Saúde

Modelo multiescala sem precedentes de comportamento de protea­nas ligado a mutações causadoras de ca¢ncer
A equipe simulou um patch de um ma­cron por um ma­cron no supercomputador Sierra do LLNL e observou como centenas de diferentes protea­nas RAS interagiam com oito tipos de lipa­dios.
Por Jeremy Thomas - 11/01/2022


Na Multiscale Machine-Learned Modeling Infrastructure (MuMMI), a simulação em macroescala executa um grande sistema, com centenas de protea­nas, em baixa resolução e o aprendizado de ma¡quina decide quais regiaµes do macromodelo requerem investigação em uma simulação em microescala com resolução muito maior. A análise desta simulação em microescala érealimentada no modelo de macroescala para melhorar sua fidelidade. Crédito: Tim Carpenter/LLNL

Pesquisadores do Lawrence Livermore National Laboratory (LLNL) e uma equipe multi-institucional de cientistas desenvolveram um modelo multiescala altamente detalhado, baseado em aprendizado de ma¡quina, revelando a importa¢ncia dos lipa­dios para a dina¢mica de sinalização do RAS, uma familia de protea­nas cujas mutações estãoligadas a inaºmeras ca¢nceres.

Publicado pela Proceedings of the National Academy of Sciences , o artigo detalha a metodologia por trás da Multiscale Machine-Learned Modeling Infrastructure (MuMMI), que simula o comportamento de protea­nas RAS em uma membrana celular realista, suas interações entre si e com lipa­dios. compostos orga¢nicos que ajudam a compor as membranas celulares ose a ativação da sinalização atravanãs da interação do RAS com as protea­nas RAF, emnívelmacro e molecular.

Ele também discute as descobertas da equipe usando a estrutura para modelar como o RAS se liga a outras protea­nas e como diferentes tipos de lipa­dios determinam como o RAS se coleta e se posiciona na membrana celular. Avaliando dezenas de milhares de simulações, a equipe capturou todas as interações anteriores de protea­nas e muitas outras interfaces RAS. Os dados indicam que os lipa­dios osem vez de interfaces de protea­nas osgovernam tanto a orientação do RAS quanto o acaºmulo de protea­nas do RAS.

Normalmente, o RAS recebe e segue sinais para alternar entre os estados ativo e inativo, mas a  medida que as protea­nas se movem ao longo da membrana celular oscomo bolas de barbante caindo ao longo de um solo fluido oselas se combinam com outras protea­nas e podem ativar o comportamento de sinalização. As protea­nas RAS mutadas podem ficar presas em um estado de crescimento incontrola¡vel e "sempre ligado". Este estado éindicado na formação de cerca de 30 por cento de todos os ca¢nceres, particularmente câncer de pa¢ncreas, pulma£o e colorretal.

Os pesquisadores disseram que a estrutura MuMMI representa uma " tecnologia fundamentalmente nova em biologia computacional" e pode ser usada para informar novos experimentos e melhorar a compreensão ba¡sica dos cientistas sobre a ligação da protea­na RAS . A literatura cienta­fica anterior propa´s inaºmeras orientações sobre como o RAS se une, com uma hipa³tese principal sendo que hálguma pré-ordenação de protea­nas RAS na membrana antes da sinalização a jusante.

"Na³s sempre soubemos que os lipa­dios eram importantes; vocêprecisa de alguns deles, caso contra¡rio vocênão tem esse comportamento. Mas depois disso, os cientistas não sabiam o que era importante sobre eles", disse o cientista da computação e primeiro autor do LLNL Helgi Ingolfsson. "Este trabalho estãonos mostrando que os lipa­dios são um ator fundamental. Ao modular os lipa­dios e diferentes ambientes lipa­dicos , o RAS muda sua orientação e vocêpode realmente alterar a sinalização [entre 'crescer' e 'não crescer'] alterando os lipa­dios abaixo . Agora temos uma enorme amostra de simulações, e podemos ver como o RAS interage em todas as nossas simulações em diferentes a¢ngulos. A mensagem éque sim, eles vão juntos, mas eles vão juntos em todos os tipos de orientações diferentes."
 
O artigo faz parte de um projeto piloto em andamento da colaboração Joint Design of Advanced Computing Solutions for Cancer (JDACS4C) entre o Departamento de Energia, o National Cancer Institute (NCI) e outras organizações, inclui coautores do NCI's Frederick National Laboratory for Cancer Research (FNLCR), que estãoaplicando alguns dos insights obtidos com o modelo em experimentos de laboratório.

A capacidade do MuMMI de fornecer insights em duas escalas temporais e espaciais diferentes permitiu que a equipe examinasse milhares de diferentes composições de lipa­dios de RAS e observasse padraµes de interação distintos e várias orientações de RAS. Comea§ando com um amplo modelo de macroescala, um algoritmo de aprendizado de ma¡quina selecionou automaticamente "remendos" lipa­dicos que considerou interessantes o suficiente para examinar mais de perto as simulações de micromodelos.

