پژوهشگران در مطالعهای منتشرشده در Nature Communications، روشی مبتنی بر هوش مصنوعی برای طراحی و بهینهسازی پروتئینهای کوچکِ هدفگیرنده پروتئینهای سطح سلولهای سرطانی ارائه کردهاند. در این روش، هزاران طراحی پروتئینی با کمک مدلهای هوش مصنوعی ایجاد و غربال شدند و تعدادی از آنها توانستند با قدرت بالا به اهداف موردنظر متصل شوند. پژوهشگران سپس با آزمایش این پروتئینها در آزمایشگاه و انجام اصلاحات بیشتر، عملکرد برخی از آنها را در ساختار گیرنده آنتیژن کایمریک (CAR) بهبود دادند.
طراحی پروتئینهایی که بتوانند یک مولکول مشخص را با دقت بالا شناسایی و به آن متصل شوند، فرایندی پیچیده است؛ زیرا ترتیب اسیدهای آمینه باید بهگونهای باشد که پروتئین هم ساختار مناسب خود را پیدا کند و هم سطح مناسبی برای اتصال به هدف داشته باشد. اگرچه هوش مصنوعی امکان طراحی تعداد زیادی پروتئین را در مدت کوتاه فراهم کرده، اما موفقیت یک طراحی در محیط محاسباتی لزوماً به معنای عملکرد مناسب آن در آزمایشگاه نیست. به همین دلیل، پژوهشگران در این مطالعه طراحی محاسباتی را با آزمایش تجربی و بهینهسازی ترکیب کردند.
🔹 چگونه هوش مصنوعی این پروتئینها را طراحی کرد؟
پژوهشگران برای طراحی پروتئینهای کوچک موسوم به minibinder از چند مدل هوش مصنوعی در یک فرایند چندمرحلهای استفاده کردند.
در مرحله نخست، RFdiffusion با استفاده از اطلاعات ساختاری پروتئین هدف و نواحی تعیینشده برای برهمکنش، ساختارهای سهبعدی جدیدی را برای پروتئینهای کوچک طراحی کرد. این مدل شکل و آرایش فضایی پروتئین را بهگونهای پیشنهاد کرد که سطح مناسبی برای تماس با پروتئین هدف داشته باشد. ساختارهای طراحیشده بین ۷۰ تا ۸۸ اسیدآمینه طول داشتند و پس از تولید، از نظر ویژگیهای ساختاری غربال شدند.
در مرحله دوم، ProteinMPNN برای ساختارهای منتخب، توالی اسیدهای آمینه را طراحی کرد. در واقع، RFdiffusion شکل پروتئین را مشخص کرده بود، اما ProteinMPNN تعیین کرد چه توالیای از اسیدهای آمینه میتواند این ساختار را ایجاد و حفظ کند. برای هر ساختار، دو توالی متفاوت پیشنهاد شد.
در مرحله سوم، AlphaFold2 ساختار سهبعدی احتمالی این توالیها را پیشبینی کرد. پژوهشگران سپس نحوه قرارگیری minibinder در کنار پروتئین هدف را با استفاده از معیار pAE interaction score ارزیابی کردند تا طراحیهایی که احتمال اتصال موفقتری داشتند، برای آزمایش آزمایشگاهی انتخاب شوند.
به این ترتیب، هوش مصنوعی در این پژوهش در سه بخش اصلی به کار رفت: طراحی ساختار با RFdiffusion، طراحی توالی با ProteinMPNN و پیشبینی و ارزیابی ساختار و برهمکنش با AlphaFold2. این فرایند امکان غربال هزاران طراحی را پیش از ورود به آزمایشگاه فراهم کرد.
🔬 نتایج آزمایشگاهی
پژوهشگران طراحیهای منتخب را در آزمایشگاه بررسی کردند و سه پروتئین سطحی مرتبط با سرطان، یعنی PD-L1، CD276 (B7-H3) و VTCN1 (B7-H4) را مورد هدف قرار دادند. طراحی minibinder برای PD-L1 موفقیت بیشتری داشت؛ در حالی که تعداد کمتری از طراحیها توانستند به CD276 و VTCN1 متصل شوند. از میان هفده minibinder منتخب PD-L1، پانزده مورد اتصال به PD-L1 انسانی را نشان دادند.
🧪 آزمایش در ساختار CAR
در ادامه، پژوهشگران minibinderهای منتخب را در ساختار گیرنده آنتیژن کایمریک (CAR) قرار دادند تا توانایی آنها برای هدایت سلولهای ایمنی به سمت سلولهای دارای پروتئین هدف بررسی شود. با این حال، برخی minibinderها با وجود اتصال مناسب به هدف، در ساختار CAR بهخوبی در سطح سلول قرار نگرفتند.
برای بهبود عملکرد، پژوهشگران بخشهای غیرمرتبط با محل اتصال را با استفاده از الگوریتم ژنتیک تغییر دادند و بخش اتصال را حفظ کردند. نتایج نشان داد که ویژگیهای فیزیکی و شیمیایی minibinder نیز اهمیت دارند. برای مثال، تنظیم نقطه ایزوالکتریک (pI) باعث بهبود قرارگیری CAR در سطح سلول و افزایش توانایی سلولهای ایمنی برای از بین بردن سلولهای توموری هدف شد.
🧠 جمعبندی
این پژوهش نشان میدهد که هوش مصنوعی میتواند در طراحی ساختار و توالی پروتئینهای جدید و همچنین غربالگری آنها نقش مهمی داشته باشد. با این حال، طراحی محاسباتی بهتنهایی کافی نیست و پروتئینهای طراحیشده باید در آزمایشگاه آزمایش و در صورت نیاز بهینه شوند. ترکیب هوش مصنوعی، آزمایش تجربی و بهینهسازی میتواند در آینده به توسعه ابزارهای جدید برای هدفگیری سلولهای سرطانی کمک کند.
نویسنده خبر: محمدمهدی صادقی، دانشجوی ورودی 1402
Broske B, McEnroe BA, Frechen SC, et al. AI-enabled discovery and biochemical optimization of minibinders targeting cancer cell-surface proteins. Nature Communications. 2026.
DOI: 10.1038/s41467-026-76760-5
