AIシステムは、ターゲットに結合または阻害できるタンパク質フラグメントを予測します

すべての生物学的機能は、異なるタンパク質が互いにどのように相互作用するかに依存しています。タンパク質間相互作用は、DNAの転写や細胞分裂の制御から、複雑な生物の高レベル機能まで、すべてを促進します。

しかし、これらの機能が分子レベルでどのように調整されているか、および他のタンパク質またはそれ自体のコピーとのタンパク質がどのように相互作用するかについては、多くのことが不明のままです。

最近の発見により、小さなタンパク質断片には多くの機能的可能性があることが明らかになりました。それらは不完全な部分ですが、短いストレッチのアミノ酸は、ターゲットタンパク質の界面に依然として結合し、ネイティブの相互作用を再現することができます。このプロセスを通じて、彼らはそのタンパク質の機能を変化させるか、他のタンパク質との相互作用を破壊することができます。

したがって、タンパク質の断片は、タンパク質相互作用と細胞プロセスに関する基礎研究の両方に力を与え、治療用途を潜在的に持つ可能性があります。

で最近公開されました 国立科学アカデミーの議事録、マサチューセッツ工科大学生物学研究所で開発された新しい方法は、既存の人工知能モデルに基づいて、大腸菌の全長タンパク質に結合して阻害できるタンパク質断片を計算します。理論的には、このツールは、あらゆるタンパク質に対して遺伝的にエンコード可能な阻害剤につながる可能性があります。

この研究は、生物学の准教授とハワード・ヒューズ医療研究所の調査官であるジェネ・ウェイ・リーの研究室で行われました。

機械学習を活用します

FragFoldと呼ばれるこのプログラムは、タンパク質の折り畳みとタンパク質相互作用を予測する能力により、近年生物学の驚異的な進歩につながったAIモデルであるAlphafoldを活用しています。

このプロジェクトの目標は、Alphafoldの新しい用途であるフラグメント阻害剤を予測することでした。このプロジェクトの研究者は、研究者がそれらの相互作用のメカニズムに関する以前の構造データがなかった場合でも、fragfoldの拘束または抑制の予測の半分以上が正確であることを実験的に確認しました。

「我々の結果は、これが新規タンパク質ターゲットを含むタンパク質機能を阻害する可能性が高い結合モードを見つけるための一般化可能なアプローチであり、これらの予測をさらなる実験の出発点として使用できることを示唆しています」 Andrew Savinov、Li Labのポスドク。 「既知の機能、既知の相互作用なしで、既知の構造さえなく、既知の機能なしでタンパク質に実際に適用することができ、これらのモデルにいくつかの信用を置くことができます。」

1つの例は、細胞分裂の鍵であるタンパク質であるFTSZです。よく研究されていますが、本質的に乱れている地域が含まれているため、勉強するのが特に挑戦的です。無秩序なタンパク質は動的であり、それらの機能的相互作用は非常に高い可能性が高いです。現在の構造生物学ツールは単一の構造や相互作用をキャプチャすることができないほど簡単に発生します。

研究者は、断片を活用して、本質的に無秩序な領域の断片を含むFTSZの断片の活性を調査し、さまざまなタンパク質とのいくつかの新しい結合相互作用を特定しました。この理解におけるこの飛躍は、FTSZの生物活動を測定する以前の実験を確認し、拡大します。

この進歩は、障害のある領域の構造を解決せずに行われたため、またフラグフォールドの潜在的な力を示すため、一部は重要です。

「これは、Alphafoldが分子生物学と細胞生物学をどのように研究することができるかを根本的に変えている方法の一例です」とKeating氏は言います。 「FragFoldでの作業など、AIメソッドの創造的なアプリケーションは、予期しない機能や新しい研究の方向性を開きます。」

阻害、およびそれ以降

研究者は、各タンパク質を計算的に断片化し、それらのフラグメントが関連性があると考えられていた相互作用パートナーにどのように結合するかをモデル化することにより、これらの予測を達成しました。

