有史以来最高互作强度,华盛顿大学David Baker团队用AI工具产生具有非凡结合强度的蛋白质

2023年12月20日,14时21分41秒 OpenAI 阅读 15 views 次

有史以来最高互作强度,华盛顿大学David Baker团队用AI工具产生具有非凡结合强度的蛋白质

编辑 | 萝卜皮

多肽的研究对于药物开发、疾病检测和环境监测具有重大意义。许多肽激素在结合其受体后形成 α 螺旋,对其敏感的检测方法可能有助于更好的疾病临床管理。

从头蛋白质设计现在可以生成对结构化蛋白质具有高亲和力和特异性的结合物。然而,蛋白质和具有螺旋倾向的短肽之间的相互作用的设计是一个尚未解决的挑战。

华盛顿大学医学院蛋白质设计研究所的科学家们人工智能驱动的生物技术来应对这些挑战。他们使用人工智能软件创建了蛋白质分子,这些蛋白质分子以极高的亲和力和特异性与各种具有挑战性的生物标志物(包括人类激素)结合。

值得注意的是,科学家们在计算机生成的生物分子与其目标之间实现了有史以来最高的相互作用强度。

华盛顿大学医学生物化学教授、霍华德休斯医学研究所研究员 David Baker 强调了该方法的潜在影响:「产生具有如此高结合亲和力和特异性的新型蛋白质的能力开辟了从新疾病治疗到先进诊断的可能性世界。」

该研究以「De novo design of high-affinity binders of bioactive helical peptides」为题,于 2023 年 12 月 18 日发布在《Nature》。

有史以来最高互作强度,华盛顿大学David Baker团队用AI工具产生具有非凡结合强度的蛋白质

肽类激素,如甲状旁腺激素 (PTH)、神经肽 Y (NPY)、胰高血糖素 (GCG) 和促胰液素 (SCT),在与其受体结合后采用 α 螺旋结构,是临床护理和生物医学研究中公认的生物标志物,在人类生物学中发挥着关键作用。

Baker 实验室的 Preetham Venkatesh 解释说:「如今有许多疾病难以治疗,因为检测体内的某些分子非常具有挑战性。作为诊断工具,设计的蛋白质可能会提供比抗体更具成本效益的替代品。」

科学家对它们的灵敏和特异性定量非常感兴趣,目前这种定量依赖于需要大量资源来生成的抗体,可能难以以高亲和力生产,并且通常稳定性和重现性都不太理想。抗体的环介导的相互作用表面并不是特别适合延伸螺旋肽的高特异性结合——几乎所有抗肽抗体都以非螺旋构象结合其靶标。

肽结合蛋白的设计的挑战性

设计的蛋白质可以在大肠杆菌中轻松高产、低成本地生产,并且具有非常高的稳定性,然而,以高亲和力和特异性结合螺旋肽的蛋白的设计仍然是一个突出的挑战。肽结合蛋白的设计具有挑战性,原因有两个。

第一,设计用于结合折叠蛋白的蛋白质,例如皮摩尔亲和力超稳定的 50-65 残基微型结合剂,具有适合结合刚性凹目标的形状,但不适合支撑延伸的肽。螺旋肽可以很容易地结合形成卷曲的线圈组件,并且这一原理已被用来设计钙调蛋白肽的结合剂,但由于大量暴露的疏水表面,卷曲螺旋亚基通常在没有结合伴侣的情况下自缔合,从而大大降低了有效的靶标结合亲和力。

第二,肽具有较少的相互作用残基,并且在分离时通常部分或完全非结构化。因此,将肽构建成特定构象可能会产生熵成本,这会损害有利的缔合自由能。在设计与延伸的 β 链结构和聚脯氨酸 II 构象结合的肽方面已经取得了进展,使用蛋白质侧链与肽主链相互作用;然而,由于 α 螺旋肽内部有大量主链-主链氢键,这种相互作用不能在 α 螺旋肽上发生。

新的解决方案

Baker 实验室成员 Susana Vazquez-Torres、Preetham Venkatesh 和 Phil Leung 领导的团队,正着手创建能够与胰高血糖素、神经肽 Y、甲状旁腺激素和其他螺旋肽靶标结合的蛋白质。该团队提出了一种使用 RFdiffusion(一种用于创建新蛋白质形状的生成模型)与序列设计工具 ProteinMPNN 结合的新方法。

研究人员通过扩展 RFdiffusion 从而使绑定器设计能够适应更灵活的目标,并通过连续的噪声和去噪(部分扩散)来细化输入结构模型,皮摩尔亲和力结合剂可以通过其他方法生成的细化设计来生成螺旋肽靶标,或者完全从随机噪声分布开始。

目前为止,这些是针对任何蛋白质或小分子靶标的最高亲和力设计的结合蛋白,通过计算直接生成,无需任何实验优化。RFdiffusion 设计能够通过质谱法富集并随后检测甲状旁腺激素和胰高血糖素,并构建基于生物发光的蛋白质生物传感器。设计构象可变靶点的结合剂以及通过部分扩散优化天然和设计蛋白质的能力应该具有广泛的用途。

「我们正在见证蛋白质设计的激动人心的时代,先进的人工智能工具正在加速蛋白质活性的改善。这一突破将重新定义生物技术的前景。」 Vazquez-Torres 指出。

该团队与哥本哈根大学的 Joseph Rogers 实验室和华盛顿大学医学院的 Andrew Hoofnagle 实验室合作,进行了实验室测试以验证他们的生物设计方法。质谱法用于检测与人血清中低浓度肽结合的设计蛋白质,从而证明了灵敏且准确的疾病诊断的潜力。

此外,尽管高温等恶劣条件,这些蛋白质仍保留了其靶标结合能力,这是实际应用的一个关键属性。

为了进一步展示该方法的潜力,研究人员将高亲和力甲状旁腺激素结合剂集成到生物传感器系统中,并在含有目标激素的样品中实现了生物发光信号增加 21 倍。这种与诊断设备的集成展示了人工智能生成蛋白质的直接实际应用。

论文链接:https://www.nature.com/articles/s41586-023-06953-1

相关报道:https://phys.org/news/2023-12-ai-generates-proteins-exceptional-strengths.html

(来源:机器之心)

标签:


用户登录