Молекулярный фреймворк для связи экспериментальных и компьютерных наук в инженерии пептидных материалов

Исследователи из Школы биомедицинской инженерии Стивенсона при Университете Оклахомы разработали фреймворк, опубликованный в Science Advances, который решает проблему объединения экспериментальных и компьютерных наук для лучшего предсказания структур пептидов. Пептидные материалы используются в энергетике, безопасности и здравоохранении последние два десятилетия.

Команда под руководством Хандан Акар, Ph.D., и Эндрю Уайта, Ph.D., представила новую стратегию для изучения основ молекулярной инженерии. Первым автором исследования является аспирант Серен Хамсичи.

Белки, образованные аминокислотами, выполняют различные функции в организме благодаря межмолекулярным взаимодействиям. Аномальное поведение этих взаимодействий (например, образование бляшек при болезни Альцгеймера) приводит к медицинским проблемам.

Традиционный подход в пептидной инженерии — вносить небольшие изменения в природные белки для определения свойств конечных агрегатов — непрактичен из-за огромного количества (>500) природных и ненатуральных аминокислот.

Машинное обучение имеет большой потенциал, но сложность процесса агрегации пептидов до сих пор мешала эффективному применению ИИ-методов.

Чтобы решить эти проблемы, исследователи разработали новый фреймворк, связывающий материаловедение с вычислительной наукой.

Суть подхода:

• Фокус на коротких пептидах из шести аминокислот.
• В рамках фреймворка четыре аминокислоты остаются постоянными, а две изменяются.
• Это позволяет изучать, как изменения влияют на взаимодействия и конечный продукт.

Исследователи сосредоточились на агрегации пептидов в одномерные структуры (как при болезни Альцгеймера), что позволяет использовать стандартизированные методы количественного анализа для сравнения с литературой. Для преодоления кинетического порога (когда взаимодействий недостаточно для агрегации при низких концентрациях) две переменные аминокислоты в рамках фреймворка несли противоположные электронные заряды.

Преимущество фреймворка — его простота, достаточная для проведения вычислительного моделирования (молекулярной динамики), что открывает возможности для машинного обучения. Моделирование позволяет буквально "увидеть фильм" о том, как атомы выстраиваются в начале процесса самосборки.

Эта работа закладывает основу для демонстрации эффективности на структурах из шести аминокислот с возможностью расширения в будущем.

Перспективы:

• Собранные с помощью этого фреймворка данные изменят будущие подходы к пептидной инженерии.
• Будущие применения позволят использовать глубокое обучение и ИИ для моделирования структур пептидов с целью создания материалов с заданными свойствами.
• В перспективе инженер-материаловед сможет ввести параметры желаемого материала, а компьютерная симуляция определит необходимую пептидную структуру.

Этот фреймворк — прорыв, дающий экспериментальным и вычислительным ученым общий инструмент для решения проблемы с разных сторон. Технология может проложить путь к созданию атласа материалового генома для пептидных материалов.