MITs PottsMPNN verbesserte Proteindesign über native Sequenzen hinaus

Proteindesign-Pipelines legen häufig eine Zielstruktur fest und bitten dann ein Modell, Aminosäuresequenzen zu erzeugen, die sich in diese falten. Das Feld hatte das Ergebnis oft anhand der Wiederherstellung der nativen Sequenz bewertet – ob das Modell die von der Evolution gewählte Sequenz reproduzieren konnte. Diese Metrik belohnt Ähnlichkeit mit der Natur, versagt aber bei wirklich neuartigen Proteinen, deren Strukturen keine native Sequenz haben.

Die Abteilung für Biologie des MIT entwickelte PottsMPNN, um stattdessen die Sequenz-Energie-Landschaft zu modellieren: die Beziehung zwischen Aminosäureidentität und Proteinstabilität. Das Trainingsrezept fügt Protein­strukturen Rauschen hinzu, um die Nachahmung nativer Sequenzen zu verringern, modelliert paarweise Wechselwirkungen über die 20 Aminosäuren und speist evolutionär verwandte Sequenzsätze ein, damit das Modell lernt, dass verschiedene Sequenzen dieselbe Faltung annehmen können.

Das berichtete Ergebnis ist ein besseres Designziel und ein besseres Verhalten: PottsMPNN verringert die Nachahmung nativer Sequenzen und verbessert gleichzeitig die Strukturkompatibilität und die Energievorhersage, auch für neuartige Proteine, und verbessert die Vorhersage von Mutationseffekten auf die Stabilität. Die Forschung verschiebt das Proteindesign von der Frage „Hat es die Evolution kopiert?“ zur Frage „Wird es sich falten und stabil bleiben?“

Faltbarkeit optimieren, nicht die Wiederherstellung der nativen Sequenz

Neuartige Strukturen haben keine native Sequenz zum Kopieren, daher kann die Wiederherstellung nicht der Erfolgstest sein.

Rauschen hält das Modell davon ab, sich zu stark an die von der Evolution ausgewählten Sequenzen anzupassen.

Paarweise Aminosäurewechselwirkungen modellieren die physikalischen Abhängigkeiten, die die Stabilität bestimmen.

Verwandte Sequenzfamilien lehren, dass mehrere Sequenzen eine einzige Faltung realisieren können.

Wenn ein Benchmark Ähnlichkeit mit der Geschichte belohnt, kann er nützliche Neuartigkeit bestrafen. Ersetzen Sie ihn durch eine kausale Einschränkung – hier Faltbarkeit und Sequenz-Energie-Anpassung – und trainieren Sie das Modell darauf, diese zu erkunden.

Die Autoren sagen, das Framework könnte für spezifische Aufgaben feinabgestimmt werden, etwa für die Vorhersage der Folgen einer Mutation. Seine größere Verheißung ist eine Design-Pipeline, die nützliche, für die Natur neue Proteine vorschlagen kann, ohne eine natürliche Sequenz als Vorlage zu benötigen.