Прогнозирование белкового беспорядка по аминокислотной последовательности

Структурный беспорядок жизненно важен для функции белков в разнообразных биологических процессах. Поэтому крайне желательно уметь предсказывать степень порядка и беспорядка по аминокислотной последовательности. Исследователи из Орхусского университета разработали инструмент прогнозирования, используя машинное обучение вместе с экспериментальными данными ЯМР для сотен белков. Этот инструмент, как ожидается, будет полезен для структурных исследований и понимания биологической роли и регуляции белков с неупорядоченными областями.

Эксперименты Анфинсена в прошлом веке показали, что информация, управляющая поиском нативного состояния, скрыта в аминокислотной последовательности. Термодинамические соображения породили взгляд на процесс сворачивания как на движение вниз по энергетическому склону к уникальной нативной структуре.

Прорыв наступил с появлением дешевого и быстрого секвенирования геномов. Ученые обнаружили множество генов, кодирующих белки с низкой сложностью — они не содержали нужных аминокислот для сворачивания и оставались «внутренне неупорядоченными». Более трети генов в человеческом геноме кодируют белковый беспорядок.

Как обнаружить белковый беспорядок?

Неупорядоченные белки очень гибки и не поддаются кристаллизации, поэтому метод рентгеноструктурного анализа (XRD) для них не работает. Вместо этого их необходимо изучать в растворе, и для этой цели наиболее подходящим инструментом является спектроскопия ЯМР (ядерного магнитного резонанса).

В этом методе в сильном магнитном поле измеряется квантовое физическое свойство «спин» для каждого атома в молекуле. Точные частоты прецессии спинов зависят от их окружения, и именно эта частота позволяет исследователям количественно измерить, в какой степени каждая аминокислота в белке упорядочена или нет.

В своей новой статье в Scientific Reports, опубликованной 8 сентября 2020 года, д-р Рупашри Дас вместе с доцентом Франсом Мульдером и ассистент-профессором Якобом Тудалем Нильсеном использовали машинное обучение вместе с экспериментальными данными ЯМР для сотен белков, чтобы создать новый биоинформатический инструмент под названием ODiNPred.

Эта биоинформатическая программа может помочь другим исследователям делать наилучшие возможные прогнозы о том, какие области их белков являются жесткими, а какие, вероятно, будут гибкими. Эта информация полезна для структурных исследований, а также для понимания биологической роли и регуляции внутренне неупорядоченных белков.