Химия уже не первую сотню лет оперирует понятием «лиганд». В конце XX века новые идеи в этой области породили целую новую науку — супрамолекулярную химию. Но даже когда мы говорим о больших органических лигандах, мало кому в голову может прийти самостоятельно спроектировать целый белок! Конечно, такой шаг даёт возможность получить поразительную селективность связывания с молекулой-гостем, но количество вариаций такого молекулярного хозяева испаряет все надежды подобрать нужную именно нам комбинацию. По крайней мере, так было до эпохи искусственного интеллекта.
За эту, на первый взгляд, непосильную задачу взялись в коллаборации лаборатория дизайна белков (Бейкер/Бхардвадж) и лаборатория микробиологии (Мугус/Вудворд). Их совместные компетенции в области патогенных бактерий и использовании передовых вычислительных методов позволили решить эту задачу. В качестве мишени был выбран белок Flpp3, играющий ключевую роль в развитии бактериальной инфекции Francisella tularensis — «кроличьей лихорадки». Особенностью Flpp3 является относительно плоская и гладкая поверхность, что делает его неудобной мишенью для связывания малыми молекулами.
Но как же всё-таки удалось подобрать необходимый белок? Исследователи использовали комбинацию физических методов и глубокого обучения. На первом этапе была задействована готовая библиотека из 43 724 предварительно смоделированных «скелетов» минибелков, которые стабильно сворачиваются в разные трёхмерные формы. С помощью PatchDock быстро оценили, как каждый скелет по форме может стыковаться с выбранным сайтом Flpp3. Для более точной оптимизации использовали метод «поля ротамерных взаимодействий» (RIFDock). В результате получили полмиллиона наиболее перспективных конформаций.
На следующем этапе необходимо было «надеть» на каждый получившийся скелет подходящую последовательность аминокислот. Для этой цели была использована нейросеть ProteinMPNN. Она, анализируя геометрию скелета и целевого сайта, предлагает аминокислотные последовательности, оптимальные для связывания с мишенью. Чтобы не синтезировать огромное число бессмысленных вариантов, все спроектированные модели (миллионы) прогнали через строгие фильтры:
1) Стабильность и доверие к структуре (AlphaFold2);
2) Энергия связывания (Rosetta ddG);
3) Склонность к агрегации (SAP score).
После этого были синтезированы гены, кодирующие все ~23 000 отобранных кандидатов, и проведён многоэтапный отбор с использованием эволюционного давления на дрожжевом дисплее. В результате выделили 4 лучших кандидата для α-сайта и 1 для β-сайта (BSD1).
Далее был проведён сайт-направленный мутагенез BSD1, который позволил обнаружить ключевую мутацию Q34F, повышающую аффинность в ~50 раз (с 81 нМ до 1,7 нМ). Скомбинировав самые полезные мутации, учёные получили минибелки BSD1.17 и BSD1.18 с пикомолярной аффинностью — K_D ~ 580 пМ.
Также удалось получить РСА-структуру комплекса самого сильного α-лиганда ASD1 с Flpp3, которая показана на рисунке (b3) и подтвердила атомарную точность дизайна.
https://doi.org/10.1002/anie.202516058
Автор: Степан Попович
Источник: Химическое информационное агентство
