Bisakah kecerdasan buatan merancang peptida terapeutik dengan meniru bagaimana protein alami mengikat target penyakit?@Tsinghua_Uni @natBME "Desain peptida melalui mimikri antarmuka pengikatan dengan PepMimic" • Para peneliti mengembangkan PepMimic, algoritma AI yang menggabungkan autoencoder semua atom, model difusi laten, dan encoder antarmuka untuk merancang peptida (4-25 asam amino) yang meniru antarmuka pengikatan antara protein target dan pengikat yang diketahui seperti antibodi atau reseptor, mengatasi keterbatasan dalam desain peptida saat ini yang membutuhkan keahlian manual dan berjuang dengan permukaan pengikatan terputus-putus. • Lebih dari 80 terapi peptida disetujui untuk penyakit termasuk diabetes dan kanker, menawarkan keuntungan seperti spesifisitas tinggi, toksisitas yang lebih rendah, dan pemberian oral potensial dibandingkan dengan molekul kecil dan biologis, namun merancang peniru peptida dari interaksi protein-protein secara tradisional membutuhkan keahlian yang luas dan tidak dapat secara efektif menangani antarmuka pengikatan terputus-putus, sementara model AI yang ada berfokus pada pendekatan tulang punggung kemudian urutan daripada menangkap rantai samping yang penting geometri untuk interaksi asam amino yang akurat. • PepMimic dilatih pada 4.157 kompleks protein-peptida dan 70.645 fragmen seperti peptida dari Bank Data Protein, menggunakan autoencoder untuk memetakan geometri semua atom ke ruang laten, model difusi untuk 100 langkah denoising, dan pembelajaran kontras untuk melatih encoder antarmuka yang memandu generasi dengan meminimalkan jarak antara antarmuka yang dirancang dan referensi di ruang laten, dengan kandidat diberi peringkat menggunakan energi antarmuka Rosetta, Energi FoldX, metrik hit antarmuka, dan skor pLDDT AlphaFold Multimer sebelum memilih peptida teratas (384 untuk target dengan pengikat yang diketahui, 94-290 untuk pengikat yang dihasilkan AI) untuk eksperimen pencitraan resonansi plasmon permukaan. • PepMimic mencapai AUROC rata-rata 0,71 di 31 tugas pada 93 kompleks uji (mengungguli RFDiffusion 0,69), merancang 384 peptida untuk 5 target obat (PD-L1, CD38, BCMA, HER2, CD4) dengan 8% mencapai KD < 100 nM dan 26 peptida mencapai KD pada tingkat 10⁻⁹ M (secara substansial lebih tinggi dari penyaringan perpustakaan acak), menghasilkan peptida meniru pengikat yang dirancang AI untuk CD38 dan TROP2 dengan tingkat keberhasilan 14% (16% untuk CD38, 8% untuk TROP2), dan menunjukkan penargetan tumor in vivo yang efektif pada model tikus dengan peptida terpilih yang menunjukkan penyerapan 8,85 kali lebih besar pada tumor PD-L1-positif dan penyerapan 16,18 kali lebih besar pada tumor TROP2-positif, mencapai tingkat keberhasilan 20.000-90.000 kali lebih tinggi daripada skrining perpustakaan acak eksperimental. Penulis: Xiangzhe Kong et. al Zihua Wang, Yang Liu & @musicsuperman Tautan: