子科生物報道：所有生物功能都依賴于不同蛋白質之間的相互作用。這些相互作用促進了從轉錄DNA、控制細胞分裂到復雜生物體的高級功能的一切過程。

然而，這些功能是如何在分子水平上協(xié)調的，以及蛋白質是如何相互作用的——無論是與其他蛋白質還是與自身的副本——一直是生物學研究的熱點問題。

最近的研究表明，即使是不完整的蛋白質片段，其氨基酸短序列仍可以與目標蛋白質的界面結合，再現(xiàn)天然的相互作用。通過這種方式，它們可以改變蛋白質的功能或破壞其與其他蛋白質的相互作用。因此，蛋白質片段不僅可以增強蛋白質相互作用和細胞過程的基礎研究，還可能具有治療應用價值。

最近發(fā)表在《美國國家科學院院刊》（PNAS）上的一篇文章稱，研究人員開發(fā)了一種基于現(xiàn)有人工智能模型的新方法，可以計算預測大腸桿菌中能夠結合和抑制全長蛋白的蛋白質片段。從理論上講，這種工具可以產生針對任何蛋白質的基因可編碼抑制劑。

這項工作由生物學副教授、霍華德·休斯醫(yī)學研究所研究員Gene-Wei Li的實驗室與Jay A. Stein生物學教授、生物工程教授和系主任Amy Keating的實驗室合作完成。

利用機器學習

研究人員開發(fā)的名為FragFold的程序利用了人工智能模型AlphaFold。近年來，AlphaFold因其在預測蛋白質折疊和相互作用方面的卓越能力而在生物學領域取得了重大突破。

該項目的目標是預測片段抑制劑，這是AlphaFold的新應用。研究人員通過實驗證實，即使之前沒有這些相互作用機制的結構數(shù)據(jù)，F(xiàn)ragFold對結合或抑制的預測中有一半以上是準確的。

“我們的研究結果表明，這是一種可推廣的方法，可以找到可能抑制蛋白質功能的結合模式，包括新的蛋白質靶點。你可以把這些預測作為進一步實驗的起點。”Li實驗室的博士后、共同第一作者Andrew Savinov表示，“我們真的可以將其應用于沒有已知功能、沒有已知相互作用，甚至沒有已知結構的蛋白質，我們可以在我們正在開發(fā)的這些模型中增加一些可信度?！?/p>

其中一個例子是FtsZ，一種對細胞分裂至關重要的蛋白質。它被研究得很好，但包含一個本質上無序的區(qū)域，因此特別具有挑戰(zhàn)性。無序蛋白質是動態(tài)的，它們的功能相互作用很可能轉瞬即逝——發(fā)生得如此短暫，以至于目前的結構生物學工具無法捕捉到單個結構或相互作用。

研究人員利用FragFold來探索FtsZ片段的活性，包括內在無序區(qū)域的片段，以確定與各種蛋白質的幾種新的結合相互作用。這一理解上的飛躍證實并擴展了之前測量FtsZ生物活性的實驗。

“這是AlphaFold如何從根本上改變我們研究分子和細胞生物學的一個例子?！盞eating說，“人工智能方法的創(chuàng)造性應用，比如我們在FragFold上的工作，開辟了意想不到的能力和新的研究方向?！?/p>

抑制和超越

研究人員通過計算每個蛋白質片段，然后模擬這些片段如何與他們認為相關的相互作用伙伴結合，來完成這些預測。他們將整個序列的預測結合圖與這些相同片段在活細胞中的效果進行了比較，這些片段是通過高通量實驗測量確定的，其中數(shù)百萬個細胞每個產生一種蛋白質片段。

AlphaFold使用共同進化信息來預測折疊，并且通常在每次預測運行時使用稱為多序列比對（MSA）的東西來評估蛋白質的進化史。MSA至關重要，但對于大規(guī)模預測來說是一個瓶頸——它們可能會占用大量的時間和計算能力。

在FragFold中，研究人員預先計算了一次全長蛋白的MSA，并使用該結果來指導對該全長蛋白的每個片段的預測。

Savinov與Keating實驗室2023屆校友塞Sebastian Swanson博士一起，預測除了FtsZ之外，還有多種蛋白質的抑制片段。在他們探索的相互作用中，脂多糖轉運蛋白LptF和LptG之間的復合物是一個典型案例。LptG的一個蛋白質片段抑制了這種相互作用，可能破壞了脂多糖的傳遞，而脂多糖是大腸桿菌外細胞膜的重要組成部分，對細胞適應性至關重要。

“令人驚訝的是，我們可以如此準確地預測結合，事實上，我們經常預測與抑制相對應的結合。”Savinov說，“對于我們研究過的每一種蛋白質，我們都能找到抑制劑。”

研究人員最初將重點放在作為抑制劑的蛋白質片段上，因為一個片段是否可以阻斷細胞的基本功能是一個相對簡單的結果，可以系統(tǒng)地測量。展望未來，Savinov還對探索抑制之外的片段功能感興趣，例如片段可以穩(wěn)定它們所結合的蛋白質，增強或改變其功能，或觸發(fā)蛋白質降解。

原則上的設計

這項研究是對細胞設計原理進行系統(tǒng)理解的起點，以及深度學習模型可以利用哪些元素來做出準確的預測。

“我們正在朝著一個更廣泛、更深遠的目標努力?！盨avinov說，“現(xiàn)在我們可以預測它們，我們是否可以利用我們從預測和實驗中獲得的數(shù)據(jù)來提取出顯著特征，以弄清楚AlphaFold實際上了解了什么是好的抑制劑？”

Savinov和合作者還進一步研究了蛋白質片段如何結合，探索其他蛋白質相互作用和突變特定殘基，以觀察這些相互作用如何改變片段與目標的相互作用。通過實驗檢查細胞內數(shù)千個突變片段的行為，一種被稱為深度突變掃描的方法，揭示了負責抑制的關鍵氨基酸。在某些情況下，突變片段甚至比它們天然的全長序列更有效。

“與以前的方法不同，我們并不局限于在實驗結構數(shù)據(jù)中識別片段?！盨wanson說，“這項工作的核心優(yōu)勢是高通量實驗抑制數(shù)據(jù)和預測結構模型之間的相互作用：實驗數(shù)據(jù)引導我們找到特別有趣的片段，而FragFold預測的結構模型為片段在分子水平上的功能提供了一個具體的、可測試的假設?！?/p>

Savinov對這種方法的未來及其無數(shù)應用感到興奮。

“通過創(chuàng)建緊湊的、基因可編碼的粘合劑，F(xiàn)ragFold為操縱蛋白質功能開辟了廣泛的可能性?！盠i同意道，“我們可以想象提供功能化片段，可以修改天然蛋白質，改變它們的亞細胞定位，甚至重新編程它們，為研究細胞生物學和治療疾病創(chuàng)造新的工具?！?/p>