ИИ разрабатывает протеазы для специфичного расщепления целевых белков, что может помочь в исследованиях заболеваний

Image: Ars Technica · Source

Исследователи из Университета Вашингтона используют инструменты ИИ для создания новых протеаз, способных разрушать устойчивые пептидные связи в определённых белках, включая связанные с неврологическими заболеваниями, что является шагом вперёд на пути к таргетному редактированию белков.

Белки представляют собой цепочки аминокислот, соединённых пептидными связями, которые являются исключительно стабильными при нормальных условиях, с предполагаемым периодом полураспада в несколько сотен лет. Несмотря на эту высокую стабильность, в организмах существуют специализированные ферменты – протеазы, которые эффективно катализируют расщепление этих связей, способствуя деградации и обновлению белков, важному для жизни. До настоящего времени инженерия протеаз с точной специфичностью и катализаторной эффективностью была затруднена из-за сложной организации аминокислот в их активных центрах.

Команда исследователей под руководством лауреата Нобелевской премии Дэвида Бейкера из Университета Вашингтона добилась значительных успехов, используя инструменты искусственного интеллекта (ИИ) для дизайна белков и создания новых протеаз. Их подход начинается с каталитического ядра двух естественных типов протеаз – цинковых и цистеиновых – и использует ИИ для переразработки белкового каркаса, окружающего эти активные центры. Это позволяет создавать ферменты с подобранной специфичностью для расщепления выбранных белковых последовательностей.

Процесс проектирования основывается на программном обеспечении RFdiffusion2 для генерации каркасов ферментов, которые точно позиционируют необходимые каталитические аминокислоты. Затем ProteinMPNN назначает аминокислоты вдоль этого каркаса, обеспечивая совместимость с желаемой складкой, формированием каталитического центра и связыванием субстрата. Исследователи сгенерировали и оценили десятки вариантов, используя AlphaFold3 для проверки, что их новые структуры не похожи на известные белки из существующих баз данных.

Экспериментальная проверка показала, что многие протеазы, разработанные ИИ, обладают каталитической активностью, хотя изначально обычно ниже, чем у природных аналогов. Однако систематические замены аминокислот вблизи активных центров привели к вариантам с значительно повышенной активностью, ускоряя расщепление пептидных связей в 10^9 раз для цистеиновых протеаз и 10^10 раз для цинковых, при этом сохраняется специфичность к цели.

Важно, что исследователи применили разработанную ими методику к протеазам, нацеленным на белки, связанные с нейродегенеративными заболеваниями, такими как болезнь Альцгеймера и фронтотемпоральная деменция. Новые ферменты эффективно расщепляли эти патологические белки в клеточных моделях, что указывает на возможные пути для терапии с нацеленностью на патогенные белки.

Несмотря на многообещающие результаты, остаются проблемы для клинического применения, включая доставку протеаз в конкретные ткани или клетки и избегание иммунных реакций. Кроме того, внутриклеточные мишени усложняют разработку терапии, вероятно, требуя методов доставки генов для индукции экспрессии протеаз в поражённых клетках.

Исследование также показывает, что текущие инструменты ИИ-дизайна белков хорошо справляются с моделированием структурных ограничений, но имеют ограничения в точном определении каталитической активности на уровне эволюционно развитых природных ферментов. Улучшение инструментов с целью прямой оптимизации активности вместе со структурой может ускорить будущий дизайн ферментов. Тем не менее, эта работа представляет собой важный прорыв в рациональной инженерии ферментов, управляемой ИИ, с широкими перспективами для биотехнологий и медицины.