蛋白亲和力定向进化 ——利用ProteinMPNN与AlphaFold Multimer联合设计蛋白药物

学术   2024-10-14 06:58   浙江  



引言

本文档描述了一种利用先进的计算设计工具ProteinMPNN(基于深度学习的蛋白质序列设计模型)和AlphaFold Multimer(基于深度学习的蛋白质复合物结构预测模型)联合进行蛋白亲和力定向进化的方法。该方法旨在通过迭代优化蛋白序列,提高其与目标蛋白的结合能力,进而开发出高效的蛋白药物。本文参考了Goudy等人的研究成果(Odessa J. Goudy et al., 2023)以及Dauparas等人的工作(Dauparas et al., 2022),通过应用这些先进的深度学习模型,展示了从计算设计到实验验证的完整流程。



方法流程


1.目标设定:

测试原始蛋白序列:

A:WNPPTFSPALLVVTEGDNATFTCSFSNTSESFHVVWHRESPSGQTDTLAAFPEDRSQPGQDSRFRVTQLPNGRDFHMSVVRARRNDSGTYVCGVISLAPKIQIKESLRAELRVTERRAE
B:DEKEELLRELQEKIPDPRVREVLELAIKLLEDGVPPEEIKKLIEKLVKELGLPPEVLELVEKIVK



▪背景:A蛋白与B蛋白互作,其中ipTM+PTM=0.98(强互作)


▪固定A蛋白序列不变,对B蛋白序列进行优化,以提高其与A蛋白的结合亲和力。


2.序列优化:

▪使用ProteinMPNN(Dauparas et al., 2022)对B蛋白进行定向进化。ProteinMPNN是一个基于深度学习的蛋白质序列设计工具,能够根据给定的蛋白质骨架生成优化的氨基酸序列。


▪每次迭代后,利用AlphaFold Multimer(Evans et al., 2022)对蛋白复合物进行结构预测,评估结合亲和力。AlphaFold Multimer是一个基于深度学习的蛋白质复合物结构预测模型,能够准确预测蛋白质之间的相互作用结构。


▪迭代进行10次,每次迭代中,ProteinMPNN根据AlphaFold Multimer的结构预测结果生成新的B蛋白序列。


3.亲和力评估:

▪使用AlphaFold Multimer预测的复合物结构计算界面预测模板建模分数(ipTM)和可能的翻译后修饰分数(PTM,虽然PTM在此处可能不是直接评估亲和力的指标,但可用于后续实验设计参考),以评估结合亲和力。


4.结果分析:

▪分析每次迭代后的ipTM分数,选择亲和力提高最显著的序列进行进一步实验验证。



实验结果


_

ipTM

PTM

WT

0.34

0.64

0

0.63

0.74

1

0.41

0.67

2

0.49

0.69

3

0.33

0.64

4

0.47

0.71

5

0.32

0.65

6

0.35

0.65

7

0.44

0.69

8

0.58

0.72

9

0.81

0.85



结果分析


最佳序列(Seq9):

▪提取优化后的序列:

B:SEADEVVERLRERIPEPAAEGIAGGVRALLERGLPVEEALRELAELLRQAEAPEELVRVVEEAAE


▪比对结果:与原始B链序列相似度为31%,RMSD=1.026,表明改造后的序列在保持原有结构的基础上,显著提高了与A链的结合能力。



▪结构对比


原始数据是蓝色 改造后红色。RMSD=1.026.


综上,我们成功完成了对B链的定向进化改造。在保持其原有蛋白结构和功能的基础上,显著提升了B链与天然A链的结合能力。这一成果不仅验证了ProteinMPNN与AlphaFold Multimer联合使用的有效性,还为蛋白药物的进化研究提供了有力的工具和方法。


具体来说,通过ProteinMPNN进行多次迭代定向进化,并利用AlphaFold Multimer对蛋白复合物进行评分以控制进化方向,我们成功筛选出了具有高亲和力的B链序列(Seq9)。与原始B链相比,Seq9序列与A链的结合能力得到了显著提升,同时RMSD值表明改造后的B链结构并未发生显著变化,保持了良好的结构稳定性。这一成果对于推动蛋白药物的研发具有重要意义,为未来相关领域的研究提供了宝贵的经验和参考。



应用场景


该复合模型的应用场景广泛,特别是在药物研发领域具有巨大潜力。以下是一些具体的应用实例:


1.抗体药物设计:

▪在开发针对特定抗原的抗体药物时,可以利用该方法优化抗体的可变区序列,提高其与抗原的结合亲和力和特异性。


2.蛋白-蛋白相互作用抑制剂:

▪对于需要抑制特定蛋白-蛋白相互作用的疾病(如癌症),可以设计高亲和力的小分子或多肽抑制剂,干扰疾病相关蛋白的相互作用。


3.酶底物工程:

▪在生物催化领域,通过优化酶的底物结合口袋,可以提高酶对特定底物的催化效率和选择性,从而开发出性能更优的生物催化剂。



结论


本文展示了利用ProteinMPNN和AlphaFold Multimer联合进行蛋白亲和力定向进化的有效方法。通过多次迭代优化,我们成功提高了B蛋白与A蛋白的结合亲和力,为蛋白药物设计提供了新的思路和工具。该方法具有广泛的应用前景,有望在药物研发、疾病治疗等领域发挥重要作用。




参考文献

1.Odessa J. Goudy, Amrita Nallathambi, Tomoaki Kinjo, Nicholas      Randolph, Brian Kuhlman. (2023). In silico evolution of protein binders      with deep learning models for structure prediction and sequence design.      bioRxiv, doi: 10.1101/2023.05.03.539278.


2.J. Dauparas, B. O'Connell, N. Anand, V. Garg, T. S. Jaakkola,      B. Kuhlman. (2022). Robust deep learning–based protein sequence design      using ProteinMPNN. Science, 378(6620), 49-56. doi: 10.1126/science.abl4431.


3.R. Evans, A. Waterhouse, J. Jumper, A. Pritzel, J. Green, M. Figurnov, O. Ronneberger, et al. (2022). Protein complex prediction with AlphaFold-Multimer. bioRxiv, doi: 10.1101/2021.10.04.463034









合肥科晶生物技术有限公司是一家以AI与生物技术融合为核心的行业领军企业,汇聚生物技术和AI领域的高端人才,经验丰富的资深研发团队,能够为您提供全方位的专业知识、独特见解和技术支撑。


我们倾力打造百库精筛虚拟引擎,已储备数十种物种的蛋白质数字化文库,研究者只需送研究蛋白的CDS序列或者氨基酸序列,即可进行数字化互作蛋白筛选,只需5-10天即可交付!已储备常用物种数据库如下列表:



福利来袭!

科晶生物论文出图

免费蛋白互作分析等您来领!

0551-64669001

扫码添加客服,即可领取!



KjFold
分享最新科研前沿动态;技术介绍及案例分析;科研福利发放
 最新文章