Diseño robusto de secuencias de proteínas basado en aprendizaje profundo utilizando ProteinMPNN

Área de la Ciencia:

• Biología computacional
• Ingeniería de proteínas
• Aprendizaje profundo

Sus antecedentes:

• El diseño tradicional de proteínas de novo se basa en métodos basados en la física como Rosetta.
• El aprendizaje profundo ha transformado la predicción de la estructura de las proteínas, pero aún no el diseño de la secuencia.

Objetivo del estudio:

• Introducir ProteinMPNN, un método de diseño de secuencias de proteínas basado en el aprendizaje profundo.
• Demostrar su rendimiento superior en comparación con los métodos existentes.
• Mostrar su versatilidad a través de diversos desafíos de diseño de proteínas.

Principales métodos:

• Desarrolló ProteinMPNN, un modelo de aprendizaje profundo para el diseño de secuencias de proteínas.
• Evalúa el rendimiento en las columnas vertebrales de proteínas nativas, comparando la recuperación de secuencias con Rosetta.
• Aplicó el método a varias estructuras complejas de proteínas, incluidos monómeros, oligómeros, nanopartículas y proteínas de unión.

Principales resultados:

• ProteinMPNN logró una recuperación de la secuencia del 52,4% en columnas vertebrales nativas, significativamente mayor que el 32,9% de Rosetta.
• El método permite el diseño de secuencias acopladas a través de cadenas únicas y múltiples.
• Rescató con éxito diseños previamente fallidos y validó nuevos diseños utilizando cristalografía de rayos X, microscopía criolectrónica y estudios funcionales.

Conclusiones:

• ProteinMPNN ofrece un enfoque de aprendizaje profundo poderoso y preciso para el diseño de secuencias de proteínas de novo.
• Su capacidad para manejar diseños complejos de múltiples cadenas amplía el alcance de la ingeniería de proteínas.
• La validación experimental confirma la alta utilidad y precisión del método para diversas aplicaciones de diseño de proteínas.