Tehisintellekt disainib proteaase, mis lõikavad sihipäraselt valke ja võivad aidata haiguste uurimisel

Pilt: Ars Technica · Allikas

Washingtoni ülikooli teadlased kasutavad tehisintellekti tööriistu uute proteaaside disainimiseks, mis suudavad lõhustada stabiilseid peptiidsidemeid spetsiifilistes valkudes, sealhulgas neuroloogiliste haigustega seotud valkudes, mis tähistab edusamme sihipärase valkude redigeerimise suunas.

Valgud on aminohapete ahelad, mis on omavahel ühendatud peptiidsidemetega, mis on normaalses olukorras erakordselt stabiilsed ja mille poolestusaeg ulatub hinnanguliselt sadadesse aastatesse. Vaatamata sellele looduslikule stabiilsusele on organismidel spetsiaalsed ensüümid ehk proteaasid, mis suudavad efektiivselt katalüüsida nende sidemete lõhustumist, võimaldades valkude lagundamist ja uuendamist, mis on elu jaoks hädavajalik. Seni on täpse spetsiifilisusega ja suure katalüütilise efektiivsusega proteaaside konstrueerimine olnud keeruline tõttu aminohapete keerulisele paigutusele nende aktiivsetes keskustes.

Nobeli auhinna laureaadi David Bakeri juhitud teadlaste grupp Washingtoni ülikoolist on saavutanud olulisi edusamme, kasutades tehisintellekti (AI) põhiseid valkude disainimise tööriistu uute proteaaside loomiseks. Nende lähenemine algab kahe looduses esineva proteaasi tüübi – tsink- ja tsüsteiinproteaasi – katalüütilisest tuumast ning kasutab AI-d nende aktiivsete keskust ümbritseva valgu karkassi ümberkujundamiseks. See võimaldab luua ensüüme, millel on kohandatud spetsiifilisus valitud valgusete peptiidsidemete lõhustamiseks.

Disainipõhimõte kasutab RFdiffusion2 tarkvara, et genereerida ensüümi karkassid, mis paigutavad vajalikud katalüütilised aminohapped täpselt õigesse kohta. Seejärel määrab ProteinMPNN aminohapped mööda seda karkassi, tagades valgu sobivuse soovitud voldi, katalüütilise aktiivsuse ja substraadi sidumise jaoks. Teadlased lõid ja hindasid mitukümmend disaini, kasutades AlphaFold3, et kontrollida, et nende uued struktuurid ei sarnaneks olemasolevates andmebaasides tuntud valkudega.

Eksperimentaalne valideerimine näitas, et paljud tehisintellektiga disainitud proteaasid omasid katalüütilist aktiivsust, kuigi üldiselt madalamat kui nende looduslikel analoogidel algselt. Siiski põhjustasid aktiivsete keskustega seotud aminohapete süsteemsed asendused ensüümivariantide tugevasti tõhustatud aktiivsuse, kiirendades peptiidsideme lõhustamist kuni 10^9 korda tsüsteiinproteaaside ja 10^10 korda tsinkproteaaside puhul, samal ajal säilitades sihtspetsiifilisuse.

Oluline on, et teadlased rakendasid oma disainiraamistikku proteaasidele, mis on suunatud neurodegeneratiivsete haiguste – nagu Alzheimeri tõbi ja frontotemporaalne dementsus – valgule. äsja loodud ensüümid lõhustasid edukalt neid haigustega seotud valke rakkude mudelites, mis viitab potentsiaalsetele ravivõimalustele patogeensete valkude suunamiseks.

Vaatamata paljulubavatele tulemustele on kliiniliste rakenduste ees veel väljakutseid, sealhulgas proteaaside sihtkohta transportimine kudedesse või rakkudesse ning immuunvastuse vältimine. Lisaks muudab rakusisesed sihtmärgid raviarenduse keerukamaks, tõenäoliselt nõudes geeniedastusmeetodeid, et indutseerida proteaaside toodangut mõjutatud rakkudes.

See töö toob samuti esile, et praegused AI-valkude disainimise tööriistad on väga head struktuursete piirangute modelleerimisel, kuid neil on piiranguid katalüütilise aktiivsuse täpsustamisel evolutsiooniliselt arenenud looduslike ensüümide tasemele. Tööriistade täiustamine, mis võimaldaksid aktiivsust otseselt optimeerida koos struktuuriga, võiks tulevikus ensüümide disaini edasi viia. Sellegipoolest tähistab see uurimus olulist edasiminekut ratsionaalses, AI-kesksetes ensüümide inseneri meetodites, millel on laialdased tagajärjed biotehnoloogiale ja meditsiinile.