Nature | 基于深度学习的“蛋白质-小分子”设计工具

撰文 | 易

随着生物技术的快速发展，精确设计蛋白质和小分子间的相互作用成为了分子生物学和药物开发中的一个关键挑战。尤其是在小分子激活蛋白质功能的设计领域，人们长期面临着如何在复杂的细胞环境中精确调控蛋白质间相互作用的问题，因此，设计出具有高亲和力、高选择性的蛋白质-小分子结合物，不仅能增强细胞疗法的精准度，还能推动新型生物传感器和合成生物学领域的发展。

尽管现有的计算设计方法，如基于自然氨基酸的组合和其他结构预测方法，已经在蛋白质设计领域取得了一些进展，但它们在处理蛋白质与小分子复合物的设计时仍存在诸多挑战。尤其是蛋白质与小分子结合界面复杂、缺乏足够的结构数据，导致传统方法往往难以捕捉到小分子和蛋白质之间微妙的结合特征。因此，迫切需要一种能够精确设计蛋白质-小分子交互的创新方法。

近日，瑞士洛桑联邦理工学院Bruno E. Correia在Nature期刊上发表了文章Targeting protein-ligand neosurfaces with a generalizable deep learning tool，应用MaSIF-neosurf框架，基于几何深度学习开发了一种蛋白质设计工具，通过结合小分子的几何特征和物理化学性质，能够捕捉蛋白质与小分子结合界面的细节，进而优化蛋白质设计。

通过使用MaSIF-neosurf框架，作者成功设计了三种特异性蛋白质结合物，分别针对Bcl2-维奈托克（Bcl2-VEN）、DB3-孕酮（DB3-PRO）和PDF1-阿克托宁（PDF1-ACT）复合物。这些设计在计算中表现出良好的稳定性和亲和力，符合设计目标。这些结合物在后续的实验中都显示出高度的结构稳定性和特异性，为进一步验证其功能奠定了基础。

通过共结晶技术，作者成功获得了DBAct553_1与actinonin-bound PDF1的三元复合物的晶体结构，并将其与计算模型进行对比。结果表明，计算模型与晶体结构在空间结构上高度一致，Cα RMSD为2.33 Å，表明计算设计的准确性。进一步使用AlphaFold2等工具对设计的蛋白质结构进行了验证，发现其能够精确预测蛋白质的折叠状态并确认了设计的稳定性。作者还通过细致的结构分析，发现计算模型与实验结果之间的微小差异主要源自设计框架中一个残基位置的偏差，进一步表明了设计工具的精确度。

作者通过多种细胞实验验证了设计的蛋白质结合物在细胞系统中的功能。例如，在无细胞报告系统中，利用化学诱导二聚化（CID）系统测试了设计的结合物对信号通路的激活能力。结果表明，在加入小分子激活剂后，系统能够有效启动转录因子和报告蛋白的表达，显示出强烈的剂量依赖性。此外，在哺乳动物细胞中通过GEMS系统进行的实验也证实了这些CID系统的高灵敏度和准确性。特别是在使用维奈托克时，系统表现出了26.8倍的荧光变化，证明了其作为细胞传感器的潜力。

进一步将设计的CID系统应用于CAR-T细胞疗法中，通过将设计的蛋白质结合物与二代CAR系统结合，形成了Split CID-CAR。在加入维奈托克后，这一系统能够有效诱导CAR-T细胞的杀伤作用，表现出较高的疗效。此外，研究人员发现，这种新的CID-CAR系统相比传统的二代CAR-T细胞疗法，能够提供更精细的药物控制和更好的疗效。

总而言之，本研究展示了使用MaSIF-neosurf框架设计的CID系统在蛋白质设计领域的巨大潜力。不仅证明了该框架在计算设计中的有效性，还通过多种细胞系统验证了设计结果的功能性。设计的蛋白质结合物在细胞中的应用展示了它们在合成生物学、细胞治疗等领域的广泛潜力，特别是在CAR-T细胞治疗中的应用，为未来癌症免疫治疗提供了更高效、更安全的治疗方案。

原文链接：

https://doi.org/10.1038/s41586-024-08435-4

制版人：十一

BioART战略合作伙伴

（*排名不分先后）