Robust deep learning–based protein sequence design using ProteinMPNN

Robust deep learning–based protein sequence design using ProteinMPNN | Science

 

알파폴드와 로제타폴드같은 딥러닝 접근 방식은 단백질 구조예측을 광범위하게 이용가능하게 했다. 하지만 그 역의 경우 ( 원하는 구조대로 접히는 sequence 를 찾는 것 )  은 에너지 최적화에 기반을 둔 접근법이 대다수이다. 두 논문에서, 딥러닝을 이용한 단백질 디자인 문제가 다뤄졌다. Dauparas et al. 에서는 ProteinMPNN 이라는 방법을 개발했는데, 그들은 실험적으로 design 을 증명하였고 Rosetta 나 Alphafold 를 사용하여 얻어진 design 중 실패한 design 도 사용가능하게 할 수 있다는 것을 보였다. 

Wicky et al., 은 random sequence 로부터 시작하여 알파폴드의 구조예측과 더불어 Monte Carlo sequence search 를 사용하여 cyclic homooligomer 를 만들었다. 이러한 디자인들은 안정적인 발현을 얻으려고 만들었지만, 그러한 구조들은 ProteinMPNN 을 사용하여 재구성되어야 했다. 이 접근법은 실험적으로 검증된 다양한cyclic homooligomer 의 설계를 허용했고 점점 더 복잡한 조립체를 설계할 수 있는 길을 열었다. - VV

 

딥러닝은 단백질 구조 예측에 혁명을 가져왔지만 실험적으로 특징지어지는 거의 모든 de novo protein 은 물리적 기반 접근법인 Rosetta 등으로 예측된 것 이었다. 이 논문에서, 우리는 ProteinMPNN 이라는 딥러닝 기반의 단백질 설계 method 를 설명한다. 이는 실험적으로나 in silico test 에서 뛰어난 성능을 보였으며, 우리의 native protein backbone 에서 ProteinMPNN 은 32.9% 의 Rosetta 와 비교해서 52.4% 의 sequence recovery 를 가졌다. 다른 위치에 있는 아미노산 서열은 단일 혹은 다중 chain 과 결합될 수 있어, 이는 광범위한 protein design 을 이끌 수 있음을 말한다. 

우리는 protein monomers, cyclic homo-oligomers, tetrahedral nanoparticles, and target-binding proteins 의 로제타 또는 알파폴드를 사용하여 만들어진 이전에 실패한 설계를 x-ray crystallography, cryo–electron microscopy, and functional studies를 사용하여 rescue 했고 이는 단백질 MPNN의 광범위한 유용성과 높은 정확도를 입증한다.