结合人工智能的膜蛋白设计方法

目录

1. 前言
2. 背景介绍
   • 膜蛋白概述
   • 可溶性膜蛋白设计的挑战
3. Alpha蛋白设计方法
   • Alpha蛋白反向传播
   • 引入蛋白质MNN神经网络
4. 设计可溶性膜蛋白的应用
   • 携带抗体的G蛋白偶联受体设计
   • G蛋白偶联受体的活性与非活性构象设计
   • Cloudin蛋白的设计与OT毒素结合实验
5. 结论
6. 致谢
7. 参考资料

前言

嗨，大家好，我是Kasper。今天，我将和大家分享我们实验室在可溶性膜蛋白设计领域的最新研究成果。可溶性膜蛋白设计是一项具有挑战性的任务，但我们通过结合Alpha蛋白设计方法和蛋白质MNN神经网络的应用，取得了一些令人印象深刻的成果。接下来，我将详细介绍这些方法并展示我们的实验结果。废话不多说，让我们开始吧！

背景介绍

膜蛋白概述

在我们进一步探讨可溶性膜蛋白设计之前，先让我们来了解一下膜蛋白的基本概念。膜蛋白是一类嵌入在细胞膜中的蛋白质。它们广泛存在于细胞膜中，并且在生物体内发挥着重要的功能。膜蛋白通常被分为三类：单个α螺旋、多个α螺旋和多个β折叠片。这些蛋白质可以插入细胞膜，并且在多个α螺旋的情况下，它们会形成一个类似桶状的结构，形成细胞膜上的孔道，控制小分子在膜上的扩散。单个α螺旋主要作为受体发挥功能，它们可以与其他蛋白质或生物分子相互作用，改变构象并激活某种信号通路。尽管人类蛋白组的三分之一是膜蛋白，但超过一半的药物靶向膜蛋白。因此，膜蛋白在生物学中具有重要的地位。

可溶性膜蛋白设计的挑战

与普通蛋白质相比，膜蛋白的折叠方式存在一些独特的特点。普通蛋白质在核糖体中合成时，亲水性残基和疏水性残基往往会相互聚集在一起，形成一个溶剂包围的核心区域，这是蛋白质可溶性的主要原因。然而，在膜蛋白中，由于它们嵌入在疏水性膜中，我们观察到的是在蛋白质表面上存在疏水性残基的情况，这些残基通常与细胞膜相互作用。而在蛋白质的核心区域，我们观察到疏水性残基和亲水性残基的复杂混合，这是因为在核心区域中没有水分子的存在，所以它不会被水分子破坏。这一现象是膜蛋白折叠的驱动力之一。在蛋白质数据库中，我们发现，一些蛋白质簇（如IG-like型簇和Tim Barrel簇）仅存在于可溶性蛋白质组中，而beta桶簇（如膜蛋白通常具有的结构）则同时存在于可溶性蛋白质组和不可溶性蛋白质组中。此外，我们还发现膜蛋白系统中存在一些独特的蛋白质拓扑结构，例如G蛋白偶联受体（GPCR），它们只存在于膜蛋白中。这些发现引发了一些有趣的问题，即为什么我们在可溶性蛋白质组中没有看到这些拓扑结构？膜蛋白在膜中的动力学是否与可溶性蛋白质有所不同，导致这些蛋白质无法在可溶性蛋白质组中存在？还是因为自然界中尚未发现这些拓扑结构，或者没有进化压力或需要发展这些可溶性蛋白质拓扑结构？这些问题引起了我们的兴趣，我们作为蛋白质设计领域的研究者，决定探索是否能将这些复杂的膜蛋白拓扑结构设计成可溶性蛋白质，并找到其在生物学和医学领域的应用。

Alpha蛋白设计方法

在我们的研究中，我们采用了Alpha蛋白设计方法来尝试设计可溶性膜蛋白。首先，我们使用Alpha蛋白的反向传播算法（Alpha back propagation）来生成一系列具有不同序列的结构。然后，我们将这些结构输入到蛋白质MNN神经网络中进行进一步的处理。

