纳米抗体亲和力定向进化 ——利用ProteinMPNN与AlphaFold Multimer联合设计纳米抗

引

言

本文档描述了一种利用先进的计算设计工具ProteinMPNN（基于深度学习的蛋白质序列设计模型）和AlphaFold Multimer（基于深度学习的蛋白质复合物结构预测模型）联合进行蛋白亲和力定向进化的方法。该方法旨在通过迭代优化蛋白序列，提高其与目标蛋白的结合能力，进而开发出高效的蛋白药物。本文参考了Goudy等人的研究成果（Odessa J. Goudy et al., 2023）以及Dauparas等人的工作（Dauparas et al., 2022），通过应用这些先进的深度学习模型，展示了从计算设计到实验验证的完整流程。

一、方法流程

1.目标设定

测试抗原序列A： DAHKSEVAHRFKDLGEENFKALVLIAFAQYLQQCPFEDHVKLVNEVTEFAKTCVADESAENCDKSLHTLFGDKLCTVATLRETYGEMADCCAKQEPERNECFLQHKDDNPNLPRLVRPEVDVMCTAFHDNEETFLKKYLYEIARRHPYFYAPELLFFAKRYKAAFTECCQAADKAACLLPKLDELRDEGKASSAKQRLKCASLQKFGERAFKAWAVARLSQRFPKAEFAEVSKLVTDLTKVHTECCHGDLLECADDRADLAKYICENQDSISSKLKECCEKPLLEKSHCIAEVENDEMPADLPSLAADFVESKDVCKNYAEAKDVFLGMFLYEYARRHPDYSVVLLLRLAKTYETTLEKCCAAADPHECYAKVFDEFKPLVEEPQNLIKQNCELFEQLGEYKFQNALLVRYTKKVPQVSTPTLVEVSRNLGKVGSKCCKHPEAKRMPCAEDYLSVVLNQLCVLHEKTPVSDRVTKCCTESLVNRRPCFSALEVDETYVPKEFNAETFTFHADICTLSEKERQIKKQTALVELVKHKPKATKEQLKAVMDDFAAFVEKCCKADDKETCFAEEGKKLVAASQAALGL

测试纳米抗体序列B： QVQLQESGGGLVQAGGSLRLSCAASGYISTTFAMGWYRQAPGKERELVAAIDKGSSTYYADSVKGRFTISRDNAKNTVYLQMNSLKPEDTAVYYCAARYYDYPLDGTYHIYWGQGTQVTVSS

🔹背景：A蛋白与B蛋白互作，其中ipTM+PTM=0.84（较强互作）

🔹固定A蛋白序列不变，对B蛋白的CDR区域（抗原互补决定区）进行定向优化，以提高其与A蛋白的结合亲和力。

2.序列优化

🔹使用ProteinMPNN（Dauparas et al., 2022）对B蛋白进行定向进化。ProteinMPNN是一个基于深度学习的蛋白质序列设计工具，能够根据给定的蛋白质骨架生成优化的氨基酸序列。

🔹每次迭代后，利用AlphaFold Multimer（Evans et al., 2022）对蛋白复合物进行结构预测，评估结合亲和力。AlphaFold Multimer是一个基于深度学习的蛋白质复合物结构预测模型，能够准确预测蛋白质之间的相互作用结构。

🔹迭代进行10次，每次迭代中，ProteinMPNN根据AlphaFold Multimer的结构预测结果生成新的B蛋白序列。

3.亲和力评估

🔹使用AlphaFold Multimer预测的复合物结构计算界面预测模板建模分数（ipTM）和可能的翻译后修饰分数（pTM，虽然pTM在此处可能不是直接评估亲和力的指标，但可用于后续实验设计参考），以评估结合亲和力。

4.结果分析

🔹分析每次迭代后的ipTM分数，选择亲和力提高最显著的序列进行进一步实验验证。

三、实验结果

四、结果分析

最佳序列（Seq2）：

🔹提取优化后的序列：

B:QVQLQESGGGLVQAGGSLRLSCAASGKLPEKLLDFWYRQAPGKERELVAALESGNGTFVADTPYGRFTISRDNAKNTVYLQMNSLKPEDTAVYYEILSLLEEPLDGTYHIYWGQGTQVTVSS

🔹比对结果：与原始B链序列相似度为77%，RMSD=0.420，表明改造后的序列在保持原有结构的基础上，显著提高了与A链的结合能力。

🔹结构对比

原始数据是绿色，改造后为蓝色。RMSD=0.420.

