Binder 结构和序列的联合设计
BindCraft
2024年10月1日，Sergey Ovchinnikov 和 Bruno E. Correia发表了一篇， 题为BindCraft: one-shot design of functional protein binders的论文。
介绍了 BindCraft 这一创新的自动化流程，它利用 AlphaFold2 深度学习模型的权重，无需高通量筛选或实验优化即可设计出功能性蛋白质结合剂 Binder，解决了传统方法耗时且效率低下的问题，并显著提高了设计成功率在10-100%，为治疗、诊断和生物技术领域带来了突破。
关键词
蛋白设计｜联合设计｜AF2｜Binder
背景
蛋白质-蛋白质相互作用（PPI）是生物过程中的核心过程，但设计能够调节这些相互作用的蛋白质结合剂一直充满挑战。
传统实验方法，如：免疫接种和抗体库筛选既耗时又费力。基于传统物理的方法，如Rosetta，虽然在早期 Binder 设计中起到了关键作用，但成功率低（<0.1%）和需要大量设计采样的问题。并且在对接目标蛋白结构时，可能因表面不匹配而无法有效靶向某些表位。
随着计算蛋白设计的进步，尤其是深度学习模型AlphaFold2的应用，现在能够更精确地预测蛋白质结构，从而设计出新的蛋白质结合剂。
BindCraft正是基于AF2的技术，它是一个开源的自动化设计流程，能利用AF2来高效设计出功能性结合Binder，无需进行大规模的实验筛选，大大简化了设计过程，并提高了成功率。这项工作代表着计算设计领域的一大进步，为治疗、诊断和生物技术开辟了新的可能性。
编者也推荐感兴趣的读者事先学习相关的几篇文章：
原理
BindCraft 的 Binder 设计流程（图1a），可以分为以下几个主要步骤：
输入目标蛋白结构 生成 Binder 骨架和序列 序列优化 过滤
1. 输入目标蛋白结构
用户输入目标蛋白的PDB格式结构，BindCraft将使用这个结构来指导后续的结合剂设计。这一步是整个流程的基础，因为目标蛋白的结构决定了可能的结合位点和结合剂设计的出发点。
2. 生成 Binder 骨架和序列
模型：AF2-Multimer
初始化：BindCraft首先随机生成一个结合剂序列，并将其与目标蛋白结构一起输给AF2-Multimer模型。
结构预测和损失计算：AF2模型预测结合剂的结构，并计算设计损失，这个损失包括多个项，如pLDDT、ipTM等，用于评估 Binder 与目标蛋白的匹配程度。
反向传播和优化：利用计算出的损失函数，通过反向传播更新 Binder 序列，以优化 Binder 的结构和序列（下图）。
3. 序列优化
模型：solMPNN 界面保持：在这一步中，结合剂与目标蛋白的结合界面保持不变。 序列优化：使用 solMPNN 对 Binder 的核心和非表面序列进行优化，以提高结合剂的稳定性和可溶性。
4. 过滤
模型：AF2单体模型 复查：优化后的 Binder 再次使用AF2单体模型进行预测。 评分：结合 AF2 的置信度评分和 Rosetta 物理评分对设计进行过滤，选择最有可能成功的 Binder 序列。
这里过滤的标准考虑的相当全面，也十分专业。编者看了下仓库，这里的筛选标准包括以下指标：
1. MPNN_score
2. MPNN_seq_recovery
3. pLDDT
4. pTM
5. i_pTM
6. pAE
7. i_pAE
8. i_pLDDT
9. ss_pLDDT
10. Unrelaxed_Clashes
11. Relaxed_Clashes
12. Binder_Energy_Score
13. Surface_Hydrophobicity
14. ShapeComplementarity
15. PackStat
16. dG
17. dSASA
18. dG/dSASA
19. Interface_SASA_%
20. Interface_Hydrophobicity
21. n_InterfaceResidues
22. n_InterfaceHbonds
23. InterfaceHbondsPercentage
24. n_InterfaceUnsatHbonds
25. InterfaceUnsatHbondsPercentage
26. Interface_Helix%
27. Interface_BetaSheet%
28. Interface_Loop%
29. Binder_Helix%
30. Binder_BetaSheet%
31. Binder_Loop%
32. InterfaceAAs
33. HotspotRMSD
34. Target_RMSD
35. Binder_pLDDT
36. Binder_pTM
37. Binder_pAE
38. Binder_RMSD
经过上述步骤后，BindCraft 将输出一系列高质量的结合剂设计，这些设计可以直接用于实验验证，如SPR实验或晶体学分析。
结果
BindCraft 设计流程针对的数十个目前蛋白设计了Binder小蛋白。这些靶点包括细胞表面受体、过敏原、从头设计的蛋白质、多域核酸酶等，它们在治疗和科研中具有重要的意义和价值。
对于每个靶蛋白，图1b提供了以下信息：
蓝色框：表示成功设计的数量与实验测试总数的比例。 黄色框：显示最高亲和力结合剂的Kd值（无需进一步实验优化）。 橙色框：表示因拟合不佳而需重新测定的预估计的Kd值。
| 靶点 | 成功数量 | 最高Kd值 | 预估Kd值 |
|---|---|---|---|
| PD-1 | 13/53 | < 1 nM | |
| PD-L1 | 7/9 | 615 nM | |
| IFNAR2 | 3/9 | 260 nM | - |
| CD45 | 4/16 | 15 nM | - |
| SpCas9 | 6/6 | 267 nM | |
| DerF7 | 4/10 | 12.8 nM | - |
| DerF21 | 4/7 | 793 nM | |
| BetV1 | 2/7 | 120 nM | - |
| BBF-14 | 6/11 | 20.9 nM | - |
| SAS-6 | 3/9 | 5.7 μM | - |
从上表可看出 BindCraft 在针对多样化靶点和具有挑战性的蛋白质靶点，设计出高亲和力Binder结合剂方面的效率和潜力。证明了 BindCraft 在计算 Binder 设计领域的先进性，以及其在生物技术和治疗应用中的潜在价值。
文献代码
[1] Pacesa, Martin, et al. "BindCraft: one-shot design of functional protein binders." bioRxiv (2024): 2024-09.
[2] https://github.com/martinpacesa/BindCraft
往期合集
干货文章｜线上报告｜蛋白设计｜综述｜Binder｜Co-design｜Benchmark｜AF3｜David Baker｜ESM｜MaSIF｜结构预测｜语言模型｜骨架生成｜逆向折叠｜抗体设计｜多肽设计｜酶设计｜稳定性｜药物设计
关注我们
死磕自己，愉悦大家
专注于AI蛋白相关的论文解读&学术速运
