“`html
Применение глубокого обучения в инженерии белков: разработка функциональных растворимых белков
Традиционное проектирование белков, основанное на физических методах, таких как Rosetta, сталкивается с проблемами в создании функциональных белков с сложными структурами из-за необходимости параметрических и симметричных ограничений. Недавние достижения в области глубокого обучения, особенно с использованием инструментов, таких как AlphaFold2, преобразовали проектирование белков, позволяя точно предсказывать и исследовать огромные последовательности. Это привело к стабильным белкам с новыми функциями и сложными структурами.
Практические решения и ценность:
Исследователи разработали глубокое обучающееся приложение для проектирования сложных структур белков и растворимых аналогов мембранных белков. Этот подход использует AlphaFold2 и ProteinMPNN для создания устойчивых белковых структур, включая те, которые имитируют мембранные белки, такие как GPCR, без параметрических ограничений или обширной экспериментальной оптимизации. Биофизические анализы подтвердили высокую стабильность дизайнов, а экспериментальные структуры продемонстрировали замечательную точность. Этот метод расширяет функциональное растворимое пространство складок, позволяя включать функциональные возможности мембранных белков, что может улучшить открытие лекарств и другие приложения.
Исследователи использовали глубокое обучение для создания сложных структур белков, включая растворимые аналоги мембранных белков. AlphaFold2 генерирует последовательности для принятия топологий целевых белков, которые ProteinMPNN оптимизирует для улучшения разнообразия и растворимости. Этот подход успешно разработал сложные структуры, такие как IGFs, β-бочки и TIM-бочки без традиционных параметрических ограничений. Экспериментальная проверка показала высокую стабильность и точное структурное выравнивание с разработанными моделями. Успех этого подхода подчеркивает его потенциал для изучения новых топологий белков и интеграции функциональности из мембранных белков, улучшая открытие лекарств и инженерию белков.
Исследователи исследовали создание растворимых аналогов складок мембранных белков, которые обычно имеют уникальные структурные особенности. Используя пайплайн AF2seq-MPNN, они стремились растворить сложные складки, такие как клодин, ромбовидный протеаз и GPCR. Первоначальные попытки с использованием стандартных методов не увенчались успехом, но повторное обучение ProteinMPNN на растворимых белках (MPNNsol) привело к успешным дизайнам. Исследователи достигли растворимых, термически стабильных белков с точным структурным выравниванием для этих сложных складок. Рентгеноструктурный анализ подтвердил точность их дизайнов, показывая, что эти мембранные топологии могут быть преобразованы в растворимые формы, раскрывая их потенциал для различных биотехнологических приложений.
Исследование расширило проектирование растворимых аналогов мембранных белков, включая функциональные возможности. Исследователи сохранили специфические функциональные мотивы при растворении трансмембранных сегментов, создавая растворимые версии человеческих клодин-1 и клодин-4, сохраняющие свою естественную способность связываться с энтеротоксином Clostridium perfringens, имитируя свои мембранно-связанные аналоги. Они также разработали химерные растворимые аналоги GPCR, включающие функциональные домены рецептора грелина и аденозинового рецептора A2A. Эти аналоги могут взаимодействовать с конкретными белками, демонстрируя сохранение критических функциональных участков. Этот подход имеет потенциал для проектирования функциональных белков и улучшения открытия терапевтических средств.
Исследование демонстрирует подход к проектированию сложных белковых складок на основе глубокого обучения, преодолевая традиционные препятствия. Оно успешно генерировало высококачественные белковые основы различных топологий без специфического переобучения, достигая значительного экспериментального успеха в производстве растворимых и правильно сложенных дизайнов. Структурные проверки подтвердили точность моделирования, что критично для функционального проектирования белков. Важно, что метод расширил возможности дизайна на аналоги мембранных белков, включая сложные складки, такие как ромбовидный протеаз и GPCR, демонстрируя их растворимость и мономерное состояние в растворе. Этот прорыв открывает пути для создания функциональных растворимых белков с естественными свойствами, необходимых для ускорения открытия лекарств, нацеленных на мембранные белки, и значительно расширяет область компьютерного проектирования белков.
Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter.
Присоединяйтесь к нашему Telegram-каналу и группе LinkedIn.
Если вам нравится наша работа, вам понравится наш новостной бюллетень.
Не забудьте присоединиться к нашему 46k+ ML SubReddit
Попробуйте AI Sales Bot здесь. Этот AI-ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab здесь. Будущее уже здесь!
“`
