FragFold, desarrollado por investigadores de MIT Biology, es un método computacional con potencial de impacto en la investigación biológica y las aplicaciones terapéuticas.
Toda la función biológica depende de cómo las diferentes proteínas interactúan entre sí. Las interacciones proteína-proteína facilitan todo, desde la transcripción del ADN y el control de la división celular hasta funciones de nivel superior en organismos complejos.
Sin embargo, aún no está claro cómo se orquestan estas funciones a nivel molecular y cómo las proteínas interactúan entre sí — con otras proteínas o con copias de sí mismas.
Hallazgos recientes han revelado que pequeños fragmentos de proteínas tienen mucho potencial funcional. A pesar de que son piezas incompletas, tramos cortos de aminoácidos aún pueden unirse a las interfaces de una proteína objetivo, recapitulando las interacciones nativas. A través de este proceso, pueden alterar la función de las proteínas o interrumpir sus interacciones con otras proteínas.
Por lo tanto, los fragmentos de proteínas podrían potenciar tanto la investigación básica sobre las interacciones de proteínas como los procesos celulares, y podrían tener aplicaciones terapéuticas.
Recientemente publicado en Actas de la Academia Nacional de Cienciasun nuevo método desarrollado en el Departamento de Biología se basa en modelos de inteligencia artificial existentes para predecir computacionalmente fragmentos de proteínas que pueden unirse e inhibir proteínas de longitud completa en E. coli. Teóricamente, esta herramienta podría conducir a inhibidores genéticamente codificables contra cualquier proteína.
El trabajo se realizó en el laboratorio del profesor asociado de biología e investigador del Instituto Médico Howard Hughes Li Gene-Wei en colaboración con el laboratorio de Jay A. Stein (1968) Profesor de Biología, profesor de ingeniería biológica y jefe de departamento Amy Keating.
Aprovechando el aprendizaje automático
El programa, llamado FragFold, aprovecha AlphaFold, un modelo de IA que ha llevado a avances fenomenales en biología en los últimos años debido a su capacidad para predecir el plegamiento de proteínas y las interacciones de proteínas.
El objetivo del proyecto era predecir inhibidores de fragmentos, que es una aplicación novedosa de AlphaFold. Los investigadores de este proyecto confirmaron experimentalmente que más de la mitad de las predicciones de FragFoldats para la unión o inhibición eran precisas, incluso cuando los investigadores no tenían datos estructurales previos sobre los mecanismos de esas interacciones.
“Nuestros resultados sugieren que este es un enfoque generalizable para encontrar modos de unión que probablemente inhiban la función de las proteínas, incluso para nuevos objetivos de proteínas, y puede usar estas predicciones como punto de partida para más experimentos, dice el coautor y correspondiente autor Andrew Savinov, un postdoctorado en el Laboratorio de Li. “Realmente podemos aplicar esto a proteínas sin funciones conocidas, sin interacciones conocidas, sin estructuras incluso conocidas, y podemos poner algo de crédito en estos modelos que estamos desarrollando.”
Un ejemplo es FtsZ, una proteína que es clave para la división celular. Está bien estudiado, pero contiene una región que está intrínsecamente desordenada y, por lo tanto, es especialmente difícil de estudiar. Las proteínas desordenadas son dinámicas, y es muy probable que sus interacciones funcionales sean fugaces — ocurriendo tan brevemente que las herramientas actuales de biología estructural pueden capturar una sola estructura o interacción.
Los investigadores aprovecharon FragFold para explorar la actividad de fragmentos de FtsZ, incluidos fragmentos de la región intrínsecamente desordenada, para identificar varias nuevas interacciones de unión con varias proteínas. Este salto en la comprensión confirma y amplía los experimentos previos que miden la actividad biológica de FtsZin.
Este progreso es significativo en parte porque se hizo sin resolver la estructura regional desordenada, y porque exhibe el poder potencial de FragFold.
“Este es un ejemplo de cómo AlphaFold está cambiando fundamentalmente la forma en que podemos estudiar biología molecular y celular, dice ” Keating. “Las aplicaciones creativas de los métodos de IA, como nuestro trabajo en FragFold, abren capacidades inesperadas y nuevas direcciones de investigación.”
