Model komputerowy zapewnia większą kontrolę nad projektowaniem białek: Nowe podejście pozwala uzyskać szerszą gamę sekwencji białkowych zoptymalizowanych pod kątem wiązania się z miejscami docelowymi leku.

Projektowanie syntetycznych białek, które mogą działać jako leki na raka lub inne choroby, może być żmudnym procesem: Zwykle wiąże się to z utworzeniem biblioteki milionów białek, następnie przeszukanie biblioteki w celu znalezienia białek wiążących właściwy cel.

Biolodzy z MIT opracowali teraz bardziej wyrafinowane podejście, w którym wykorzystują modelowanie komputerowe do przewidywania, w jaki sposób różne sekwencje białek będą oddziaływać z celem. Strategia ta generuje większą liczbę kandydatów, a także zapewnia większą kontrolę nad różnymi cechami białek, mówi Amy Keating, profesor biologii, członek Instytutu Kocha, i kierownik zespołu badawczego.

„Nasza metoda zapewnia znacznie większe pole działania, dzięki któremu można wybrać rozwiązania, które bardzo się od siebie różnią i będą miały różne mocne strony i obciążenia," ona mówi. „Mamy nadzieję, że będziemy w stanie zapewnić szerszą gamę możliwych rozwiązań, aby zwiększyć przepustowość tych początkowych trafień w użyteczne, cząsteczki funkcjonalne.”

W artykule ukazującym się w Materiały Narodowej Akademii Nauk tydzień października. 15, Keating i jej współpracownicy wykorzystali to podejście do wygenerowania kilku peptydów, które mogą być ukierunkowane na różnych członków rodziny białek zwanej Bcl-2, które pomagają napędzać rozwój raka.

Głównymi autorami artykułu są niedawni doktoranci Justin Jenson i Vincent Xue. Inni autorzy to postdoc Tirtha Mandal, była laborantka Lindsey Stretz, i były postdoktor Lothar Reich.

Modelowanie interakcji

Leki białkowe, zwane także biofarmaceutykami, to szybko rozwijająca się klasa leków, które są obiecujące w leczeniu szerokiego zakresu chorób. Typową metodą identyfikacji takich leków jest badanie przesiewowe milionów białek, albo wybrane losowo, albo wybrane przez utworzenie wariantów sekwencji białek, które już okazały się obiecującymi kandydatami. Obejmuje to inżynierię wirusów lub drożdży w celu wytworzenia każdego z białek, następnie wystawiając je na cel, aby zobaczyć, które z nich wiążą się najlepiej.

„To standardowe podejście: Albo całkowicie losowo, lub z pewną wcześniejszą wiedzą, zaprojektować bibliotekę białek, a następnie udaj się do biblioteki, aby wybrać najbardziej obiecujących członków,– mówi Keating.

Chociaż ta metoda działa dobrze, zwykle wytwarza białka zoptymalizowane tylko pod kątem jednej cechy: jak dobrze wiąże się z celem. Nie pozwala na jakąkolwiek kontrolę nad innymi funkcjami, które mogłyby być przydatne, takie jak cechy, które wpływają na zdolność białka do wnikania do komórek lub jego tendencję do wywoływania odpowiedzi immunologicznej.

„Nie ma oczywistego sposobu na zrobienie tego rodzaju rzeczy – określ dodatnio naładowany peptyd, na przykład — przy użyciu przeszukiwania biblioteki metodą brute-force,– mówi Keating.

Inną pożądaną cechą jest możliwość identyfikacji białek, które ściśle wiążą się ze swoim celem, ale nie z podobnymi celami, co pozwala mieć pewność, że leki nie będą miały niezamierzonych skutków ubocznych. Standardowe podejście pozwala badaczom to zrobić, ale eksperymenty stają się bardziej kłopotliwe, – mówi Keating.

