ساختار پروتئین و مدلسازی مولکولی: آلفا فولد، داکینگ و طراحی مولکولی

سود:

• امکان ارزیابی پیش‌بینی‌های ساختار AlphaFold با امتیاز اطمینان pLDDT و اجتناب از ادعاهای مبتنی بر مناطق کم اطمینان
• توانایی تفسیر نمره docking به عنوان رتبه نسبی، نه قرابت مطلق، و تأیید نامزدها با اندازه گیری میل تجربی
• توانایی فیلتر کردن پیشنهادات مولکول مولد از طریق سنتز پذیری، پایداری، و ایمنی زیستی و پیوند دادن پیش بینی های حیاتی به آزمایش مرطوب

برای درک آنچه که یک پروتئین انجام می دهد، لازم است شکل سه بعدی آن را بدانید. از آنجایی که ساختار عملکرد را تعیین می کند - جیب کاتالیزوری یک آنزیم، سطح اتصال گیرنده همیشه از شکل سه بعدی آن ناشی می شود. برای چندین دهه، کشف ساختار یک پروتئین ماه ها آزمایش طول کشید (کریستالوگرافی اشعه ایکس، کرایو-EM). AlphaFold و مدل‌های مشابه هوش مصنوعی این تصویر را تغییر داده‌اند: آنها می‌توانند ساختار سه‌بعدی یک پروتئین را از روی دنباله‌ای از اسیدهای آمینه با دقت بالا در چند دقیقه پیش‌بینی کنند. این انقلابی برای مهندسی زیستی است. اما دانستن حدود انقلاب شرط استفاده ایمن از آن است.

در این بخش، نحوه استفاده از هوش مصنوعی در پیش‌بینی ساختار، اتصال مولکولی (محاسبه نحوه و شدت اتصال یک مولکول کوچک به پروتئین) و جریان‌های کاری طراحی مولکول را خواهید آموخت. در هر مرحله می آموزید که کجا پیش بینی به پایان می رسد و آزمایش شروع می شود.

AlphaFold: قدرت و محدودیت

AlphaFold (یک مدل یادگیری عمیق که ساختار سه بعدی را از یک توالی پروتئین پیش‌بینی می‌کند) با هر پیش‌بینی یک امتیاز اطمینان (pLDDT - مقداری از 0 تا 100 که نشان می‌دهد مدل برای هر اسید آمینه چقدر مطمئن است) تولید می‌کند. pLDDT بالا (بیش از 90) به طور کلی قابل اعتماد است. نواحی پایین (<50) اغلب نواحی بی نظم هستند - بخش های انعطاف پذیر پروتئین که ساختار ثابتی ندارند - یا مناطقی که مدل نامشخص است. محدودیت‌هایی که AlphaFold باید بداند این است که یک ساختار استاتیک واحد می‌دهد (نه حرکت پروتئین‌ها)، لیگاند (اتصال مولکول کوچک به پروتئین) یا اثرات یون فلزی را مدل نمی‌کند، همیشه تأثیر ظریف جهش‌ها را در بر نمی‌گیرد و تضمین نمی‌کند که یک کمپلکس تشکیل شود.

احتیاط: AlphaFold یک فرضیه پیش بینی شده است، نه یک سازه تجربی. ادعای مکانیزمی مبتنی بر مناطق با pLDDT پایین یا شناسایی یک پاکت دارویی در این مناطق گمراه کننده است. ساختارهای بحرانی باید با روش تجربی (کریستالوگرافی، کرایو-EM) تایید شوند.

Docking: پیش بینی اتصال

سوال اساسی در مهندسی دارو و آنزیم این است: "آیا این مولکول به این پروتئین متصل می شود و چقدر قوی است؟" Docking این را محاسبه می کند و آن را با یک تابع امتیازدهی رتبه بندی می کند - یک مدل ریاضی تقریبی که قدرت اتصال را تخمین می زند. اما امتیازات اتصال نسبی هستند و میل اتصال واقعی را پیش‌بینی نمی‌کنند. نرخ مثبت کاذب بالاست. روش‌های جدید مبتنی بر هوش مصنوعی اتصال را سریع‌تر و دقیق‌تر می‌کنند، اما نتیجه همچنان یک توالی اسکن است - که با اندازه‌گیری میل تجربی (مانند SPR، ITC) تأیید می‌شود.

نکته: از Docking برای تعیین توالی هزاران مولکول قبل از آزمایش استفاده کنید، نه برای یک تصمیم مطلق "bind/no-bind". سنتز و آزمایش 50 مولکول با بالاترین امتیاز بسیار کارآمدتر از آزمایش تصادفی 50 مولکول است. اما تجربه تصمیم می گیرد.

