Forskare i Tyskland och USA har förutspått den mest topologiskt komplexa knuten som någonsin hittats i ett protein med hjälp av AlphaFold, systemet för artificiell intelligens (AI) som utvecklats av Googles DeepMind. Deras fullständiga analys av data som producerats av AlphaFold avslöjade också de första sammansatta knutarna i proteiner: topologiska strukturer som innehåller två separata knutar på samma sträng. Om de upptäckta proteinknutarna kan återskapas experimentellt kommer det att tjäna till att verifiera riktigheten av förutsägelser gjorda av AlphaFold.
Proteiner kan vikas för att bilda komplexa topologiska strukturer. De mest spännande av dessa är proteinknutar – former som inte skulle lossna om proteinet drogs från båda ändarna. Peter Virnau, en teoretisk fysiker vid Johannes Gutenberg University Mainz, berättar Fysikvärlden att det för närvarande finns runt 20 till 30 kända knutna proteiner. Dessa strukturer, förklarar Virnau, väcker intressanta frågor kring hur de viker sig och varför de existerar.
Ett proteins form kan vara nära kopplat till dess funktion, men även om det finns några teorier om funktionaliteten och syftet med proteinknutar finns det få hårda bevis för att backa upp dessa. Virnau säger att de kan hjälpa till att hålla proteinerna stabila, genom att till exempel vara särskilt motståndskraftiga mot termiska fluktuationer, men det är öppna frågor. Även om proteinknutar är sällsynta, verkar de också vara mycket bevarade av evolutionen.
"Om det finns ett knutet protein, till exempel i jäst, är det stor sannolikhet att det också är knutet i motsvarande protein hos människor", förklarar Virnau. "Så, det här är strukturer som har funnits i hundratals miljoner år."
Ett långvarigt problem inom proteinknutforskning har varit att hitta och identifiera proteinknutar. Även om komplexa proteinstrukturer har bestämts experimentellt i laboratoriet, kan detta vara utmanande och tidskrävande. Nyligen utvecklade DeepMind ett AI-system känt som AlphaFold som den hävdar kan förutsäga proteinstrukturer med otrolig hastighet och precision. Deep-learning-systemet fungerar på en stor databas med kända proteiner och deras aminosyrasekvenser. Den använder dessa sekvenser och information om aminosyrornas primära struktur för att förutsäga de tredimensionella strukturerna hos proteinerna. Dess träning är baserad på evolutionära, fysiska och geometriska begränsningar av proteinstrukturer.
AlphaFold har förutspått flera hundra tusen proteinstrukturer, varav de flesta ännu inte har katalogiserats. I detta senaste verk, publicerat i Proteinvetenskap, sökte Virnau och hans kollegor i AlphaFolds databank efter tidigare okända komplexa proteinknutar. De upptäckte nio nya knutar. Detta inkluderade de första 71-knot – en knut med sju korsningspunkter som är den mest topologiskt komplexa knut som någonsin hittats i ett protein.
Forskarna hittade också flera sexkorsande sammansatta knutar. Dessa innehåller vardera två trefoil-knutar, som är knutar med tre korsningar. De upptäckte också två tidigare okända knutar med fem viktiga korsningar, en 51-knut och en 5:a2-Knut.
Teamet arbetar nu med biokemist Todd Yeates, vid University of California Los Angeles, för att skapa de proteiner som identifierats av AlphaFold experimentellt för att bekräfta att de bildar de förutsagda topologiska strukturerna. "Jag är ganska säker på att vi kommer att kunna bekräfta dessa strukturer experimentellt", säger Virnau.
Quantum approach avslöjar snabbare proteinveckning
Om dessa topologiskt utmanande strukturer kan skapas experimentellt skulle det visa att AlphaFold fungerar som förväntat och ge förtroende för sina förutsägelser om mindre komplexa proteinformer. "Proteinknutarna kan bara vara en mindre aspekt av detta, men det kan ändå fungera som en validering av dessa verktyg i allmänhet," förklarar Virnau.
I framtiden kan det vara möjligt att använda dessa AI-verktyg för proteinteknik. Proteiner kan utformas som innehåller knutar och andra komplexa strukturer som ger dem funktionalitet för specifika uppgifter, även om detta är åtminstone några år bort.
