Sztuczna inteligencja projektuje proteazy do selektywnego cięcia docelowych białek, co może wspomóc badania chorób

Image: Ars Technica · Source

Naukowcy z Uniwersytetu Waszyngtońskiego wykorzystują narzędzia AI do projektowania nowych proteaz zdolnych do rozszczepiania stabilnych wiązań peptydowych w określonych białkach, w tym tych związanych z chorobami neurologicznymi, co oznacza postęp w kierunku celowanej edycji białek.

Białka to łańcuchy aminokwasów połączone wiązaniami peptydowymi, które są niezwykle stabilne w normalnych warunkach, z szacowanym okresem półtrwania sięgającym kilkuset lat. Pomimo tej wrodzonej stabilności, organizmy posiadają wyspecjalizowane enzymy nazywane proteazami, które efektywnie katalizują rozcinanie tych wiązań, co umożliwia degradację i odnowę białek niezbędną do życia. Do tej pory inżynieria proteaz o precyzyjnej specyficzności i efektywności katalitycznej była wyzwaniem z powodu skomplikowanego ułożenia aminokwasów wymaganego w ich miejscach aktywnych.

Zespół badawczy pod kierownictwem laureata Nagrody Nobla Davida Bakera z Uniwersytetu Waszyngtońskiego osiągnął znaczące postępy, wykorzystując narzędzia sztucznej inteligencji (AI) do projektowania białek, tworząc nowe proteazy. Ich podejście zaczyna się od rdzenia katalitycznego dwóch naturalnie występujących typów proteaz – proteaz cynkowych i cysteinowych – i używa AI do przeprojektowania szkielety białkowej otaczającej te miejsca aktywne. Pozwala to na tworzenie enzymów o dopasowanej specyficzności do rozcinania wybranych sekwencji białkowych.

Proces projektowania wykorzystuje oprogramowanie RFdiffusion2 do generowania szkieletów enzymów, które precyzyjnie pozycjonują niezbędne aminokwasy katalityczne. Następnie ProteinMPNN przypisuje aminokwasy wzdłuż tego szkieletu, zapewniając kompatybilność z pożądaną strukturą, formowaniem miejsca katalitycznego oraz wiązaniem substratu. Naukowcy wygenerowali i ocenili dziesiątki projektów, wykorzystując AlphaFold3 do potwierdzenia, że ich nowe struktury nie przypominają znanych białek w istniejących bazach danych.

Weryfikacje eksperymentalne wykazały, że wiele zaprojektowanych przez AI proteaz wykazywało aktywność katalityczną, choć początkowo zazwyczaj niższą niż ich naturalne odpowiedniki. Jednak systematyczne podstawienia aminokwasów w pobliżu miejsc aktywnych przyniosły warianty o dramatycznie zwiększonej aktywności, przyspieszając rozcinanie wiązań peptydowych nawet o czynnik 10^9 dla proteaz cysteinowych i 10^10 dla proteaz cynkowych, przy zachowaniu specyficzności wobec celu.

Co ważne, badacze zastosowali swoją metodologię projektowania do proteaz celujących w białka powiązane z chorobami neurodegeneracyjnymi, takimi jak choroba Alzheimera i otępienie czołowo-skroniowe. Nowo zaprojektowane enzymy skutecznie rozcinały te białka chorobotwórcze w modelach komórkowych, sugerując potencjalne drogi do interwencji terapeutycznych celujących w patologiczne białka.

Pomimo obiecujących wyników, pozostają wyzwania dla zastosowań klinicznych, w tym dostarczanie proteaz do konkretnych tkanek lub komórek oraz unikanie odpowiedzi immunologicznych. Dodatkowo, cele wewnątrzkomórkowe komplikują rozwój terapii, prawdopodobnie wymagając zastosowania metod dostarczania genów w celu indukcji ekspresji proteaz w dotkniętych komórkach.

Praca pokazuje także, że obecne narzędzia AI do projektowania białek doskonale radzą sobie z modelowaniem ograniczeń strukturalnych, lecz mają ograniczenia w precyzowaniu aktywności katalitycznej na poziomie naturalnych enzymów ewoluowanych przez naturę. Udoskonalenie narzędzi tak, aby bezpośrednio optymalizowały aktywność wraz ze strukturą, może przyspieszyć przyszłe projektowanie enzymów. Niemniej jednak badania te reprezentują kluczowy postęp w racjonalnym, wspomaganym AI inżynierii enzymów z szerokimi implikacjami dla biotechnologii i medycyny.