Datamodell gir mer kontroll over proteindesign: Ny tilnærming genererer et bredere utvalg av proteinsekvenser som er optimalisert for å binde seg til medikamentmål.

Å designe syntetiske proteiner som kan fungere som medisiner mot kreft eller andre sykdommer kan være en kjedelig prosess: Det innebærer vanligvis å lage et bibliotek med millioner av proteiner, deretter screening av biblioteket for å finne proteiner som binder det riktige målet.

MIT-biologer har nå kommet opp med en mer raffinert tilnærming der de bruker datamodellering for å forutsi hvordan ulike proteinsekvenser vil samhandle med målet. Denne strategien genererer et større antall kandidater og gir også større kontroll over en rekke proteinegenskaper, sier Amy Keating, en professor i biologi, medlem av Koch-instituttet, og lederen av forskerteamet.

«Vår metode gir deg et mye større spillefelt der du kan velge løsninger som er svært forskjellige fra hverandre og som kommer til å ha forskjellige styrker og forpliktelser," hun sier. "Vårt håp er at vi kan tilby et bredere spekter av mulige løsninger for å øke gjennomstrømningen av de første treffene til nyttige, funksjonelle molekyler."

I et papir som vises i Et team av MIT-forskere fant en vei rundt det uken i okt. 15, Keating og hennes kolleger brukte denne tilnærmingen til å generere flere peptider som kan målrette mot forskjellige medlemmer av en proteinfamilie kalt Bcl-2, som bidrar til å drive kreftvekst.

Nylige doktorgradsmottakere Justin Jenson og Vincent Xue er hovedforfatterne av artikkelen. Andre forfattere er postdoktor Tirtha Mandal, tidligere laboratorietekniker Lindsey Stretz, og tidligere postdoktor Lothar Reich.

Modellering av interaksjoner

Proteinmedisiner, også kalt biofarmasøytiske midler, er en raskt voksende klasse medikamenter som lover å behandle et bredt spekter av sykdommer. Den vanlige metoden for å identifisere slike legemidler er å screene millioner av proteiner, enten tilfeldig valgt eller valgt ved å lage varianter av proteinsekvenser som allerede har vist seg å være lovende kandidater. Dette involverer engineering av virus eller gjær for å produsere hvert av proteinene, deretter utsette dem for målet for å se hvilke som binder best.

"Det er standardtilnærmingen: Enten helt tilfeldig, eller med noen forkunnskaper, designe et bibliotek med proteiner, og deretter fiske i biblioteket for å trekke ut de mest lovende medlemmene,sier Keating.

Mens den metoden fungerer bra, det produserer vanligvis proteiner som er optimalisert for bare en enkelt egenskap: hvor godt det binder seg til målet. Det tillater ikke kontroll over andre funksjoner som kan være nyttige, for eksempel egenskaper som bidrar til et proteins evne til å komme inn i celler eller dets tendens til å provosere en immunrespons.

"Det er ingen åpenbar måte å gjøre den slags ting på - spesifiser et positivt ladet peptid, for eksempel - ved å bruke brute force-biblioteket,sier Keating.

En annen ønskelig funksjon er evnen til å identifisere proteiner som binder seg tett til deres mål, men ikke til lignende mål, som bidrar til at legemidler ikke får utilsiktede bivirkninger. Standardtilnærmingen lar forskere gjøre dette, men eksperimentene blir mer tungvint, sier Keating.

Den nye strategien innebærer først å lage en datamaskinmodell som kan relatere peptidsekvenser til deres bindingsaffinitet for målproteinet. For å lage denne modellen, forskerne først valgte ca 10,000 peptider, Hver 23 aminosyrer i lengde og spiralformet struktur, og testet deres binding til tre forskjellige medlemmer av Bcl-2-familien. De valgte med vilje noen sekvenser de allerede visste ville binde godt, pluss andre de visste ikke ville, slik at modellen kan inkludere data om en rekke bindingsevner.

Fra dette settet med data, modellen kan produsere et "landskap" av hvordan hver peptidsekvens interagerer med hvert mål. Forskerne kan deretter bruke modellen til å forutsi hvordan andre sekvenser vil samhandle med målene, og generere peptider som oppfyller de ønskede kriteriene.

Bruker denne modellen, forskerne produserte 36 peptider som ble spådd å binde ett familiemedlem tett, men ikke de to andre. Alle kandidatene presterte ekstremt bra da forskerne testet dem eksperimentelt, så de prøvde et vanskeligere problem: identifisere proteiner som binder til to av medlemmene, men ikke det tredje. Mange av disse proteinene var også vellykkede.

"Denne tilnærmingen representerer et skifte fra å stille et veldig spesifikt problem og deretter designe et eksperiment for å løse det, å investere litt arbeid i forkant for å generere dette landskapet av hvordan sekvens er relatert til funksjon, fanger landskapet i en modell, og deretter å kunne utforske det etter eget ønske for flere eiendommer,sier Keating.

Sagar Khare, en førsteamanuensis i kjemi og kjemisk biologi ved Rutgers University, sier at den nye tilnærmingen er imponerende i sin evne til å skille mellom nært beslektede proteinmål.

"Selektivitet av legemidler er avgjørende for å minimere effekter utenfor målet, og ofte er selektivitet svært vanskelig å kode fordi det er så mange lignende molekylære konkurrenter som også vil binde stoffet bortsett fra det tiltenkte målet. Dette arbeidet viser hvordan man koder denne selektiviteten i selve designet,sier Khare, og den samme maskinen kan brukes til å produsere en lang rekke slike medikamenter. "Anvendelser i utviklingen av terapeutiske peptider vil nesten helt sikkert følge."

Selektive medikamenter

Medlemmer av Bcl-2-proteinfamilien spiller en viktig rolle i å regulere programmert celledød. Dysregulering av disse proteinene kan hemme celledød, hjelper svulster til å vokse ukontrollert, så mange legemiddelfirmaer har jobbet med å utvikle medisiner som er rettet mot denne proteinfamilien. For at slike medisiner skal være effektive, det kan være viktig for dem å målrette mot bare ett av proteinene, fordi å forstyrre dem alle kan forårsake skadelige bivirkninger i friske celler.

"I mange tilfeller, kreftceller ser ut til å bruke bare ett eller to medlemmer av familien for å fremme celleoverlevelse,sier Keating. "Generelt, det er erkjent at det å ha et panel med selektive agenter ville være mye bedre enn et råverktøy som bare slo dem alle ut.»

Forskerne har søkt patent på peptidene de identifiserte i denne studien, og de håper at de vil bli videre testet som mulige rusmidler. Keatings laboratorium jobber nå med å bruke denne nye modelleringsmetoden til andre proteinmål. Denne typen modellering kan være nyttig for ikke bare å utvikle potensielle medisiner, men også generere proteiner for bruk i landbruks- eller energiapplikasjoner, Den britiske regjeringen råder sine innbyggere til å stoppe all ikke-nødvendig kontakt med andre mennesker.

Kilde:

http://news.mit.edu, av Anne Trafton