Нурлан Каримов 
Ученые ведут давнюю борьбу с такими заболеваниями, как болезнь Альцгеймера и Паркинсона, сталкиваясь с трудностью предсказания неправильного сворачивания определенных белков. Эти неправильно свернутые белки, известные как амилоиды, скапливаются в мозге, образуя длинные волокна, которые нарушают нормальную работу мозга. Несмотря на значительные успехи в прогнозировании структуры белков, уникальные и изменяющиеся формы амилоидов оставались неуловимыми до недавнего времени.
Исследователи из Университета Райса и Лаборатории Чанпин разработали новый инструмент искусственного интеллекта под названием RibbonFold. Этот прорывной метод способен предсказывать структуру амилоидных фибрилл со значительно большей точностью, чем существующие инструменты, предлагая более четкое представление о том, как эти неправильно свернутые белки эволюционируют и приводят к заболеваниям. Исследование, проведенное под руководством Мингчена Чена и Питера Волинса, было опубликовано в журнале Proceedings of the National Academy of Sciences.
Природа обычно «проектирует» белки так, чтобы они сворачивались в определенную форму для выполнения своих функций. Для большинства белков эти формы четко определены и могут быть предсказаны с помощью таких инструментов, как AlphaFold2 и AlphaFold3. Эти инструменты опираются на известные эволюционные закономерности и физические силы, управляющие скручиванием и сворачиванием белковой цепи. Однако амилоиды не подчиняются тем же правилам.
Вместо того чтобы сворачиваться в единую функциональную форму, амилоиды могут образовывать множество различных структур. Все они имеют общую ключевую особенность — длинные структуры из бета-листов, удерживаемые вместе водородными связями, но их внешние формы варьируются в зависимости от таких условий, как pH, температура и даже небольшие изменения в последовательности аминокислот. Эта изменчивость, называемая полиморфизмом, затрудняет прогнозирование и изучение амилоидов.
Питер Волинс, содиректор Центра теоретической биологической физики Университета Райса, объяснил суть проблемы. Он отметил, что неправильно свернутые белки могут принимать множество различных структур. Разработанный ими метод показывает, что стабильные полиморфы, вероятно, со временем будут преобладать, будучи более нерастворимыми, чем другие формы, что объясняет позднее появление симптомов болезни.
Амилоиды наиболее известны своей ролью в разрушительных заболеваниях мозга. Прионные заболевания, такие как Куру и Скрепи, которые первыми привлекли внимание ученых к амилоидам, теперь являются частью гораздо большей группы расстройств, связанных с неправильным сворачиванием белков. Болезнь Альцгеймера, Паркинсона и даже диабет II типа связаны с вредными белковыми агрегатами.
Опасность этих волокон заключается в их способности расти. Они начинаются с малого — всего несколько неправильно свернутых белков, сгруппированных вместе, — и постепенно привлекают все больше белков для присоединения к цепи. Со временем они образуют прочные, нерастворимые структуры, которые мешают функционированию клеток. Этот процесс может занимать годы, поэтому многие нейродегенеративные заболевания развиваются медленно.
Однако амилоиды не всегда вредны. Некоторые из них играют роль в формировании памяти или выполняют полезные функции в дрожжевых клетках. Исследователи даже показали, что они могут действовать как слабые катализаторы, хотя и не так эффективно, как ферменты. Тем не менее, когда процесс идет неправильно, амилоиды могут разрушать ткани и вызывать необратимые повреждения.
Понимание механизма образования амилоидов и предсказание их форм было одной из самых больших проблем биологии. Количество экспериментально установленных структур амилоидов остается небольшим, особенно по сравнению с более чем 200 000 структур хорошо свернутых белков, перечисленных в мировых базах данных.
RibbonFold использует новый подход к решению этой загадки. В то время как AlphaFold2 был разработан для предсказания аккуратных, функциональных сверток одиночных белковых цепей, RibbonFold фокусируется на уложенных, лентоподобных структурах, образуемых амилоидными фибриллами.
Команда модифицировала архитектуру AlphaFold2, чтобы учесть эти закономерности укладки, и обучила свою модель на известных структурах амилоидов. Они также ввели специальную функцию потерь, чтобы отразить полиморфную природу амилоидов, что позволило инструменту лучше улавливать их сложное поведение.
Волинс сообщил, что RibbonFold превосходит другие инструменты прогнозирования на основе ИИ, такие как AlphaFold, которые обучались только для предсказания правильно свернутых глобулярных белковых структур. В ходе тестов RibbonFold показал более точные результаты и предсказал ранее неизвестные формы фибрилл, которые позже были подтверждены экспериментальными данными.
