Science | 使用合成共进化和机器学习改造蛋白质互作界面

大家好，今天分享一篇发表在Science上的文章，文章标题“Deploying synthetic coevolution and machine learning to engineer protein-protein interactions”，文章的通讯作者是来自斯坦福医学院的K. Christopher Garcia教授，其课题组主要从事蛋白质受体-配体的识别以及蛋白质工程等领域的研究。

在进化生物学中，共进化意指多个物种之间相互影响的进化关系。类推到分子生物学，蛋白质内部或者互作界面中也常发生类似的协同突变，以维持蛋白质的功能。然而，在实验室中通过重组表达开发合成蛋白质共进化系统并非易事。一方面，使用“文库对文库”的混合筛选策略，可能面临难以分离离散共进化对的困难；另一方面，组合文库数量有限，在实验室难以采样整个序列空间。为克服这些困难，本文作者开发了一套高通量筛选平台，用以研究蛋白质互作界面中的共进化；并利用机器学习方法，预测更大序列空间内的复合物结合稳定性。

为模拟蛋白质互作、同时便于实验中文库筛选，作者首先将待研究的两种蛋白连接为一条单链，并将其展示于酵母表面。如此，则能将两个文库之间的组合筛选转化为一个文库内部的组合筛选。随后，在连接处插入3C蛋白酶识别位点，在经历水解切割后，其中一种蛋白通过c-Myc标签仍共价附着在酵母表面；另一种蛋白质则通过蛋白间相互作用，与其连接的HA标签一同停留在酵母表面。最后，根据HA标签结合抗体分离相互作用的蛋白质对，并通过酵母克隆、DNA测序确定蛋白质序列。

作者使用Z结构域及其亲和体ZpA963用于模型验证。结果表明，在经历酶切、抗体分离后，存在互作的蛋白质系统得以保留（HA-tag在一段时间后仍维持在较高比例），而不存在互作的蛋白质系统（界面中六个残基均突变为Ala）则被除去；并且，HA-tag的比例与蛋白质系统的结合常数存在很好的线性关系，进一步证明该方法的有效性。

随后，作者选择Z结构域以及ZSPA-1结构域这一互作系统（结合常数在μM级别），测试能否通过人工的共进化改善蛋白质复合物的结合能力。结果表明，经过几轮的共进化筛选，蛋白质复合物的结合常数可以改善至nM水平。作者也分析了在人工模拟的共进化过程中，蛋白质复合物结构发生了怎样的适应性改变。

最后，为了探索更大序列空间内的蛋白质互作关系，作者结合已有的蛋白质语言模型（PLM）和实验数据，利用迁移学习方法，训练了能够预测蛋白质间结合能力的模型。在11个预测结果中，有6条序列能够被实验证明存在互作。

本文作者：ZF

责任编辑：ZJ

原文链接：

https://www.science.org/doi/full/10.1126/science.adh1720

文章引用：10.1126/science.adh1720