсутствия у них желаемого признака, например, связывания с флуоресцентными молекулами. Затем клетки секвенируют, чтобы получить лежащие в основе ДНК-коды интересующих белков. Алгоритмы машинного обучения уменьшают шум в данных секвенирования, чтобы выявить наилучший возможный белок.

«Это не как выбрать "лучшую книгу" из библиотеки, а скорее как прочитать много книг, а затем собрать вместе разные страницы из разных историй, чтобы получить лучшую возможную книгу, даже если её изначально не было в вашей библиотеке», — пояснил Грег Тербер, доцент кафедры химической инженерии и автор-корреспондент статьи. «Меня удивила надежность этой техники при использовании простых данных бинарной сортировки».

Для повышения доступности метод использует линейные модели машинного обучения, которые проще для интерпретации по сравнению с моделями, содержащими десятки параметров.

«Поскольку мы можем выявлять физические правила, объясняющие, как белки фактически работают, мы можем использовать линейные уравнения для моделирования нелинейного поведения белков и таким образом создавать более эффективные лекарства», — сказал Кейс.

Исследование опубликовано в журнале Proceedings of the National Academy of Sciences. Работа проводилась в Advanced Genomics Core, Center for Structural Biology, Biological Mass Spectrometry Facility и Proteomics & Peptide Synthesis Core.