Inhibición, y más allá
Los investigadores lograron estas predicciones fragmentando computacionalmente cada proteína y luego modelando cómo esos fragmentos se unirían a los socios de interacción que pensaban que eran relevantes.
Compararon los mapas de unión predicha a lo largo de toda la secuencia con los efectos de esos mismos fragmentos en células vivas, determinados utilizando mediciones experimentales de alto rendimiento en las que millones de células producen cada una un tipo de fragmento de proteína.
AlphaFold utiliza información coevolutiva para predecir el plegamiento y, por lo general, evalúa la historia evolutiva de las proteínas utilizando algo llamado alineaciones de secuencias múltiples para cada ejecución de predicción. Los MSA son críticos, pero son un cuello de botella para las predicciones a gran escala — pueden tomar una cantidad prohibitiva de tiempo y potencia computacional.
Para FragFold, los investigadores calcularon previamente el MSA para una proteína de longitud completa una vez, y usaron ese resultado para guiar las predicciones para cada fragmento de esa proteína de longitud completa.
Savinov, junto con el ex alumno de Keating Lab Sebastian Swanson PhD ’23, predijo fragmentos inhibitorios de un conjunto diverso de proteínas además de FtsZ. Entre las interacciones que exploraron fue un complejo entre las proteínas de transporte de lipopolisacáridos LptF y LptG. Un fragmento de proteína de LptG inhibió esta interacción, presumiblemente interrumpiendo la entrega de lipopolisacárido, que es un componente crucial de la E. coli membrana celular externa esencial para la aptitud celular.
“La gran sorpresa fue que podemos predecir la unión con una precisión tan alta y, de hecho, a menudo predecir la unión que corresponde a la inhibición, dice Savinov. “Por cada proteína que hemos visto, hemos podido encontrar inhibidores.”
Los investigadores inicialmente se centraron en los fragmentos de proteínas como inhibidores porque si un fragmento podría bloquear una función esencial en las células es un resultado relativamente simple de medir sistemáticamente. De cara al futuro, Savinov también está interesado en explorar la función de los fragmentos fuera de la inhibición, como los fragmentos que pueden estabilizar la proteína a la que se unen, mejorar o alterar su función, o desencadenar la degradación de las proteínas.
Diseño, en principio
Esta investigación es un punto de partida para desarrollar una comprensión sistémica de los principios de diseño celular y qué elementos pueden estar aprovechando los modelos de aprendizaje profundo para hacer predicciones precisas.
“Hay un objetivo más amplio y de mayor alcance hacia el que vamos a construir,” Savinov dice. “Ahora que podemos predecirlos, ¿podemos usar los datos que tenemos de las predicciones y los experimentos para extraer las características sobresalientes para descubrir qué AlphaFold realmente ha aprendido sobre lo que hace un buen inhibidor?”
Savinov y sus colaboradores también profundizaron en cómo se unen los fragmentos de proteínas, explorando otras interacciones de proteínas y mutando residuos específicos para ver cómo esas interacciones cambian la forma en que el fragmento interactúa con su objetivo.
Examinar experimentalmente el comportamiento de miles de fragmentos mutados dentro de las células, un enfoque conocido como escaneo mutacional profundo, reveló aminoácidos clave que son responsables de la inhibición. En algunos casos, los fragmentos mutados eran inhibidores incluso más potentes que sus secuencias naturales de longitud completa.
“A diferencia de los métodos anteriores, no nos limitamos a identificar fragmentos en datos estructurales experimentales,” dice Swanson. “La fuerza central de este trabajo es la interacción entre los datos de inhibición experimental de alto rendimiento y los modelos estructurales predichos: los datos experimentales nos guían hacia los fragmentos que son particularmente interesantes, mientras que los modelos estructurales predichos por FragFold proporcionan una hipótesis específica y comprobable de cómo funcionan los fragmentos a nivel molecular
Savinov está entusiasmado con el futuro de este enfoque y sus innumerables aplicaciones.
“Al crear aglutinantes compactos y genéticamente codificables, FragFold abre una amplia gama de posibilidades para manipular la función de las proteínas,” Li está de acuerdo. “Podemos imaginar la entrega de fragmentos funcionalizados que pueden modificar las proteínas nativas, cambiar su localización subcelular e incluso reprogramarlas para crear nuevas herramientas para estudiar biología celular y tratar enfermedades». MIT News. L. E. Traducido al español
Contacto