AlphaFold научили лучше учитывать разные формы белков

Белки — не застывшие скульптуры. Это динамичные молекулярные машины, которые постоянно меняют свою форму в зависимости от окружения, химических сигналов и выполняемой функции. Однако AlphaFold — революционная система предсказания белковых структур от DeepMind — обучена выдавать одну-единственную «наиболее вероятную» конформацию. Исследователи разработали метод, который направляет AlphaFold3 с помощью экспериментальных данных и позволяет получать целые ансамбли белковых структур, отражающие реальное разнообразие форм молекулы.

Одна форма — не вся история

AlphaFold произвёл переворот в структурной биологии, предсказывая трёхмерные структуры белков по аминокислотной последовательности с точностью, близкой к экспериментальной. Но у этой точности есть оборотная сторона: система обучена на сотнях тысяч кристаллографических структур, каждая из которых фиксирует лишь доминирующую конформацию белка. Реальный белок при этом существует как ансамбль множества состояний — он «дышит», изгибается, открывает и закрывает активные сайты. Именно эта подвижность критически важна для понимания биологических функций, а особенно для разработки лекарств: препарат должен связываться с конкретной формой белка, которая может быть не той, что предсказывает AlphaFold по умолчанию.

Эксперимент как проводник для ИИ

Новый подход использует AlphaFold3 в качестве структурного «базиса» — последовательно-обусловленного генератора, который умеет создавать белковые структуры. Затем модель направляется реальными экспериментальными измерениями: данными ядерного магнитного резонанса, кристаллографическими плотностями и другими результатами лабораторных экспериментов. Математически задача ставится как обратная: вместо предсказания структуры по последовательности исследователи восстанавливают ансамбль структур, согласованный с наблюдаемыми данными.

Ключевые результаты этого подхода:

• Ансамбли белковых структур, построенные с учётом экспериментальных данных, обнаруживают конформационную гетерогенность, ранее невидимую в стандартных предсказаниях AlphaFold.
• В ряде случаев полученные ансамбли лучше согласуются с экспериментальными данными, чем структуры, официально депонированные в Protein Data Bank.
• Метод генерирует высокоточные ЯМР-ансамбли на порядки быстрее существующих подходов.

Зачем это лекарственной науке

Читайте также по теме: объяснимом применении ИИ в анализе данных.

Для фармацевтической индустрии понимание конформационного разнообразия белков-мишеней — фундаментальная задача. Лекарство, идеально подходящее к одной форме белка, может оказаться бесполезным, если мишень проводит большую часть времени в другой конформации. Новый метод создаёт мост между вычислительными предсказаниями и экспериментальной реальностью, предлагая более полную картину белковых ландшафтов. Авторы уверены, что подход можно распространить на широкий спектр экспериментальных модальностей и в перспективе он станет стандартным инструментом для построения предсказательных моделей, в полной мере учитывающих динамическую природу белков.