AlphaFold di DeepMind osserva l'assorbimento delle proteine

NEW YORK – Dalla sua introduzione nel 2018, il programma AlphaFold di DeepMind è diventato uno strumento chiave nella ricerca biologica, consentendo agli scienziati di prevedere le strutture delle proteine ​​con elevata precisione sulla base delle loro sequenze di aminoacidi.

Più recentemente, i ricercatori hanno iniziato a utilizzare AlphaFold e la sua nuova iterazione, AlphaFold2, per il lavoro sull'interazione proteina-proteina (PPI), esplorando la sua utilità per prevedere e convalidare le interazioni proteiche, nonché per generare modelli delle loro strutture.

Questi sforzi rimangono limitati dalle intense risorse informatiche richieste, ma gli studi indicano che gli approcci basati sull’intelligenza artificiale potrebbero rivelarsi utili per studi PPI su larga scala e potrebbero integrare strumenti esistenti come la spettrometria di massa e i sistemi a due ibridi di lievito.

"È uno spazio molto interessante", ha affermato Juri Rappsilber, professore di proteomica all'Università di Edimburgo e professore di bioanalitica al Berlin Institute of Technology. Ad aprile, lui e i suoi colleghi hanno pubblicato uno studio su Molecular Systems Biology sulla combinazione della spettrometria di massa con reticolazione e della spettrometria di massa di co-frazionamento con il software AlphaFold-Multimer – un’estensione di AlphaFold2 destinata alla ricerca sugli PPI – per prevedere e convalidare gli IPP nel Bacillus subtilis. .

Rappsilber ha citato come uso comune quello che ha chiamato "Alpha pulldown" in cui i ricercatori utilizzano il software per selezionare gli interattori proteici candidati rispetto a una particolare proteina di interesse, proprio come farebbero con un esperimento di spettrometria di massa di immuno-pulldown.

"Hanno una proteina a cui sono interessati, e hanno un numero di proteine ​​candidate che pensano possano interagire con quella proteina, e le lanciano una per una contro la loro proteina di interesse", ha detto Rappsilber.

"Se AlphaFold è positivo, allora è molto probabile che i due stiano interagendo", ha detto. "Quindi si passa dall'avere 10 o 20 o 50 candidati fino a una manciata di candidati, ed è più plausibile dare seguito."

Rappsilber ha aggiunto che, cosa importante, a differenza di altri approcci per la convalida degli IPP, i ricercatori escono da un simile esperimento con modelli delle strutture delle interazioni.

"E questa è un'istruzione molto chiara su cosa fare dopo come esperimento", ha detto, sottolineando che con queste informazioni strutturali, i ricercatori possono progettare mutanti puntiformi nei siti di interazione consentendo loro di interrompere l'interazione e indagare il suo effetto biologico.

"La limitazione principale è la potenza di calcolo", ha detto Panagiotis Kastritis, professore junior di crio-EM presso l'Università Martin-Luther di Halle-Wittenberg e presidente dell'ERA per crio-EM presso la National Hellenic Research Foundation greca, riguardo all'utilizzo di AlphaFold per il lavoro PPI. "La maggior parte di questi calcoli sono stati eseguiti su computer a livello di istituto."

Kastritis ha osservato, tuttavia, che questo probabilmente diventerà meno problematico nei prossimi cinque-dieci anni poiché la potenza di calcolo continuerà a diventare meno costosa e più accessibile.

Ha inoltre suggerito che alcune strategie informatiche potrebbero ridurre la potenza di calcolo richiesta per utilizzare AlphaFold per il lavoro PPI su larga scala. Ad esempio, ha detto, AlphaFold2 predice le strutture proteiche utilizzando i cosiddetti allineamenti di sequenze multiple, che produce prendendo la sequenza di aminoacidi di una proteina e confrontandola con altri database di sequenze proteiche per identificare sequenze simili che utilizza per costruire i suoi modelli. Kastritis ha affermato che man mano che vengono identificati sempre più MSA, è possibile archiviarli in modo tale da consentire al software di accedervi direttamente anziché dover cercare ancora una volta nei database di sequenze per identificarli.

"Se avessimo predeterminato e precalcolato [MSA], sarebbe ovviamente più veloce e più semplice", ha affermato.

Ad aprile, i ricercatori di Microsoft e della Libera Università di Berlino hanno pubblicato una prestampa BioRxiv che utilizzava diversi approcci computazionali, inclusi alcuni simili a quelli suggeriti da Kastritis, per accelerare la previsione degli IPP da parte di AlphaFold2. Secondo gli autori, quando hanno applicato il loro approccio per prevedere le interazioni a coppie di 1.000 proteine, hanno ridotto il tempo richiesto per le previsioni di 40 volte riducendo allo stesso tempo lo spazio su disco richiesto di 4.460 volte.