AI designar proteaser som specifikt klipper målproteiner, vilket potentiellt kan underlätta sjukdomsforskning

Bild: Ars Technica · Källa

Forskare vid University of Washington använder AI-verktyg för att designa nya proteaser som kan bryta stabila peptidbindningar i specifika proteiner, inklusive de kopplade till neurologiska sjukdomar, vilket markerar framsteg mot riktad proteinredigering.

Proteiner är kedjor av aminosyror bundna med peptidbindningar, som är extremt stabila under normala förhållanden med en uppskattad halveringstid på flera hundra år. Trots denna inneboende stabilitet har organismer specialiserade enzymer kallade proteaser som effektivt katalyserar klyvning av dessa bindningar, vilket möjliggör proteinnedbrytning och förnyelse som är vital för livet. Fram till nu har det varit utmanande att konstruera proteaser med precis specificitet och katalytisk effektivitet på grund av den komplexa arrangemanget av aminosyror som krävs vid deras aktiva platser.

Ett forskarteam lett av Nobelpristagaren David Baker vid University of Washington har gjort betydande framsteg med hjälp av artificiell intelligens (AI) för protein-designverktyg för att skapa nya proteaser. Deras metod börjar med den katalytiska kärnan av två naturligt förekommande proteas-typer – zink- och cysteinproteaser – och använder AI för att omdesigna proteinskellettet runt dessa aktiva ytor. Detta möjliggör skapande av enzymer med skräddarsydd specificitet för att klyva valda proteinsekvenser.

Designprocessen använder RFdiffusion2-mjukvara för att generera enzym-ryggrader som placerar nödvändiga katalytiska aminosyror exakt. Därefter tilldelar ProteinMPNN aminosyror längs denna ryggrad för att säkerställa kompatibilitet med önskad veckning, bildandet av den katalytiska platsen och substratbindning. Forskarna genererade och utvärderade dussintals designer och använde AlphaFold3 för att verifiera att deras nya strukturer inte liknade kända proteiner i befintliga databaser.

Experimentell validering visade att många AI-designade proteaser hade katalytisk aktivitet, om än generellt lägre än deras naturliga motsvarigheter inledningsvis. Genom systematiska aminosyraförändringar nära de aktiva platserna framkom varianter med dramatiskt förbättrade aktiviteter, vilka accelererade peptidbindningsklyvning med faktorer upp till 10^9 för cysteinproteaser och 10^10 för zinkproteaser samtidigt som målspecificitet bibehölls.

Viktigt är att forskarna applicerade sin designram för proteaser som riktar sig mot proteiner involverade i neurodegenerativa sjukdomar som Alzheimers och frontotemporal demens. Nyligen designade enzymer klyvde effektivt dessa sjukdomsassocierade proteiner i cellulära modeller, vilket antyder potentiella vägar mot terapeutiska interventioner riktade mot patogena proteiner.

Trots dessa lovande resultat kvarstår utmaningar för kliniska tillämpningar, inklusive leverans av proteaser till specifika vävnader eller celler och undvikande av immunreaktioner. Dessutom komplicerar intracellulära mål terapiutvecklingen, vilket sannolikt kräver genleveransmetoder för att inducera proteasuttryck i påverkade celler.

Studien visar också att nuvarande AI-verktyg för protein-design excellerar i modellering av strukturella begränsningar men har begränsningar i att specificera katalytisk aktivitet på nivå med naturligt utvecklade enzymer. Förbättring av verktyg för att direkt optimera aktivitet tillsammans med struktur kan driva framtida enzymdesign framåt. Ändå utgör denna forskning ett avgörande steg inom rationell, AI-driven enzymteknik med breda konsekvenser för bioteknologi och medicin.