Mākslīgais intelekts izstrādā proteāzes, kas īpaši sagriež mērķa olbaltumvielas, potenciāli palīdzot slimību pētniecībā

Attēls: Ars Technica · Avots

Vašingtonas Universitātes pētnieki izmanto mākslīgā intelekta rīkus jaunu proteāžu izstrādei, kas spēj sašķelt stabilas peptīdu saites konkrētās olbaltumvielās, tostarp ar neirologiskām slimībām saistītās, piedāvājot progresu virzībā uz mērķtiecīgu olbaltumvielu rediģēšanu.

Olbaltumvielas ir aminoskābju ķēdes, kas savienotas ar peptīdu saitēm, kuras normālos apstākļos ir ārkārtīgi stabilas, ar aptuvenu pusizjaukšanās laiku vairākus simtus gadu. Neskatoties uz šo dabisko stabilitāti, organismos pastāv specializēti enzīmi, ko sauc par proteāzēm, kas efektīvi katalizē šo saišu šķelšanu, veicinot olbaltumvielu noārdīšanos un atjaunošanos, būtisku dzīvības procesos. Līdz šim proteāžu izstrāde ar precīzu specifiskumu un katalītisku efektivitāti bijusi izaicinājums sakarā ar sarežģīto aminoskābju izvietojumu to aktīvajās vietās.

Nobela prēmijas laureāta Deivida Beikera vadīta pētnieku komanda Vašingtonas Universitātē ir guvusi būtisku progresu, izmantojot mākslīgā intelekta (AI) balstītus olbaltumvielu dizaina rīkus jaunu proteāžu radīšanai. Viņu pieeja sākas ar divu dabā sastopamu proteāžu tipu – cinka un cisteīna proteāžu – katalītisko kodolu un izmanto AI, lai pārveidotu olbaltumvielu karkasu ap šo aktīvo vietu. Tas ļauj radīt enzīmus ar pielāgotu specifiskumu atlasītu olbaltumvielu secību šķelšanai.

Dizaina process izmanto RFdiffusion2 programmatūru, lai ģenerētu enzīmu pamatkonstrukcijas, kas precīzi pozicionē nepieciešamās katalītiskās aminoskābes. Pēc tam ProteinMPNN piešķir aminoskābes gar šo karkasu, nodrošinot atbilstību vēlamajai struktūrai, katalītiskās vietas veidošanos un substrāta saistīšanos. Pētnieki izstrādāja un novērtēja vairākas desmitus dizainu, izmantojot AlphaFold3, lai pārliecinātos, ka viņu jauni struktūras neuzrāda līdzību ar esošām zināmajām olbaltumvielām datubāzēs.

Eksperimentāla validācija parādīja, ka daudzas AI radītās proteāzes pilda katalītisko aktivitāti, sākotnēji parasti zemāku nekā to dabiskie eksemplāri. Tomēr aktīvo vietu tuvumā veiktas sistemātiskas aminoskābju aizvietošanas radīja variantus ar būtiski uzlabotu aktivitāti, paātrinot peptīdu saišu šķelšanu līdz pat 10^9 reizēm cisteīna proteāzēm un 10^10 reizēm cinka proteāzēm, saglabājot mērķa specifiskumu.

Svarīgi, ka pētnieki pielietoja savu dizaina sistēmu proteāzēm, kas mērķētas uz olbaltumvielām, kas saistītas ar neirodeģeneratīvām slimībām, piemēram, Alcheimera un frontotemporālo demenci. Jaunizstrādātie enzīmi efektīvi šķēla šīs ar slimībām saistītās olbaltumvielas šūnu modeļos, kas liecina par potenciālām terapijas iespējām, mērķējot uz patogēnajām olbaltumvielām.

Neskatoties uz šiem cerīgajiem rezultātiem, klīniskai pielietošanai pastāv izaicinājumi, tostarp proteāžu piegāde uz specifiskajiem audiem vai šūnām un imūnreakciju izvairīšanās. Turklāt intracelulārie mērķi sarežģī terapijas attīstību, visticamāk prasot gēnu piegādes metodes, lai inducētu proteāžu ekspresiju skartajās šūnās.

Šīs darba rezultāti arī atklāj, ka pašreizējie AI balstītie olbaltumvielu dizaina rīki izceļas strukturālo ierobežojumu modelēšanā, bet tiem ir ierobežojumi katalītiskās aktivitātes precīzā noteikšanā līdz attīstīto dabisko enzīmu līmenim. Rīku uzlabošana, kas ļautu tieši optimizēt aktivitāti kopā ar struktūru, varētu veicināt nākotnes enzīmu izstrādi. Neskatoties uz to, šis pētījums ir nozīmīgs solis racionālā, AI virzītā enzīmu inženierijā ar plašu ietekmi biotehnoloģijā un medicīnā.