Анализ интерактома нуклеосом методами генеративного глубинного обучения

Модели глубокого обучения привели к смене парадигмы в структурной биоинформатике, обеспечив значительный прогресс в анализе и дизайне белковых структур. Нейронные сети теперь используются не только для предсказания геометрии белковых структур, но и для выявления интерфейсов взаимодействующих белков и создания de novo молекул. Значительный скачок в числе экспериментально функциональных структур, смоделированных ИИ, свидетельствует о глубоком понимании нейросетями контекста аминокислотной последовательности и геометрии белка. Однако до сих пор неясно, в какой степени генеративные модели глубокого обучения способны последовательно идентифицировать характерные особенности белок-белковых взаимодействий и выявлять новые участки интерфейсов на поверхности белков. Чтобы изучить возможности и ограничения моделей ИИ в этой области, мы провели исследование с использованием нуклеосомного комплекса в качестве эталона для профилирования белок-белковых взаимодействий с пептидными байндерами. Нуклеосомы служат основой для укладки генома в ядре клетки, эпигенетической аннотации и регулируют взаимодействие между белками хроматина и ДНК. Высококонсервативное гистоновое ядро нуклеосомы представляет собой идеальную мишень для профилирования белок-белковых взаимодействий (PPI). Используя набор данных экспериментально подтвержденных структур нуклеосом, контактирующих с другими белками, мы исследовали возможности сетей глубокого обучения для выявления основных характеристик взаимодействий между гистонами и нуклеосом-связывающими пептидами. Наши результаты демонстрируют способность генеративного ИИ определять отдельные интерфейсы на поверхности гистонового ядра и генерировать связывающие пептиды, способные взаимодействовать с ним. Эти результаты подчеркивают растущее понимание механизмов PPI с помощью этих моделей, а также выявляют их ограничения. Кроме того, в нашем исследовании представлены методологические находки, которые могут помочь при применении этих моделей в будущем.