Att förstå hur proteiner interagerar med varandra är avgörande för att utveckla nya behandlingar och förstå sjukdomar. Tack vare beräkningsframsteg har ett team av forskare under ledning av biträdande professor i kemi Alberto Perez utvecklat en algoritm för att identifiera dessa molekylära interaktioner.
Perez forskargrupp inkluderade två doktorander från UF, Arup Mondal och Bhumika Singh, och en handfull forskare från Rutgers University och Rensselaer Polytechnic Institute. Teamet publicerade sina resultat i Angewandte Chemie International Edition .
Detta innovativa verktyg, som kallas AF-CBA Pipeline, erbjuder oöverträffad noggrannhet och snabbhet när det gäller att lokalisera de starkaste peptidbindarna till ett specifikt protein. Den gör detta genom att använda AI för att simulera molekylära interaktioner, sortera igenom tusentals kandidatmolekyler för att identifiera den molekyl som interagerar bäst med proteinet av intresse.
Det AI-drivna tillvägagångssättet tillåter pipelinen att utföra dessa åtgärder på en bråkdel av den tid det skulle ta människor eller traditionella fysikbaserade tillvägagångssätt för att utföra samma uppgift.
"Tänk på det som en livsmedelsbutik," förklarade Perez. "När du vill köpa den bästa möjliga frukten måste du jämföra storlekar och aspekter. Det finns för många frukter för att prova dem alla så klart, så du jämför några innan du gör ett urval. Den här AI-metoden kan dock inte bara prova dem alla, men kan också på ett tillförlitligt sätt välja ut den bästa."
Vanligtvis är proteinerna av intresse de som orsakar mest skada på våra kroppar när de beter sig illa. Genom att hitta vilka molekyler som interagerar med dessa problematiska proteiner öppnar pipelinen vägar för riktade terapier för att bekämpa åkommor som inflammation, immunförsvar och cancer.
"Att känna till strukturen hos det starkaste peptidbindemedlet hjälper oss i sin tur att rationellt utforma nya läkemedelsläkemedel," sa Perez.
Pipelinens banbrytande karaktär förstärks av dess grund på redan existerande teknik:ett program som kallas AlphaFold. AlphaFold har utvecklats av Google Deepmind och använder djupinlärning för att förutsäga proteinstrukturer. Detta beroende av bekant teknik kommer att vara en välsignelse för pipelinens tillgänglighet för forskare och kommer att bidra till att säkerställa dess framtida antagande.
Framåt siktar Perez och hans team på att utöka sin pipeline för att få ytterligare biologiska insikter och hämma sjukdomar. De har två virus i sikte:murint leukemivirus och Kaposis sarkomvirus. Båda virusen kan orsaka allvarliga hälsoproblem, särskilt tumörer, och interagera med för närvarande okända proteiner.
"Vi vill designa nya bibliotek av peptider," sa Perez. "AF-CBA kommer att tillåta oss att identifiera de designade peptider som binder starkare än de virala peptiderna."
Mer information: Arup Mondal et al, A Computational Pipeline for Accurate Prioritering of Protein-Protein Binding Candidates in High-Throughput Protein Libraries, Angewandte Chemie International Edition (2024). DOI:10.1002/anie.202405767
Journalinformation: Angewandte Chemie International Edition
Tillhandahålls av University of Florida