Alpha蛋白反向传播

Alpha蛋白的反向传播算法采用一个随机序列作为输入，这个序列被编码为一个热点矩阵，该矩阵的形状为20×n，其中n是蛋白质的长度。这个编码矩阵经过Alpha蛋白的Enformer模块和结构模块进行处理，并生成一个结构。接下来，我们通过计算结构损失函数（如Fape损失）与目标结构之间的差异来计算误差梯度。通过计算输入的导数和Fape损失之间的关系，我们可以确定哪些氨基酸需要改变以及如何改变，以接近目标结构。我们将这个误差梯度保存在一个位置特异性评分矩阵（PSSM）中，它的形状也是20×n，它告诉我们应该在每个位置上选择哪个最可能的氨基酸。然后，我们从这个PSSM中采样，持续迭代这个过程，直到我们得到一些最佳的设计结果。这个过程类似于训练神经网络的过程，不同之处在于我们固定了权重，而更新输入。这个过程被称为"蛋白质梦境"，我们让Alpha蛋白来进行梦境，并生成设计好的蛋白质序列。

引入蛋白质MNN神经网络

在我们的研究中，我们还引入了蛋白质MNN神经网络作为设计流程的一部分。蛋白质MNN神经网络接受蛋白质结构作为输入，并将其转化为一个图形，该图形基于氮、Cα和碳原子的信息。然后，它执行迭代解码的操作，首先将结构编码为网络中的一部分，然后针对每个确定的残基逐步进行解码操作。每个迭代步骤中，它依次选择一个残基，并询问网络在该位置上最可能的残基是什么。通过不断重复这个过程，它开始分配残基身份，这个过程的结果是一个设计好的蛋白质序列。我们发现蛋白质MNN神经网络在设计过程中表现出了很出色的性能，并生成了一系列优秀的设计结果。

设计可溶性膜蛋白的应用

通过结合Alpha蛋白设计方法和蛋白质MNN神经网络，我们成功地设计出了多种可溶性膜蛋白，并进行了一些应用实验。

携带抗体的G蛋白偶联受体设计

我们首先尝试设计了一种携带抗体的G蛋白偶联受体。我们选择了CX2受体作为目标受体，并固定了与G蛋白结合的功能位点。然后，我们使用Alpha蛋白和蛋白质MNN神经网络对该受体的四螺旋区进行重新设计，并选择了最优的设计结果。最后，我们进行了抗体结合实验，发现这些设计的受体能够结合抗体，并展示出与野生型受体相似的亲和力。这一研究表明，我们的设计方法提供了一种快速有效的膜蛋白可溶化策略，为抗体开发和疫苗设计提供了便利。

G蛋白偶联受体的活性与非活性构象设计

接下来，我们研究了G蛋白偶联受体的活性和非活性构象的设计。我们选择了已知活性和非活性构象的GPCR（如Ropin受体），并使用Alpha蛋白和蛋白质MNN神经网络对其进行重新设计。我们设计并合成了活性构象和非活性构象的GPCR，并进行了与相应构象的G mini蛋白的结合实验。实验结果表明，我们设计的活性构象的GPCR能够与G mini蛋白结合，而非活性构象的GPCR不能结合。这表明我们的设计方法在调控GPCR的构象状态方面具有潜在的应用价值。

Cloudin蛋白的设计与OT毒素结合实验

最后，我们还尝试将Cloudin蛋白设计为与OT毒素结合的蛋白质。Cloudin蛋白是一类在细胞膜中存在且形成团块的蛋白质，可以与OT毒素相互作用。我们固定了Cloudin蛋白与OT毒素结合的功能位点，并使用Alpha蛋白和蛋白质MNN神经网络对四螺旋区进行重新设计。然后，我们进行了OT毒素结合实验，发现这些设计的Cloudin蛋白能够与OT毒素结合，并呈现出与野生型蛋白相似的亲合力。这一发现为筛选与OT毒素结合的Cloudin蛋白提供了一种新的方法。

结论

通过结合Alpha蛋白设计方法和蛋白质MNN神经网络的应用，我们成功地设计出了多种可溶性膜蛋白，并展示了其在抗体开发、GPCR构象调控和蛋白质与毒素结合等方面的潜在应用价值。我们的设计方法不仅能提高蛋白质的可溶性，还能为蛋白质的结构调控和生物活性研究提供新的思路。这项研究的成功将为膜蛋白设计领域的进一步研究和应用提供重要的参考。

致谢

在此，我要感谢我的导师Bruno Karea教授以及我的合作者Martin Pessa和Nicholas Goldbach，在他们的帮助下，我的研究工作得以顺利进行。特别感谢Alex Fio对Cloudin与OT毒素结合实验的协助。最后，我还要感谢所有参与此项目的人员和机构的支持。

参考资料

（根据文章中提到的文献和资源在这里列举参考资料）