طراحی مولکولی و مدل های مولد

مدل‌های مولد – هوش مصنوعی که می‌تواند توالی‌های پروتئینی جدید یا مولکول‌های کوچک را «طراحی» کند – می‌تواند مولکول‌های کاندید با ویژگی‌های دلخواه را پیشنهاد کند: یک آنزیم پایدارتر، یک داربست دارویی جدید که به هدف متصل می‌شود. این قدرتمند است، اما دو مشکل دارد: این مدل ممکن است مولکول‌های غیرقابل سنتز (از نظر شیمیایی تولید غیرممکن) یا توالی‌های غیر واقعی را پیشنهاد کند. به همین دلیل است که خروجی های تولیدی همیشه از طریق قابلیت ترکیب، ثبات و امنیت فیلتر می شوند.

سه کیف کوچک

مورد 1 - ساختار برآورد را هدایت می کند. یک تیم مهندسی آنزیم بدون ساختار آزمایشی آنزیم هدف کار می کرد. AlphaFold به محل فعال پیش بینی شده اشاره کرد - ناحیه ای که آنزیم واکنش شیمیایی را انجام می دهد. این تیم 3 جهش در این منطقه طراحی کردند. در آزمایش، یکی فعالیت را 2.3 برابر افزایش داد. اما دو جهش جواب نداد - پیش‌بینی انجام شد، آزمایش تصمیم گرفت.

مورد 2 - تله منطقه کم اعتماد. دانش آموزی می خواست دارو را به یک "جیب" در ساختار AlphaFold متصل کند. با نگاهی به نقشه pLDDT، او دید که این منطقه یک منطقه کم امن و احتمالاً بی نظم با امتیاز 38 است. از اتلاف ماه ها برای یک هدف اشتباه جلوگیری شد.

مورد 3 - پیشنهاد غیرقابل ترکیب. یک مدل تولیدی 200 مولکول را پیشنهاد کرد که با امتیاز بالا به هدف متصل می شوند. وقتی شیمیدان آن را فیلتر کرد، متوجه شد که 40 درصد آن عملاً سنتز نمی شود یا ناپایدار است. پس از واقع بینانه شدن جمع کاندیدای باقیمانده، 12 مورد ترکیب شدند.

چهار قالب قابل کپی

1) نظر خروجی AlphaFold:

نقش شما: زیست شناس ساختاری من خلاصه pLDDTscore یک پیش‌بینی AlphaFold را به شما می‌دهم. تشخیص دهید که کدام مناطق قابل اعتماد (>90) و کدام مناطق مشکوک (<50) هستند. هیچ ادعای مکانیزمی را بر اساس مناطق کم اطمینان ایجاد نکنید. در پرینت خود بنویسید که این یک ساخت آزمایشی نیست و چگونه آن را تأیید کنید.

2) طرح گردش کار اتصال:

نقش شما: شیمیدان محاسباتی. گردش کار اتصال مولکول کوچک برای [پروتئین هدف] را شرح دهید: آماده سازی پروتئین، تعریف پاکت اتصال، آماده سازی لیگاند، امتیازدهی، توالی یابی. توضیح دهید که امتیاز docking قرابت مطلق نیست و با چه روش تجربی (SPR/ITC) تأیید می‌شود.

3) توجیه طراحی جهش:

من پیشنهاداتی برای جهش برای افزایش پایداری آنزیم می خواهم. برای هر توصیه: موقعیت هدف، منطق (منطق ساختاری) و خطر احتمالی (از دست دادن فعالیت). اشاره کنید که اینها حدس و گمان هستند و هر کدام باید با آزمایش آزمایش شوند. حداکثر 5 پیشنهاد بدهید و اولویت بندی کنید.

4) فیلتر خروجی مولد:

معیارهای ارزیابی مولکول‌های پیشنهاد شده توسط یک مدل تولیدی را به من بدهید: قابلیت سنتز، پایداری شیمیایی، علائم سمیت (احتیاط‌های ساختاری)، وزن مولکولی، و حلالیت. به من بگو آستانه ای که در آن برای هر معیار "باید حذف کنم". این یک پیش فیلتر است. تصمیم نهایی متعلق به آزمایشگاه مرطوب است.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

دارویی طراحی کنید که به این پروتئین متصل شود.

بدون امنیت، بدون قابلیت ترکیب، بدون تایید. هوش مصنوعی خروجی غیرواقعی و غیرقابل تایید تولید می کند.

اعلان قدرتمند:

نقش شما: شیمیدان محاسباتی. برای داربست‌های مولکولی کوچک که پتانسیل اتصال به پروتئین [هدف] را دارند، یک استراتژی غربالگری (بر اساس اتصال) پیشنهاد دهید. مولکول های بتن تولید نکنید. در عوض گام به گام توضیح دهید که کدام کتابخانه، کدام جیب، کدام امتیاز و کدام فیلتر باید استفاده شود، و چگونه می توان هر نامزد را با وابستگی تجربی تأیید کرد.

تفاوت: تمرکز استراتژی، محدوده واقع بینانه، اعتبار صریح و آگاهی امنیتی.

