Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

北大团队综述:AI 可助力针对天然无序蛋白的合理药物设计

编辑 | 萝卜皮

天然无序蛋白(IDP)是在生理条件下执行重要生物功能但没有明确结构的蛋白质。IDP 可以与其他分子形成模糊复合物,参与无膜细胞器的形成,并作为蛋白质-蛋白质相互作用网络的枢纽。IDP 的失灵会导致重大人类疾病。

然而,由于其高度动态的结构和模糊的相互作用,针对 IDP 的药物设计仍然具有挑战性。将 IDP 转化为可成药靶点为扩展新药发现的可成药靶点空间提供了绝佳的机会。

综合结构生物学方法结合了来自计算模拟、人工智能/数据驱动分析和实验研究的信息,已被用来揭示 IDP 的动态结构和相互作用。通过基于靶标的实验和计算筛选或表型筛选,已经发现了越来越多的直接结合 IDP 的配体。

随着对IDP与配体结合的理解,基于结构的药物设计策略,特别是基于构象系综的计算配体筛选和计算机辅助配体优化算法,极大地加速了IDP配体的开发。令人振奋的是,多种针对IDP的小分子和多肽药物已进入临床试验。

图片

图示:本质无序蛋白 (IDP) 具有动态结构,可通过组合实验和计算方法进行研究,并且已开发出基于构象集合的合理配体设计方法,并用于发现 IDP 靶向药物。

北京大学的研究团队针对本质无序蛋白质的合理药物设计领域的发展进行了综述。

该综述以「Rational drug design targeting intrinsically disordered proteins」为题,于 2023 年 8 月 26 日发布在《WIREs computational molecular science》。

图片

天然无序蛋白(IDP)是在生理条件下缺乏明确结构的蛋白质。Anfinsen 法则假设蛋白质的天然构象是由其在给定环境中的氨基酸序列决定的,该法则通过 IDP 的鉴定得到了扩展。在其 apo 形式中,IDP 的天然结构是众多非折叠和部分折叠构象的集合。

在执行功能时,IDP 可能通过耦合折叠和结合经历无序到有序的转变,从而形成可解析的稳定复合物。或者,它可以保持动态以形成模糊复合体,其中构象范围从多种状态到完全无序。这些观察结果需要重新评估传统的蛋白质结构-功能范式。IDP 广泛分布于各种生物体中,并且当从原核生物体转移到真核生物体时,它们在蛋白质组中的比例增加。

对于人类来说,IDP 占总蛋白质组的 30% 以上。蛋白质数据库 (PDB) 中缺失残基和 AlphaFold 预测的低置信度区域的高比例也证明了 IDP 的丰富性。基于知识的数据库(例如 DisProt 和 MobiDB)根据已发布的数据为 IDP 提供注释。

IDP 的动态结构特征具有多种优势,包括高灵活性、高特异性和低亲和力结合,以及通过翻译后修饰 (PTM) 轻松调节。这些属性为它们普遍参与古细菌、细菌、植物和动物细胞的信号转导和转录调控过程奠定了基础。

在精确的时空控制下,IDP 充当相互作用组的中心。这一中心地位也使得它们的失调与人类重大疾病相关。特别是,许多境内流离失所者与癌症、神经退行性疾病和慢性病的发生和发展有关。因此,IDP提供了大量潜在的药物靶点。事实上,少数IDP靶向药物已进入临床试验阶段,表明IDP是新兴的药物靶点。

各种实验方法已被用来研究 IDP 的动态结构,包括核磁共振 (NMR) 光谱、小角 X 射线散射 (SAXS) 和单分子荧光能量共振转移 (smFRET)。然而,每种方法只能提供「大象」一侧的信息。因此,需要结合实验和计算分析的综合方法来理解 IDP 的动态构象集合。分子动力学(MD)模拟描述了分子系统的时间演化,在拟合实验数据方面表现出相当大的优势,尤其是在无序系统中。与此同时,基于人工智能(AI)的方法,特别是新开发的深度学习算法,开始在该领域崭露头角。

这些技术,加上最近对主要由 IDP 介导的生物系统中液-液相分离 (LLPS) 的认识,显著促进了 IDP 药物设计策略的发展,并增加了已知 IDP 配体的数量。尽管大部分已知的 IDP 配体是通过实验筛选和计算虚拟筛选 (VS) 发现的,但 IDP 药物设计的合理设计策略开始发挥重要作用。

图片

图示:IDP的动态构象集合可以通过实验和计算相结合的方法进行研究,并将数据收集到数据库中以供进一步综合分析。(来源:论文)

随着对 IDP 的理解,蛋白质的「序列-结构-功能」范式被重塑。蛋白质的序列并不是其天然构象的唯一决定因素,蛋白质也不一定需要固定的三维结构来实现其特定功能。对蛋白质构象整体的认识促进了对单分子技术和分子动力学模拟的关注。更重要的是,实验和计算方法的整合凸显了未来进步的方向。

人工智能技术的采用有望弥补基于力场的方法成本高和时间范围有限的缺点。采用蛋白质大语言模型的深度学习方法有望提取IDP序列和结合特征以辅助IDP药物设计,并且生成模型可用于直接生成 IDP 结合化合物。IDP 与人类疾病的密切联系使他们成为药物发现的潜在和「最想要」的目标。IDP 配体数量的增加为进一步的机制研究和新配体的发现提供了基础。VS 和计算机辅助优化等合理药物设计策略已经证明了它们在 IDP 配体发现中的威力。

图片

图示:IDP 与蛋白质或小分子配体结合的实例。(来源:论文)

然而,合理化 IDP 配体的结构及其活性仍然很困难。对于折叠蛋白的配体,人们通常可以根据对接或实验确定的复杂结构来推断结构修饰如何影响亲和力和活性,这对于IDP和配体来说是不可行的。目前构建IDP配体SAR的努力就像在迷雾中航行,这极大地阻碍了IDP药物的开发。

为了解决这个关键问题,需要新的理论和方法来理解 IDP 配体复合物内的结合机制。尽管存在这些困难,针对 IDP 的药物设计领域仍迅速发展,并且发现了越来越多的 IDP 配体。我们热切地期待着一个时代,天然无序的蛋白质可以被彻底理解并充分发挥其潜力。并且,随着对其动态结构和相互作用的了解,IDP 有望成为药物靶点的宝贵财富。

相关报道:https://wires.onlinelibrary.wiley.com/doi/abs/10.1002/wcms.1685

产业
暂无评论
暂无评论~