Tekoäly suunnittelee proteaaseja leikkaamaan tarkasti kohdeproteiineja, mahdollistaen sairauksien tutkimuksen edistymistä

Kuva: Ars Technica · Lähde

Washingtonin yliopiston tutkijat käyttävät tekoälytyökaluja suunnitellakseen uusia proteaaseja, jotka kykenevät katkaisemaan vakaita peptidisidoksia tietyissä proteiineissa, mukaan lukien hermostollisiin sairauksiin liittyvät, edistäen kohdennettua proteiinimuokkauksen kehitystä.

Proteiinit ovat aminohappoketjuja, jotka liittyvät toisiinsa peptidisidoksilla, joka on normaaleissa olosuhteissa erittäin stabiili ja jonka arvioitu puolikasvuikä on useita satoja vuosia. Tästä vakaudesta huolimatta organismit omaavat erikoistuneita entsyymejä, niin kutsuttuja proteaaseja, jotka tehokkaasti katalysoivat näiden sidosten katkaisua ja mahdollistavat proteiinien hajoamisen ja uusiutumisen, mikä on elintärkeää elämälle. Proteaasien suunnittelu, jolla on tarkka spesifisyys ja katalyyttinen tehokkuus, on ollut aiemmin haastavaa monimutkaisten aminohappojen järjestysten vuoksi niiden aktiivisissa kohdissa.

Washingtonin yliopiston Nobel-palkitun David Bakerin johtama tutkimusryhmä on tehnyt merkittäviä edistysaskeleita hyödyntämällä tekoälypohjaisia proteiinien suunnittelutyökaluja uusien proteaasien luomiseksi. Lähestymistapa perustuu kahden luonnollisen proteaasityypin – sinkki- ja kysteiiniproteaasien – katalyyttiseen ytimeen, ja tekoälyn avulla muokataan proteiinin tukirakennetta aktiivisten kohtien ympärillä. Tämä mahdollistaa entsyymien suunnittelun, joilla on räätälöity spesifisyys tiettyjen proteiinisekvenssien katkaisemiseksi.

Suunnitteluprosessi hyödyntää RFdiffusion2-ohjelmistoa entsyymirunkojen luomiseen, jotka asettavat tarvittavat katalyyttiset aminohapot tarkasti paikalleen. Tämän jälkeen ProteinMPNN määrittelee aminohapot rungon varrella varmistaen yhteensopivuuden halutun laskostumisen, katalyyttisen paikan muodostumisen ja substraatin sitoutumisen kanssa. Tutkijat loivat ja arvioivat kymmeniä suunnitelmia hyödyntäen AlphaFold3:ta varmistaakseen, että heidän uudet rakenteensa eivät muistuttaneet tunnettuja proteiineja olemassa olevissa tietokannoissa.

Kokeelliset vahvistukset osoittivat, että monet tekoälyn suunnittelemat proteaasit osoittivat katalyyttistä aktiivisuutta, vaikkakin aluksi yleensä lievempää kuin luonnolliset vastineensa. Systemaattiset aminohappovariantit aktiivisten kohtien läheisyydessä tuottivat kuitenkin variantteja, joiden aktiivisuus parani merkittävästi – peptidisidoksen katkaisu nopeutui jopa 10^9-kertaisesti kysteiiniproteaaseille ja 10^10-kertaisesti sinkkiproteaaseille säilyttäen kohdistetun spesifisyyden.

Tärkeää on, että tutkijat sovelsivat suunnittelukehystä proteaaseihin, jotka kohdistuivat neurodegeneratiivisiin sairauksiin liitettäviin proteiineihin, kuten Alzheimerin tautiin ja frontotemporaaliseen dementiaan. Uudet suunnitellut entsyymit tehokkaasti katkaisivat sairauksiin liittyviä proteiineja solumalleissa, mikä viittaa mahdollisiin terapeuttisiin lähestymistapoihin, jotka kohdistuvat patogeenisiin proteiineihin.

Näistä lupaavista tuloksista huolimatta kliinisessä soveltamisessa on edelleen haasteita, kuten proteaasien toimittaminen tiettyihin kudoksiin tai soluihin ja immuunivasteen välttäminen. Lisäksi solunsisäiset kohteet monimutkaistavat terapiakehitystä, todennäköisesti edellyttäen geenin siirtomenetelmiä proteaasin ilmentämiseksi vaikuttavissa soluissa.

Työ paljastaa myös, että nykyiset tekoälyn proteiinisuunnittelutyökalut ovat erinomaisia rakenteellisten rajoitteiden mallintamisessa, mutta rajoittuneita katalyyttisen aktiivisuuden määrittelyssä luonnon evoluution tuottamien entsyymien tasolle. Työkalujen kehittäminen, jonka avulla aktiivisuutta voitaisiin optimoida suoraan rakenteen ohella, voisi edistää tulevaa entsyymisuunnittelua. Tästä huolimatta tutkimus edustaa merkittävää edistysaskelta rationaalisessa, tekoälypohjaisessa entsyymisuunnittelussa, jolla on laajoja vaikutuksia bioteknologiaan ja lääketieteeseen.