Nowa strategia polega najpierw na stworzeniu modelu komputerowego, który może powiązać sekwencje peptydów z ich powinowactwem wiązania z docelowym białkiem. Aby stworzyć ten model, badacze jako pierwsi wybrali 10,000 peptydy, każdy 23 aminokwasów o długości i strukturze helikalnej, i przetestował ich wiązanie z trzema różnymi członkami rodziny Bcl-2. Celowo wybrali pewne sekwencje, o których już wiedzieli, że będą się dobrze wiązać, plus inni, o których wiedzieli, że tego nie zrobią, więc model mógłby zawierać dane dotyczące szeregu zdolności wiążących.

Z tego zestawu danych, model może stworzyć „krajobraz” interakcji każdej sekwencji peptydowej z każdym celem. Naukowcy mogą następnie wykorzystać ten model do przewidywania, w jaki sposób inne sekwencje będą oddziaływać z celami, i wygenerować peptydy spełniające pożądane kryteria.

Korzystanie z tego modelu, stworzyli naukowcy 36 peptydy, które, jak przewidywano, będą ściśle wiązać jednego członka rodziny, ale nie dwóch pozostałych. Wszyscy kandydaci wypadli wyjątkowo dobrze, gdy naukowcy przetestowali ich eksperymentalnie, więc spróbowali trudniejszego problemu: identyfikując białka, które wiążą się z dwoma członkami, ale nie z trzecim. Wiele z tych białek również odniosło sukces.

„To podejście oznacza odejście od stawiania bardzo konkretnego problemu i planowania eksperymentu mającego na celu jego rozwiązanie, do zainwestowania trochę pracy z góry, aby wygenerować krajobraz powiązania sekwencji z funkcją, uchwycenie krajobrazu na modelu, a następnie możliwość swobodnego eksplorowania go pod kątem wielu właściwości,– mówi Keating.

Sagara Khare’a, profesor nadzwyczajny chemii i biologii chemicznej na Uniwersytecie Rutgers, twierdzi, że nowe podejście robi wrażenie pod względem zdolności do rozróżniania blisko spokrewnionych celów białkowych.

„Selektywność leków ma kluczowe znaczenie dla minimalizacji skutków ubocznych, i często selektywność jest bardzo trudna do zakodowania, ponieważ istnieje wielu podobnie wyglądających konkurentów molekularnych, którzy również będą wiązać lek poza zamierzonym celem. Ta praca pokazuje, jak zakodować tę selektywność w samym projekcie,– mówi Khare, co jest bardzo ekscytujące. „Prawie na pewno znajdą zastosowanie w opracowywaniu peptydów terapeutycznych”.

Leki selektywne

Członkowie rodziny białek Bcl-2 odgrywają ważną rolę w regulacji programowanej śmierci komórki. Rozregulowanie tych białek może hamować śmierć komórki, pomagając guzom rosnąć w sposób niekontrolowany, tak wiele firm farmaceutycznych pracowało nad opracowaniem leków ukierunkowanych na tę rodzinę białek. Aby takie leki były skuteczne, dla nich ważne może być skupienie się tylko na jednym z białek, ponieważ zakłócenie ich wszystkich może spowodować szkodliwe skutki uboczne w zdrowych komórkach.

"W wielu przypadkach, wydaje się, że komórki nowotworowe korzystają tylko z jednego lub dwóch członków rodziny, aby zapewnić przeżycie komórek,– mówi Keating. "Ogólnie, uznaje się, że posiadanie panelu selektywnych agentów byłoby znacznie lepsze niż prymitywne narzędzie, które po prostu znokautowało ich wszystkich”.

Naukowcy złożyli wniosek patentowy na peptydy zidentyfikowane w tym badaniu, i mają nadzieję, że zostaną one poddane dalszym testom jako możliwe leki. Laboratorium Keatinga pracuje obecnie nad zastosowaniem tego nowego podejścia do modelowania do innych celów białkowych. Tego rodzaju modelowanie może być przydatne nie tylko przy opracowywaniu potencjalnych leków, ale także wytwarzanie białek do zastosowań w rolnictwie lub energetyce, ona mówi.

Źródło:

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