.
Muitas vias de descoberta de medicamentos e anticorpos concentram-se em proteínas da membrana celular intrincadamente dobradas: quando as moléculas de um candidato a medicamento se ligam a estas proteínas, como uma chave que entra numa fechadura, desencadeiam cascatas químicas que alteram o comportamento celular. Mas como essas proteínas estão incorporadas na camada externa das células que contém lipídios, elas são difíceis de acessar e insolúveis em soluções à base de água (hidrofóbicas), tornando-as difíceis de estudar.
“Queríamos retirar essas proteínas da membrana celular, então as redesenhamos como análogos solúveis e hiperestáveis, que se parecem com proteínas de membrana, mas são muito mais fáceis de trabalhar”, explica Casper Goverde, estudante de doutorado no Laboratório de Design de Proteínas. e Imunoengenharia (LPDI) na Escola de Engenharia.
Em poucas palavras, Goverde e uma equipa de investigação do LPDI, liderada por Bruno Correia, utilizaram a aprendizagem profunda para conceber versões sintéticas solúveis de proteínas da membrana celular habitualmente utilizadas na investigação farmacêutica. Enquanto os métodos de triagem tradicionais dependem da observação indireta de reações celulares a candidatos a medicamentos e anticorpos, ou à extração meticulosa de pequenas quantidades de proteínas de membrana de células de mamíferos, a abordagem computacional dos pesquisadores permite remover células da equação. Depois de projetar um análogo de proteína solúvel usando seu pipeline de aprendizado profundo, eles podem usar bactérias para produzir a proteína modificada em massa. Estas proteínas podem então ligar-se diretamente em solução com candidatos moleculares de interesse.
“Estimamos que a produção de um lote de análogos de proteínas solúveis usando E. coli é cerca de 10 vezes mais barato do que usar células de mamíferos”, acrescenta o estudante de doutorado Nicolas Goldbach.
A pesquisa da equipe foi publicada recentemente na revista Natureza.
Invertendo o script no design de proteínas
Nos últimos anos, os cientistas aproveitaram com sucesso redes de inteligência artificial que utilizam aprendizagem profunda para conceber novas estruturas proteicas, por exemplo, prevendo-as com base numa sequência de entrada de blocos de construção de aminoácidos. Mas para este estudo, os pesquisadores estavam interessados em dobras de proteínas que já existem na natureza; o que eles precisavam era de uma versão mais acessível e solúvel dessas proteínas.
“Tivemos a ideia de inverter esse pipeline de aprendizagem profunda que prevê a estrutura da proteína: se inserirmos uma estrutura, ela pode nos dizer a sequência de aminoácidos correspondente?” explica Goverde.
Para conseguir isso, a equipe usou a plataforma de previsão de estrutura AlphaFold2 do Google DeepMind para produzir sequências de aminoácidos para versões solúveis de várias proteínas-chave da membrana celular, com base em sua estrutura 3D. Em seguida, eles usaram uma segunda rede de aprendizagem profunda, ProteinMPNN, para otimizar essas sequências para proteínas funcionais e solúveis. Os investigadores ficaram satisfeitos ao descobrir que a sua abordagem mostrou notável sucesso e precisão na produção de proteínas solúveis que mantiveram partes da sua funcionalidade nativa, mesmo quando aplicadas a dobras altamente complexas que até agora escaparam a outros métodos de design.
“O Santo Graal da Bioquímica”
Um triunfo particular do estudo foi o sucesso do pipeline na concepção de um análogo solúvel de uma forma de proteína conhecida como receptor acoplado à proteína G (GPCR), que representa cerca de 40% das proteínas da membrana celular humana e é um importante alvo farmacêutico.
“Mostramos pela primeira vez que podemos redesenhar a forma do GPCR como um análogo solúvel estável. Este tem sido um problema de longa data na bioquímica, porque se você puder torná-lo solúvel, poderá rastrear novos medicamentos com muito mais rapidez e facilidade “, diz o cientista do LPDI Martin Pacesa.
Os pesquisadores também veem esses resultados como uma prova de conceito para a aplicação de seu pipeline à pesquisa de vacinas e até mesmo à terapêutica do câncer. Por exemplo, eles desenvolveram um análogo solúvel de um tipo de proteína chamada claudina, que desempenha um papel no desenvolvimento de tumores resistentes ao sistema imunológico e à quimioterapia. Nas suas experiências, o análogo solúvel da claudina da equipa manteve as suas propriedades biológicas, reforçando a promessa do pipeline de gerar alvos interessantes para o desenvolvimento farmacêutico.
.