综上，我们成功完成了对B链的定向进化改造。在保持其原有蛋白结构和功能的基础上，显著提升了B链与天然A链的结合能力。这一成果不仅验证了ProteinMPNN与AlphaFold Multimer联合使用的有效性，还为纳米抗体的进化研究提供了有力的工具和方法。

具体来说，通过ProteinMPNN进行多次迭代定向进化，并利用AlphaFold Multimer对蛋白复合物进行评分以控制进化方向，我们成功筛选出了具有高亲和力的纳米抗体（Seq2）。与原始纳米抗体相比，Seq2序列与目标抗原的结合能力得到了显著提升，同时RMSD值表明改造后的B链结构并未发生显著变化，保持了良好的结构稳定性。这一成果对于推动纳米抗体的研发具有重要意义，为未来相关领域的研究提供了宝贵的经验和参考。

五、应用场景

该复合模型的应用场景广泛，特别是在抗体研发领域具有巨大潜力。以下是一些具体的应用实例：

1.抗体药物设计：

纳米抗体由于其小尺寸和高特异性，可以用于靶向癌细胞或其他关键靶点蛋白。优化的纳米抗体可以用于设计靶向药物递送系统，可以提高药物的靶向性，减少对正常细胞的影响，从而减轻药物的使用量和毒副作用，提高治疗效果。通过优化纳米抗体与相关抗原的亲和力，纳米抗体可用于增强免疫系统对抗疾病的能力，例如通过与免疫检查点分子的结合，阻断癌细胞对免疫系统的抑制，增强免疫细胞对癌症的攻击力。针对重要病原体（如病毒、细菌），通过定向优化纳米抗体与这些病原体抗原的亲和力，可以开发更有效的疫苗，增强人和家畜的免疫力。

2.诊断试剂开发：

高亲和力的纳米抗体可用于开发更敏感和特异性的诊断试剂，用于实时检测生物分子、毒素或病原体。这在医疗诊断、环境监测和食品安全中都有重要应用。在传染病检测中，优化的纳米抗体可以提高对病毒或细菌抗原的检测效率，提升早期诊断的准确性。在植物和动物疾病的监测中，纳米抗体可以用来快速、准确地检测病原体，帮助及时采取防治措施，减少农作物或家畜的损失。纳米抗体还可用于检测食品中的有害物质（如致病菌、毒素或农药残留）。

六、结论

本文展示了利用ProteinMPNN和AlphaFold Multimer联合进行蛋白亲和力定向进化的有效方法。通过多次迭代优化，我们成功提高了纳米抗体与目标抗原蛋白的结合亲和力，为蛋白药物设计提供了新的思路和工具。该方法具有广泛的应用前景，有望在药物研发、疾病治疗等领域发挥重要作用。

参考文献

1.OdessaJ.Goudy,AmritaNallathambi,Tomoaki Kinjo, NicholasRandolph, Brian Kuhlman. (2023). In silico evolution of protein binders with deep learning models for structure prediction and sequencedesign.bioRxiv, doi: 10.1101/2023.05.03.539278.

2.J. Dauparas, B. O'Connell, N. Anand, V. Garg, T. S. Jaakkola, B. Kuhlman. (2022). Robust deep learning–based protein sequence design using ProteinMPNN. Science,378(6620),49-56.doi: 10.1126/science.abl4431.

3.R. Evans, A. Waterhouse, J. Jumper, A. Pritzel, J. Green, M. Figurnov, O. Ronneberger, et al. (2022). Protein complex prediction with AlphaFold-Multimer.bioRxiv, doi: 10.1101/2021.10.04.463034.

❖合肥科晶生物技术有限公司是一家以AI与生物技术融合为核心的行业领军企业，汇聚生物技术和AI领域的高端人才，经验丰富的资深研发团队，能够为您提供全方位的专业知识、独特见解和技术支撑。

❖我们倾力打造百库精筛虚拟引擎，已储备数十种物种的蛋白质数字化文库，研究者只需送研究蛋白的CDS序列或者氨基酸序列，即可进行数字化互作蛋白筛选，只需5-10天即可交付！已储备常用物种数据库如下列表：

福利来袭！

科晶生物论文出图

免费蛋白互作分析等您来领！

0551-64669001

扫码添加客服，即可领取！