AI designer proteaser som spesifikt klipper målproteiner, potensielt til hjelp for sykdomsforskning

Bilde: Ars Technica · Kilde

Forskere ved University of Washington bruker AI-verktøy for å designe nye proteaser som kan bryte stabile peptidbindinger i spesifikke proteiner, inkludert de knyttet til nevrologiske sykdommer, et fremskritt mot målrettet proteinredigering.

Proteiner er kjeder av aminosyrer bundet sammen med peptidbindinger, som er svært stabile under normale forhold, med anslått halveringstid på flere hundre år. Til tross for denne iboende stabiliteten har organismer spesialiserte enzymer kalt proteaser som effektivt katalyserer spalting av disse bindingene, og muliggjør proteinnedbrytning og fornyelse som er livsviktig. Inntil nå har det vært utfordrende å mekanisk konstruere proteaser med presis spesifisitet og katalytisk effektivitet på grunn av det komplekse arrangementet av aminosyrer som kreves ved deres aktive steder.

Et forskningsteam ledet av nobelprisvinner David Baker ved University of Washington har gjort betydelige fremskritt med kunstig intelligens (AI) protein-designverktøy for å skape nye proteaser. Tilnærmingen deres starter med den katalytiske kjernen fra to naturlig forekommende typer proteaser – sink- og cysteinproteaser – og bruker AI til å redesigne proteinskjelettet rundt disse aktive setene. Dette muliggjør skapelse av enzymer med skreddersydd spesifisitet for å klippe utvalgte proteinsekvenser.

Designprosessen utnytter RFdiffusion2-programvare for å generere enzym-ryggrader som plasserer nødvendige katalytiske aminosyrer nøyaktig. Deretter tildeler ProteinMPNN aminosyrer langs denne ryggraden for å sikre kompatibilitet med ønsket fold, katalytisk sete og substratbinding. Forskerne genererte og evaluerte dusinvis av design, og brukte AlphaFold3 for å verifisere at deres nye strukturer ikke lignet kjente proteiner i eksisterende databaser.

Eksperimentell validering viste at mange AI-designede proteaser hadde katalytisk aktivitet, om enn generelt lavere enn sine naturlige motparter i starten. Gjennom systematiske aminosyreutskiftninger nær de aktive setene oppstod varianter med dramatisk forbedret aktivitet, som akselererte peptidbindingsspalting med faktorer opptil 10^9 for cysteinproteaser og 10^10 for sinkproteaser, samtidig som målspesifisiteten ble opprettholdt.

Viktignok anvendte forskerne sin designramme på proteaser som retter seg mot proteiner involvert i nevrodegenerative sykdommer som Alzheimer og frontotemporal demens. Nylig designede enzymer kløyvde effektivt disse sykdomsrelaterte proteinene i cellulære modeller, noe som antyder potensielle veier mot terapeutiske inngrep rettet mot patogene proteiner.

Til tross for disse lovende resultatene gjenstår utfordringer for kliniske anvendelser, inkludert levering av proteaser til spesifikke vev eller celler og unngåelse av immunreaksjoner. I tillegg kompliserer intracellulære mål terapiutviklingen, som sannsynligvis krever genleveringsmetoder for å indusere proteaseuttrykk innen rammede celler.

Studien viser også at nåværende AI-proteindesignverktøy utmerker seg i å modellere strukturelle begrensninger, men har begrensninger i å spesifisere katalytisk aktivitet på nivå med naturlig utviklede enzymer. Forbedring av verktøy for direkte optimering av aktivitet sammen med struktur kan fremme fremtidig enzymdesign. Likevel representerer denne forskningen et viktig fremskritt innen rasjonell, AI-drevet enzymteknikk med vidtrekkende implikasjoner for bioteknologi og medisin.