Pesquisadores da EPFL criaram um pipeline de aprendizado profundo para projetar análogos solúveis de estruturas proteicas chave usadas no desenvolvimento farmacêutico, contornando o custo proibitivo de extrair essas proteínas das membranas celulares.
Muitos caminhos de descoberta de medicamentos e anticorpos se concentram em proteínas de membrana celular intrincadamente dobradas: quando moléculas de um candidato a medicamento se ligam a essas proteínas, como uma chave em uma fechadura, elas desencadeiam cascatas químicas que alteram o comportamento celular. Mas como essas proteínas estão embutidas na camada externa das células, que contém lipídios, elas são difíceis de acessar e insolúveis em soluções aquosas (hidrofóbicas), tornando seu estudo complicado.
“Queríamos tirar essas proteínas da membrana celular, então as redesenhamos como análogos hiperestáveis e solúveis, que se parecem com proteínas de membrana, mas são muito mais fáceis de trabalhar”, explica Casper Goverde, um estudante de doutorado no Laboratório de Design e Imunoengenharia de Proteínas (LPDI) da Escola de Engenharia.
Em resumo, Goverde e uma equipe de pesquisa do LPDI, liderada por Bruno Correia, usaram aprendizado profundo para projetar versões solúveis sintéticas de proteínas de membrana celular comumente usadas em pesquisa farmacêutica. Enquanto os métodos tradicionais de triagem dependem da observação indireta de reações celulares a candidatos a medicamentos e anticorpos, ou da extração minuciosa de pequenas quantidades de proteínas de membrana de células de mamíferos, a abordagem computacional dos pesquisadores permite que eles removam as células da equação. Após projetar um análogo de proteína solúvel usando seu pipeline de aprendizado profundo, eles podem usar bactérias para produzir a proteína modificada em massa. Essas proteínas podem então se ligar diretamente em solução com candidatos moleculares de interesse.
“Estimamos que a produção de um lote de análogos de proteínas solúveis usando E. coli seja cerca de 10 vezes mais barata do que usando células de mamíferos”, acrescenta o estudante de doutorado Nicolas Goldbach.
A pesquisa da equipe foi publicada recentemente na revista Nature.
Invertendo o jogo no design de proteínas
Nos últimos anos, cientistas conseguiram aproveitar redes de inteligência artificial que usam aprendizado profundo para projetar novas estruturas de proteínas, por exemplo, prevendo-as com base em uma 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 aprendizado profundo 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 aprendizado profundo, a ProteinMPNN, para otimizar essas sequências para proteínas funcionais e solúveis. Os pesquisadores ficaram satisfeitos ao descobrir que sua abordagem mostrou sucesso e precisão notáveis na produção de proteínas solúveis que mantiveram partes de sua funcionalidade nativa, mesmo quando aplicadas a dobras altamente complexas que até agora escaparam de outros métodos de design.
“O Santo Graal da bioquímica”
Um triunfo particular do estudo foi o sucesso do pipeline no projeto 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 em pesquisa de vacinas e até mesmo em terapêuticas contra o câncer. Por exemplo, eles projetaram um análogo solúvel de um tipo de proteína chamado claudina, que desempenha um papel na resistência de tumores ao sistema imunológico e à quimioterapia. Em seus experimentos, o análogo solúvel de claudina da equipe manteve suas propriedades biológicas, reforçando a promessa do pipeline para gerar alvos interessantes para o desenvolvimento farmacêutico.
