摘要
关键词
- 螺旋肽 (Helical peptides)
- 高亲和力结合物 (High-affinity binders)
- 去新蛋白设计 (De novo protein design)
- 深度学习 (Deep learning)
- RFdiffusion 方法 (RFdiffusion method)
研究背景
生物活性螺旋肽在人体内具有关键的调节功能，是重要的疾病生物标志物。然而，目前的结合物设计方法面临稳定性、生产成本和结合亲和力的限制。传统抗体由于其环状结合界面的结构限制，难以有效识别延展的螺旋肽。此外，设计结合螺旋肽的去新蛋白受限于目标肽的高灵活性和较低的结合能量。本研究通过引入深度学习和去新设计方法克服这些障碍，为高效结合生物活性螺旋肽开辟了新路径。
创新点
- 开发了一种结合参数化生成和RFdiffusion的蛋白设计方法，实现对目标螺旋肽的高亲和力结合。
- 结合物设计无需实验优化，结合亲和力达皮摩尔级别。
- 引入局部去噪和界面优化技术，提升结合效率。
- 应用于诊断平台，展示了结合物的稳定性和重复使用能力。
研究内容
本研究设计了一种以RFdiffusion方法为核心的螺旋肽结合物生成技术，首先利用参数化方法生成具有槽状结构的结合骨架，再结合深度学习模型优化界面设计和序列匹配。研究中设计的结合物针对PTH和GCG展示了出色的结合性能，其结合亲和力分别为6皮摩尔和亚皮摩尔级别。通过晶体学分析，验证了结合物的设计模型与目标肽的高度匹配性。此外，结合物在生物传感器中表现出卓越的灵敏度和稳定性，并在液相色谱质谱分析中成功实现对目标肽的高效富集。实验结果表明，该方法可普遍适用于复杂分子靶点的高效结合。
(a) 螺旋肽靶标：包括Bid、Bim、GCG、GIP等的α螺旋结构展示。
(b) 参数化方法：通过调节螺旋距离设计最佳结合模型。左侧展示了用于PTH结合的最佳参数化设计，右侧为对应的结合数据曲线。
(c) 插补优化：通过RFjoint对参数化设计进行优化，生成高亲和力结合物。
(d) 线程式设计：使用现有的设计骨架并优化界面以匹配目标肽。
(e) 幻觉设计：通过深度学习算法在随机初始条件下生成完全去新的结合物。
(a) 局部噪声扩散：通过调节初始噪声生成优化模型，展示不同噪声条件下的多样化结构生成。
(b) 部分优化后的模型分别用于GCG和NPY结合的实验结果，展示较高的结合选择性。
(c) 优化前后结合物模型的对比，显示在结合区域有显著改进的几何匹配性。
(d) 优化后晶体结构的具体调整。
(e) 关键结合位点的分子水平展示，解释了如何通过优化提高结合效率。
(a) 螺旋肽结合物的去新设计示意图，通过逐步降噪生成稳定结合模型。
(b) PTH结合物的设计与结合数据曲线，展示出亚纳摩尔级别的高结合亲和力。
(c) Bim结合物的设计与结合数据曲线，展示出良好的稳定性和高亲和力。
(d) 优化后的Bim结合物晶体结构及结合网络的分子示意图。
(e) PYY结合物的去新设计实验结果，展示出与目标肽的中等亲和力。
(a) PTH lucCage生物传感器示意图，通过结合肽目标引发的发光机制。
(b) lucCagePTH生物传感器的发光响应实验，展示了高灵敏度的检测能力。
(c) LC–MS/MS富集实验的流程图，示意如何利用结合物进行生物标志物的捕获和检测。
(d) PTH和GCG结合物在检测中与抗体的性能对比，显示了结合物在稳定性和重复使用上的优势。
结论与展望
本研究开发的结合物设计方法突破了传统蛋白设计的限制，通过高效的去噪和界面优化，实现了对生物活性螺旋肽的高亲和力结合。未来研究将致力于进一步提升结合物的特异性和稳定性，并拓展其在疾病诊断和治疗中的应用范围，为蛋白设计领域提供全新技术框架。
论文直达
原文标题：De novo design of high-affinity binders of bioactive helical peptides
Nature 2024, 626, 435–442.
点击以下链接阅读原文：