A equipe simulou um patch de um ma­cron por um ma­cron no supercomputador Sierra do LLNL e observou como centenas de diferentes protea­nas RAS interagiam com oito tipos de lipa­dios. Eles criaram mais de 100.000 simulações dina¢micas moleculares menores a partir de instanta¢neos "interessantes" selecionados por aprendizado de ma¡quina da simulação de macro modelo maior, permitindo que eles determinassem as probabilidades de ligação do RAS a outras protea­nas com uma determinada orientação em uma membrana celular.

Cientistas da FNLCR realizaram os experimentos de microscopia, biofa­sica, bioquímica e biologia estrutural necessa¡rios para parametrizar as simulações. Combinado com resultados experimentais, o trabalho demonstra a forte ligação entre lipa­dios e orientação RAS e probabilidade de ligação. Os pesquisadores descobriram que apenas orientações especa­ficas do RAS podem se ligar a outras protea­nas para induzir o comportamento de sinalização e que a probabilidade de ligação édependente de lipa­dios osconhecendo apenas as composições lipa­dicas, os cientistas podem prever a orientação do RAS na membrana com alta fidelidade.

“Os cientistas sabem que o RAS tem que criar o sinal, e eles sabem que o RAS tem que encontrar outro RAS, mas eles não sabem o porquaª, e eles não sabem necessariamente como em umnívelatoma­stico”, disse o coautor e LLNL Biochemical e a lider do grupo de sistemas biofa­sicos, Felice Lightstone. "Os insights aqui confirmaram resultados experimentais que são sempre controversos quando vocênão tem medições realmente precisas. Para que a via de sinalização RAS continue, vocêprecisa se ligar a um RAF, e certas orientações tornam impossí­vel ligar e continuar o sinal. "

Tradicionalmente, os cientistas simulam apenas um número pequeno e fixo de protea­nas e uma composição lipa­dica, explicou Ingolfsson, e precisam saber quais lipa­dios são importantes para modelar de antema£o. Com o MuMMI, os pesquisadores podem simular milhares de diferentes composições celulares derivadas do macromodelo, permitindo que os cientistas respondam a perguntas sobre interações RAS-lipa­dios que são poderiam ser possa­veis com uma simulação multiescala, disseram os pesquisadores. No futuro, disse Ingolfsson, os cientistas não fara£o uma simulação de cada vez, mas todo um conjunto de simulações, selecionando as áreas mais interessantes com algoritmos de aprendizado de ma¡quina.

"Estamos demonstrando que a maneira antiga de fazer as coisas estãocomea§ando a ficar desatualizada", disse Ingolfsson. "Em Livermore, temos um enorme poder de computação, temos muitas pessoas trabalhando nisso e podemos mostrar o que épossí­vel."

Os pesquisadores disseram que os insights do MuMMI também sera£o aºteis para os experimentalistas, que geralmente estãolimitados a testar um ou dois tipos de lipa­dios devido ao custo ou a  complexidade. Os experimentalistas normalmente usam células regulares, que incluem tudo, ou criam sistemas de modelo simples que não capturam todos os dados necessa¡rios, disse Lightstone. Com o modelo multiescala, a equipe pode gerar novas hipa³teses que os experimentalistas podem testar, como observar o impacto dos lipa­dios no câncer ou encontrar novas ferramentas de diagnóstico.

“Somos capazes de quebrar os tipos de lipa­dios que são importantes ou não importantes, o que éuma grande razãopela qual experimentos no passado tiveram resultados conflitantes”, disse Lightstone. “Esse modelo cria coisas novas que podemos olhar e tentar entender o ca¢ncer, que émuito complexo e não mais se acredita ser uma doença singular, mas um conjunto de doena§as”.

Os dados gerados pelas simulações resultaram em descobertas, previsaµes e hipa³teses que foram testadas e validadas por meio de experimentos na FNLCR. Pesquisadores de câncer estãodeterminando que as composições estãofazendo a diferença.

"As simulações geraram insights sobre os detalhes moleculares do processo pelo qual o KRAS promove o ca¢ncer", disse o diretor do Programa de Tecnologia de Pesquisa do Ca¢ncer da FNLCR, Dwight Nissley, lider do NCI para o projeto JDACS4C Pilot 2. "Mais estudos se concentrara£o nos mecanismos de iniciação do câncer que podem revelar novas oportunidades terapaªuticas".

O conhecimento adquirido com os experimentos serárealimentado no modelo MuMMI baseado em aprendizado de ma¡quina, criando um loop de validação que o tornara¡ mais preciso, disseram os pesquisadores.

O trabalho continuou com mais duas campanhas, adicionando protea­nas RAF, diferentes variantes de RAS e avanços computacionais, incluindo uma nova versão grand cana´nica do macromodelo, um novo algoritmo de aprendizado de ma¡quina que pode lidar com diferentes casos e um terceiro modelo adicional de a¡tomos ranãgua. O último desenvolvimento éobjeto de publicações futuras, incluindo um artigo recente que descreve o fluxo de trabalho atualizado, publicado pela Conferência Internacional de Computação, Rede, Armazenamento e Ana¡lise de Alto Desempenho de 2021 (SC21).

Os pesquisadores disseram que a estrutura MuMMI também pode ser usada para outros sistemas de simulação e disponibilizaram a metodologia como software de ca³digo aberto no Github para outros grupos desenvolverem seus pra³prios manãtodos de multiescala.

 

.
.

Leia mais a seguir