彼らは、シーケンス全体にわたる予測された結合のマップを、生細胞内の同じ断片の効果と比較し、それぞれ数百万の細胞がそれぞれ1つのタイプのタンパク質断片を生成する高スループットの実験測定を使用して決定しました。

Alphafoldは、共進化情報を使用して折り畳みを予測し、通常、予測実行ごとに複数のシーケンスアライメント（MSA）と呼ばれるものを使用して、タンパク質の進化的歴史を評価します。 MSAは重要ですが、大規模な予測のためのボトルネックです。これらは、時間と計算能力が非常に高くなる可能性があります。

フラグフォールドのために、研究者は代わりに1回完全に長さのタンパク質のMSAを事前計算し、その結果を使用して、その完全な長さのタンパク質の各断片の予測を導きました。

Savinovは、Keating Labの卒業生であるSebastian Swanson博士とともに、FTSZに加えて多様なタンパク質セットの阻害断片を予測しました。彼らが調査した相互作用の中には、リポ多糖輸送タンパク質LPTFとLPTGの間の複合体がありました。 LPTGのタンパク質断片はこの相互作用を阻害し、おそらく細胞のフィットネスに不可欠な大腸菌外側細胞膜の重要な成分であるリポ多糖の送達を破壊します。

「大きな驚きは、このような高精度での結合を予測できることであり、実際、阻害に対応する結合を予測することが多い」とサビノフは言う。 「私たちが見たすべてのタンパク質について、阻害剤を見つけることができました。」

研究者は、断片が細胞の重要な機能をブロックできるかどうかは、体系的に測定するための比較的単純な結果であるため、最初は阻害剤としてタンパク質断片に焦点を合わせていました。楽しみにして、サビノフはまた、結合するタンパク質を安定させたり、その機能を強化または変更したり、タンパク質の分解を引き起こす可能性のある断片など、阻害外の断片機能を調査することにも関心があります。

原則としてデザイン

この研究は、細胞設計の原則を体系的に理解するための出発点であり、正確な予測を行うために、深い学習モデルが活用している要素がどのような要素を作成しているのか。

「私たちが向けて構築している、より広く、さらに到達する目標があります」とサビノフは言います。 「これで予測できるようになったので、予測と実験から持っているデータを使用して、顕著な機能を引き出して、AlphaFoldが実際に優れた阻害剤を作るものについて学んだことを把握できますか？」

SavinovとCollaboratorsは、タンパク質の断片がどのように結合するかをさらに掘り下げ、他のタンパク質相互作用を調査し、特定の残基を変異させて、それらの相互作用が断片がターゲットとどのように相互作用するかを確認しました。

深い変異スキャンとして知られるアプローチである細胞内の数千の変異した断片の挙動を実験的に調べると、阻害の原因となる重要なアミノ酸が明らかになりました。場合によっては、変異した断片は、自然で完全な長さの配列よりもさらに強力な阻害剤でした。

「以前の方法とは異なり、実験的な構造データの断片を識別することに限定されません」とスワンソンは言います。 「この作業の核となる強度は、ハイスループットの実験的阻害データと予測される構造モデルとの相互作用です。実験データは、特に興味深いフラグメントに向かって導きますが、フラグフォールドによって予測される構造モデルは、特定のテスト可能な仮説を提供します。分子レベルでフラグメントがどのように機能するか。」

Savinovは、このアプローチの将来とその無数のアプリケーションに興奮しています。

「コンパクトで遺伝的にエンコード可能なバインダーを作成することにより、fragfoldはタンパク質機能を操作するための幅広い可能性を開きます」とLiは同意します。 「ネイティブタンパク質を修正し、細胞内局在を変更し、それらを再プログラムして細胞生物学を研究し、疾患を治療するための新しいツールを作成することができる機能化されたフラグメントを提供することを想像できます。」

このストーリーは、MITの研究、革新、教育に関するニュースをカバーする人気のあるサイトであるMIT News（web.mit.edu/newsoffice/）の好意により再発行されています。