Лабораторія «De Novo» проєктування білків

Проектування нових білків проти прогнозування існуючих

Інструменти, такі як AlphaFold, вирішують передбачувану проблему: маючи відому послідовність амінокислот, яка 3D-форма утворюється? De novo проектування білків повністю перевертає питання. Замість того, щоб починати з відомої послідовності, дизайнер визначає ціль — зв’язатися з цим рецептором, каталізувати цю реакцію, сформувати цей кільцеподібний наноструктуруру — і використовує генеративну модель, щоб створити структуру та послідовність, які ніколи не існували в жодній організмі. Немає «правильної відповіді», з яким можна було б порівняти, лише фізична правдоподібність та функціональна відповідність. Цей перехід від прогнозування до генерації дозволяє інженерам обійти обмежений каталог форм, які виникли внаслідок еволюції, відкриваючи доступ до геометрій і функцій, яких природа ніколи не досліджувала, призначених для виконання окремого інженерного завдання.

Від Випадкового Шумів до Згорнутої Спинки

Сучасні генератори структур, такі як RFdiffusion, беруть основну ідею моделей дифузії зображень: навчати мережу зворотного процесу обробки. Під час навчання справжні каркаси білків поступово спотворюються випадковими 3D перешкодами до тих пір, поки вони не стануть схожими на безглуздий координатний шум. Мережа вчиться цього відмінювати крок за кроком, прогнозуючи структуру трохи менш зношену на кожному етапі. Щоб створити щось нове, процес запускається назад з нуля — починаючи з буквальних випадкових координат і застосовуючи десятки кроків шумоподавлення, кожен з яких штовхає кожну залишкову ближче до більш фізично узгодженої, білкової структури. Те, що виникає, не є запам'ятованою структурою, а нова спинка, сформована навченими правилами про те, як ланцюги атомів згортаються у стабільні, компактні форми.

Зворотне Згортання: Розробка Послідовності для Форми

Очищена каркас – це просто геометричний скелет, — відбиток того, де повинні знаходитися атоми альфа в просторі, без прив’язаних до них амінокислотних ідентифікаторів. Перетворення цієї форми на справковий білок потребує вирішення зворотного рівня задачі, яку розв'язував AlphaFold: враховуючи цільову 3D структуру, яка послідовність амінокислот надійно складеться в неї? Моделі, такі як ProteinMPNN, сканують місцеву геометрію та хімічне середовище навколо кожної позиції — наскільки вона занурена, які кути роблять сусідні амінокислоти — і пропонують бокові ланцюги, які правильно пакують, задовольняють водневі зв'язки та уникають зіткнень. Для каркасу генерується кілька кандидатів послідовностей, потім перевіряються з передбачувачем структури, щоб підтвердити, що складена модель відповідає початковому дизайну, перш ніж щось потрапляє на лавку

Від екрану до пробірки: Реальні застосування

Цей цикл проєктування-перевірки вже дав змогу створити робочі молекули. Дослідники згенерували нові білки-сполучники, які прикріплюються до вірусних спайкових білків або рецепторів на клітинній поверхні, не мають жодного еволюційного зв’язку з природними антитілами, мініатюрні ферменти, побудовані навколо індивідуальних активних центрів, та самозбираючі наноструктури для відображення вакцинних антигенів, які викликають сильніші імунні відповіді, ніж ізольовані білки. Біосенсори, створені на основі нових каркасів, можуть бути спроектовані так, щоб змінювати форму лише тоді, коли певна цільова молекула зв’язується, створюючи читабельний сигнал. Оскільки дизайнери контролюють геометрію з самого початку, ці молекули можуть бути меншими, стабільнішими та специфічнішими за перероблений природний білок – це перетворює інженерію білків на щось ближче до обчислювальної архітектури.

Часті запитання

Як відрізняється дизайн білка «з нуля» (de novo) від передбачення структури у стилі AlphaFold?

AlphaFold та подібні інструменти починаються з відомої амінокислотної послідовності, зазвичай від природного організму, і прогнозують єдину 3D форму, в яку вона складається – це відображення з послідовності на структуру, яке вже існує в біології. Дизайн «з нуля» працює у протилежному напрямку та без попередньої відповіді: він починається від функціональної мети, такої як зв’язування з певною поверхнею або формування конкретної кільцеподібної форми, і генерує як нову структуру, так і відповідну послідовність, яка задовольняє цю мету. Передбачення підтверджує те, що вже існує; генерація створює щось, чого ніколи не було раніше, а потім використовує інструменти передбачення для перевірки того, чи дійсно новостворена послідовність складається так, як планувалося.

Чому процес проєктування нагадує моделі генерації зображень за допомогою дифузії?

Дифузійні моделі для зображень та для каркасів білків поділяють одну й ту ж математичну хитрості: навчати мережу зворотного процесу поступового додавання шуму. Для зображень пікселі поступово рандомізуються, поки вони не стануть чистою статкою, і мережа вчиться відновлювати їх з зображення, а для білків 3D атомні координати поступово перемішуються під час навчання, доки вони не нагадують випадковий рух, і мережа вчиться відновлювати цей рух у стабільний каркас. Потім генерація запускає цей навчений зворотний процес, починаючи з чистого випадкового шуму, що дозволяє створювати нову структуру крок за кроком, а не викликати запам’ятовану, що саме пояснює, чому візуалізація показує ланцюг, який поступово приймає форму протягом багатьох малих кроків, а не миттєво впадає у вигляд.

Як науковці перевіряють, чи справді працює білок, розроблений комп’ютером?

Розроблена послідовність ніколи не йде безпосередньо з програмного забезпечення до терапії. Спочатку вона валідується обчислювально: прогнозується, як нова послідовність складається, і підтверджується, що вона відповідає призначеній згенерованій каркасній структурі з високою впевненістю. Послідовності, які проходять цей етап, синтезуються як ДНК, експресуються в клітинах, таких як *E. coli* або дріжджі, і очищаються як білок. Проводяться лабораторні дослідження – перевіряється, чи правильно білок складається за допомогою методів, таких як циркулярна дихроїзм або рентгенівська кристалографія, та тестується його фактична функція, наприклад, вимірюється сила зв’язування з цільовою молекулою або каталітична активність. Зазвичай лише невелика частина обчислювально перспективних дизайнів досягає успіху в експериментах, що пояснює, чому дослідники генерують та перевіряють багато кандидатів паралельно.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте De Novo Protein Design Lab і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.

▶ Відкрити симуляцію De Novo Protein Design Lab