圖｜研究人員開發的計算方法（FragFold）可預測哪些蛋白片段能抑制靶蛋白功能（來源：MIT News）
從 DNA 轉錄、細胞分裂調控，到複雜生物體的高階功能，幾乎所有生物功能都依賴於不同蛋白質之間的相互作用。
然而在分子層面，這些功能是如何協調運作的，以及蛋白質之間（無論是與其他蛋白質還是自身複製）的相互作用機制仍然存在諸多未知。
最新研究發現，即使是很小的蛋白質片段也蘊含巨大的功能潛力。儘管它們只是不完整的片段，但短鏈氨基酸仍可以與靶蛋白結合，模擬天然的相互作用過程。
透過這一過程，蛋白質片段可以改變靶蛋白的功能，或者干擾它與其他蛋白質的相互作用。因此，蛋白質片段不僅有助於深入研究蛋白質相互作用和細胞過程，還在治療領域具有潛在應用價值。
近期，麻省理工學院生物學系的科學家開發出一種新方法，基於現有的 AI 模型，透過計算預測能與大腸桿菌中全長蛋白質結合並抑制其功能的蛋白質片段。他們認為，理論上利用這個工具有望開發出針對任何蛋白質的遺傳編碼抑制劑。
目前，這篇研究論文已經發表在 PNAS 上。該研究工作由麻省理工學院生物學副教授、霍華德·休斯醫學研究所研究員 Gene-Wei Li 與生物工程教授兼系主任 Amy Keating 共同主導完成。
藉助 AlphaFold 開發而來
近年來，AlphaFold 在生物學領域取得了不少突破，其能夠精準預測蛋白質摺疊以及蛋白質相互作用。此次，研究團隊開發的名為“FragFold”的計算方法也是基於 AlphaFold。
在這項新研究中，他們利用 AlphaFold 來預測蛋白質片段抑制劑，而這屬於其全新的一個應用方向。研究人員透過實驗驗證，即便在缺乏相互作用機制結構資料的情況下，FragFold 對結合或抑制作用的預測準確率仍然超過 50%。
“我們的研究結果表明，這是一種通用型的方法，能找到可能抑制蛋白質功能的結合模式，包括針對全新的蛋白質靶點，這些預測結果可作為進一步實驗的起點。我們甚至能將其應用於功能未知、相互作用未知，甚至結構未知的蛋白質上。”該論文共同第一作者兼通訊作者 Andrew Savinov 表示。
以 FtsZ 蛋白為例，它對細胞分裂過程中發揮重要作用，雖然它早已被廣泛研究，但其包含一段天然無序區域，使得針對它的研究特別具有挑戰性。
畢竟，無序蛋白質結構動態變化，其功能性相互作用往往非常短暫，以至於現有的結構生物學工具難以捕捉到單一的結構或相互作用。
在這項研究中，他們利用 FragFold 探索 FtsZ 片段（包括那些來自天然無序區域的片段）的活性，識別出了與多種與其他蛋白質的新結合相互作用。
這一成果不僅證實並拓展了此前對 FtsZ 生物活性的實驗測量，更重要的是，它在未解析無序區域結構的情況下完成的，展現了 FragFold 的潛力。
“這是 AlphaFold 從根本上改變我們研究分子和細胞生物學方式的一個典型案例。像 FragFold 這樣對 AI 方法的創造性應用，為我們開拓了意想不到的功能和全新的研究方向。”Amy Keating 評價道。
抑制作用及其他應用
研究人員透過這種計算方法將每個蛋白質分割成片段，然後模擬這些片段與相關互動物件的結合情況，從而實現了這些預測。
他們將整個序列的預測結合圖譜與活細胞中這些片段的影響進行對比（後者透過高通量實驗測量確定，該實驗中數百萬個細胞各自產生一種型別的蛋白質片段）。
AlphaFold 通常利用共進化資訊來預測摺疊，並在每次預測時藉助多重序列比對（MSA）評估蛋白質的進化。儘管 MSA 非常關鍵，但卻是大規模預測的瓶頸，因其需要耗費大量時間和計算資源。
對於 FragFold，研究人員改為預先計算一次全長蛋白質的 MSA，並使用該結果指導對該全長蛋白質每個片段的預測。
除 FtsZ 外，研究人員還預測了多種蛋白質的抑制片段。他們研究的相互作用包括脂多糖轉運蛋白 LptF 和 LptG 之間的複合物。
實驗發現，LptG 的蛋白質片段能夠抑制這一相互作用，可能會干擾脂多糖的遞送，而脂多糖是大腸桿菌外細胞膜的關鍵成分，對細胞健康起著至關重要的作用。
“令人驚喜的是，我們的預測準確率如此之高，甚至還能預測出與抑制相對應的結合情況。針對我們研究的每一種蛋白質都成功找到了抑制劑。” Andrew Savinov 表示。
起初，他們聚焦於蛋白質片段的抑制功能，因為檢測片段能否阻斷細胞基本功能，是一種相對簡單的系統測量方式。
接下來，團隊計劃進一步探索抑制功能之外的蛋白質片段作用，例如穩定結合蛋白質、增強或改變其功能，以及觸發蛋白質降解等。
設計原理
這項研究為系統理解細胞設計原則打下了基礎，同時也有助於探索深度學習模型可利用哪些元素做出準確預測。
“我們正朝著更廣泛、更長遠的目標邁進。”Andrew Savinov 說道，“既然能夠進行預測，那麼我們能否從預測和實驗資料中提取關鍵特徵，進而弄清楚 AlphaFold 對於有效抑制劑的判斷依據呢？”
於是，他們深入探索了蛋白質片段的結合方式、其他蛋白質相互作用，並透過改變特定殘基來觀察這些變化如何影響片段與靶點相互作用。
透過對細胞內數千個突變片段的行為進行實驗檢查（這種方法名為“深度突變掃描”），研究人員發現了負責抑制的關鍵氨基酸。在某些情況下，突變後的片段甚至比天然全長序列的抑制效果更好。
“與以往的方法不同，我們不再侷限於從實驗結構資料中識別片段。”Sebastian Swanson 指出，“這項研究的核心優勢在於，高通量實驗抑制資料與預測結構模型相互配合，實驗資料幫助我們篩選出特別有研究價值的片段，而 FragFold 預測的結構模型則為片段在分子層面的功能提供了具體且可驗證的假設。”
展望未來，研究團隊對 FragFold 的廣泛應用充滿期待。“透過建立緊湊的、可遺傳編碼的結合物，FragFold 為調控蛋白質功能提供了廣闊空間。我們可以設想，利用功能化片段修飾天然蛋白質，改變其亞細胞定位，甚至重新程式設計，從而開發出用於研究細胞生物學和治療疾病的新工具。” Gene-Wei Li 總結道。
原文連結：
https://news.mit.edu/2025/ai-system-fragfold-predicts-protein-fragments-0220