گردش کار ساختاریافته و اعتبار سنجی

گام

سهم هوش مصنوعی

مرز

تایید

پیش بینی ساختار

مدل سه بعدی AlphaFold

استاتیک، بدون لیگاند

کرایو-EM/کریستالوگرافی

ارزیابی اعتماد

نظر pLDDT

منطقه پایین نامشخص است

مقایسه مدل مستقل

لنگر انداختن

مرتب سازی سریع

امتیاز ≠ قرابت

اندازه گیری SPR/ITC

طراحی جهش

توصیه نامزد

برآورد تاثیر

آزمایش فعالیت

تولید مولکول

کاندیدای جدید

سنتز / پایداری

شیمیدان + تست مرطوب

دینامیک مولکولی: ساختار فعال

AlphaFold به شما یک عکس منجمد می دهد. با این حال، پروتئین ها ماشین هایی هستند که به طور مداوم در حال حرکت، ارتعاش، باز و بسته شدن جیب های آنها هستند. شبیه‌سازی دینامیک مولکولی (MD—محاسبه رایانه‌ای حرکت اتم‌های یک مولکول در طول زمان طبق قوانین فیزیک نیوتن) این حرکت را قابل مشاهده می‌کند: آیا یک پاکت دارو واقعاً باز است، چگونه یک جهش انعطاف‌پذیری را تغییر می‌دهد، آیا یک اتصال پایدار می‌ماند یا خیر. هوش مصنوعی به برنامه ریزی یک تنظیم MD (انتخاب میدان نیرو، جعبه آب، مراحل تعادل) و خلاصه کردن نتایج کمک می کند، اما اعتبار فیزیکی شبیه سازی (زمان کافی، میدان نیرو صحیح) قضاوت متخصص است. یک شبیه سازی کوتاه یا نامناسب نتیجه ای را ایجاد می کند که واقعی به نظر می رسد اما از نظر فیزیکی بی معنی است.

نکته: قبل از اعتماد به نتیجه شبیه سازی MD، دو سوال بپرسید: آیا شبیه سازی به اندازه کافی طولانی است (آیا سیستم به تعادل رسیده است) و آیا در صورت تکرار (با یک دانه شروع متفاوت) همان رفتار را نشان می دهد؟ یک شبیه‌سازی مختصر یک روند را نشان می‌دهد، نه شواهد.

اشتباهات رایج

• با فرض اینکه ساختار بدون نگاه کردن به pLDDT قطعی است. ادعاهای مبتنی بر مناطق ایمنی پایین گمراه کننده هستند.
• اشتباه گرفتن امتیاز اتصال به عنوان یک اندازه گیری میل جنسی. امتیاز نسبی است. نیاز به آزمایش دارد.
• اشتباه گرفتن ساختار ایستا با یک واقعیت پویا. حرکت پروتئین ها؛ یک ساختار تمام داستان را بیان نمی کند.
• پذیرش پیشنهادات برای مولکول های غیر قابل سنتز. خروجی تولیدی باید از فیلتر شیمیایی عبور کند.
• نابینایی امنیتی/دوکاربردی درخواست برای طراحی سموم یا عوامل مضر باید رد شود.

به طور خلاصه

AlphaFold و Docking ابزارهای قدرتمند هوش مصنوعی هستند که مهندسی پروتئین و کشف دارو را تسریع می کنند. پیش‌بینی ساختار راهگشاست، اتصال هزاران مولکول، مدل‌های مولد نامزدهای جدیدی را پیشنهاد می‌کنند. اما خروجی همه اینها فرضیه است: نمرات اطمینان pLDDT را بخوانید، امتیاز docking را با تمایل اشتباه نکنید، ساختار ایستا را با واقعیت پویا اشتباه نگیرید، و هر نامزد حیاتی را به صورت تجربی تأیید کنید. سنتز پذیری، ایمنی و آگاهی از استفاده دوگانه در طراحی مولکول ضروری است.

وظیفه کاربردی

یک پیش‌بینی ساختار برای یک توالی پروتئین در دسترس عموم از پایگاه داده AlphaFold (یا یک سرور آنلاین) پیدا کنید. نقشه pLDDT را بررسی کنید و مناطق امن و مشکوک را جدا کنید. سپس نظر هوش مصنوعی را در مورد سایت فعال این پروتئین داشته باشید و هر ادعایی را که ارائه می کند با نقشه pLDDT مقایسه کنید: آیا این ادعا مبتنی بر منطقه ای با اطمینان پایین است؟ نتیجه را در یک پاراگراف ارزیابی کنید.

چک لیست

• [ ] من پیش بینی ساختار را همراه با نمره اطمینان pLDDT ارزیابی کردم.
• [ ] من از ادعاهای مبتنی بر مناطق کم اعتماد اجتناب کرده ام.
• [ ] من نمره docking را به عنوان رتبه بندی نسبی تفسیر کردم، نه قرابت مطلق.
• [ ] مشاهده کردم که ساختار استاتیک رفتار پویا را نشان نمی دهد.
• [ ] من پیشنهادات مولکول مولد را از طریق قابلیت سنتز و ایمنی فیلتر کردم.
• [ ] من هر پیش‌بینی حیاتی را به یک طرح تأیید آزمایشی مرتبط کردم.