Модель достигла среднего показателя TM-score 0,5 на независимых тестовых наборах, что значительно выше результатов, полученных с помощью предыдущих инструментов. Что еще более важно, она смогла составить карту всего спектра полиморфов для ключевых последовательностей, связанных с заболеваниями, показав, как определенные структуры эволюционируют, становясь со временем более стабильными и менее растворимыми. Эти более нерастворимые формы, вероятно, играют ключевую роль в прогрессировании заболевания.
Эволюция сформировала многие белки так, чтобы они быстро и надежно сворачивались в полезные формы. Но не все белки следуют одним и тем же правилам. Некоторые остаются неупорядоченными или гибкими, принимая множество форм в зависимости от окружения. Другие могут слипаться способами, не отражающими их первоначальную структуру.
Одним из распространенных способов этого является обмен доменами, когда части белков взаимодействуют друг с другом, образуя более крупные структуры. Этот процесс все еще следует исходным паттернам сворачивания. Но амилоиды отходят от этой логики. Их сворачивание определяется не эволюцией, а базовыми физическими силами, способствующими укладке бета-листов.
При достаточно высоких концентрациях практически любой белок или пептид может образовывать агрегаты. Но не все из них превращаются в амилоиды. Анализ энергии с использованием крупнозернистых моделей показывает, что только около половины всех белковых последовательностей имеют сегменты, способные образовывать прочные, амилоидоподобные ассоциации.
По мере роста эти волокна могут также «отступать», растаскивая части себя, чтобы продолжать добавлять новые белки. Такое поведение указывает на сложный энергетический ландшафт, полный пиков и долин, замедляющих процесс сворачивания. Эти же трудности делают прямое молекулярное моделирование практически невозможным, поэтому методы машинного обучения, такие как RibbonFold, так ценны.
Команда, стоящая за RibbonFold, опиралась на более ранние работы, предполагавшие, что рост амилоидов можно рассматривать как двумерную задачу сворачивания. Вместо того чтобы сворачиваться в сложные трехмерные формы, как глобулярные белки, амилоиды образуют ленты, где сворачивание происходит в основном в одной плоскости. Эти ленты состоят из повторяющихся стопок пептидов, выровненных в одном направлении.
Ограничив сворачивание этой лентоподобной структурой, исследователи уменьшили сложность проблемы. Это также позволило им применить те же физические принципы, которые управляют нормальным сворачиванием белков, но в упрощенной двумерной системе. Предыдущие версии этого подхода с использованием молекулярной динамики уже показали свою перспективность в предсказании форм амилоидов, особенно для белка Aβ, связанного с болезнью Альцгеймера.
Теперь, когда процесс прогнозирования взял на себя ИИ, метод стал быстрее, точнее и может масштабироваться на множество различных последовательностей.
Способность RibbonFold предсказывать структуру вредных белковых агрегатов может революционизировать разработку лекарств для нейродегенеративных заболеваний. Вместо того чтобы нацеливаться на общее поведение белков, производители лекарств могли бы разрабатывать молекулы, которые связываются с конкретными полиморфами — именно теми структурами, которые наносят наибольший ущерб.
Мингчен Чен, соавтор исследования, заявил, что эта работа не только объясняет давнюю проблему, но и дает инструменты для систематического изучения и вмешательства в один из самых разрушительных процессов в живой природе.
Результаты, полученные с помощью RibbonFold, также могут быть полезны при разработке новых биоматериалов. Понимание того, как белки самособираются, может привести к созданию новых синтетических структур, вдохновленных тем, как природа строит прочные и стабильные фибриллы. Инструмент может даже помочь ученым исследовать, как безвредные белки со временем внезапно становятся опасными — вопрос, который десятилетиями ставил исследователей в тупик.
Самое главное, RibbonFold приближает нас к разгадке одной из величайших тайн медицины. Если ученые смогут предсказать, какие формы фибрилл могут появиться и когда, они смогут выявлять заболевания до появления симптомов.
Проект получил поддержку Национального научного фонда, Фонда Уэлча и Лаборатории Чанпин. Среди соавторов статьи были Лянъюэ Го и Цилин Юй, а также Ди Ван и Сяоюй У.
Питер Волинс отметил, что возможность эффективно предсказывать амилоидные полиморфы может направить будущие прорывы в предотвращении вредной агрегации белков, что является решающим шагом на пути к решению некоторых из самых насущных мировых проблем в области нейродегенеративных заболеваний.
