Saúde

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


Na Multiscale Machine-Learned Modeling Infrastructure (MuMMI), a simulação em macroescala executa um grande sistema, com centenas de proteínas, em baixa resolução e o aprendizado de máquina decide quais regiões do macromodelo requerem investigação em uma simulação em microescala com resolução muito maior. A análise desta simulação em microescala é realimentada 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 máquina, revelando a importância dos lipídios para a dinâmica de sinalização do RAS, uma família de proteínas cujas mutações estão ligadas a inúmeras cânceres.

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 proteínas RAS em uma membrana celular realista, suas interações entre si e com lipídios. compostos orgânicos que ajudam a compor as membranas celulares – e a ativação da sinalização através da interação do RAS com as proteínas RAF, em nível macro e molecular.

Ele também discute as descobertas da equipe usando a estrutura para modelar como o RAS se liga a outras proteínas e como diferentes tipos de lipídios 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 proteínas e muitas outras interfaces RAS. Os dados indicam que os lipídios – em vez de interfaces de proteínas – governam tanto a orientação do RAS quanto o acúmulo de proteínas do RAS.

Normalmente, o RAS recebe e segue sinais para alternar entre os estados ativo e inativo, mas à medida que as proteínas se movem ao longo da membrana celular – como bolas de barbante caindo ao longo de um solo fluido – elas se combinam com outras proteínas e podem ativar o comportamento de sinalização. As proteínas RAS mutadas podem ficar presas em um estado de crescimento incontrolável e "sempre ligado". Este estado é indicado na formação de cerca de 30 por cento de todos os cânceres, particularmente câncer de pâncreas, pulmão 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 básica dos cientistas sobre a ligação da proteína RAS . A literatura científica anterior propôs inúmeras orientações sobre como o RAS se une, com uma hipótese principal sendo que há alguma pré-ordenação de proteínas RAS na membrana antes da sinalização a jusante.

"Nós sempre soubemos que os lipídios eram importantes; você precisa de alguns deles, caso contrário você não 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 está nos mostrando que os lipídios são um ator fundamental. Ao modular os lipídios e diferentes ambientes lipídicos , o RAS muda sua orientação e você pode realmente alterar a sinalização [entre 'crescer' e 'não crescer'] alterando os lipídios abaixo . Agora temos uma enorme amostra de simulações, e podemos ver como o RAS interage em todas as nossas simulações em diferentes ângulos. A mensagem é que sim, eles vêm juntos, mas eles vêm 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 estão aplicando 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 lipídios de RAS e observasse padrões de interação distintos e várias orientações de RAS. Começando com um amplo modelo de macroescala, um algoritmo de aprendizado de máquina selecionou automaticamente "remendos" lipídicos que considerou interessantes o suficiente para examinar mais de perto as simulações de micromodelos.

A equipe simulou um patch de um mícron por um mícron no supercomputador Sierra do LLNL e observou como centenas de diferentes proteínas RAS interagiam com oito tipos de lipídios. Eles criaram mais de 100.000 simulações dinâmicas moleculares menores a partir de instantâneos "interessantes" selecionados por aprendizado de máquina da simulação de macro modelo maior, permitindo que eles determinassem as probabilidades de ligação do RAS a outras proteínas com uma determinada orientação em uma membrana celular.

Cientistas da FNLCR realizaram os experimentos de microscopia, biofísica, bioquímica e biologia estrutural necessários para parametrizar as simulações. Combinado com resultados experimentais, o trabalho demonstra a forte ligação entre lipídios e orientação RAS e probabilidade de ligação. Os pesquisadores descobriram que apenas orientações específicas do RAS podem se ligar a outras proteínas para induzir o comportamento de sinalização e que a probabilidade de ligação é dependente de lipídios – conhecendo apenas as composições lipídicas, 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 porquê, e eles não sabem necessariamente como em um nível atomístico”, disse o coautor e LLNL Biochemical e a líder do grupo de sistemas biofísicos, Felice Lightstone. "Os insights aqui confirmaram resultados experimentais que são sempre controversos quando você não tem medições realmente precisas. Para que a via de sinalização RAS continue, você precisa 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 proteínas e uma composição lipídica, explicou Ingolfsson, e precisam saber quais lipídios são importantes para modelar de antemão. 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-lipídios que só poderiam ser possíveis com uma simulação multiescala, disseram os pesquisadores. No futuro, disse Ingolfsson, os cientistas não farão uma simulação de cada vez, mas todo um conjunto de simulações, selecionando as áreas mais interessantes com algoritmos de aprendizado de máquina.

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

Os pesquisadores disseram que os insights do MuMMI também serão úteis para os experimentalistas, que geralmente estão limitados a testar um ou dois tipos de lipídios devido ao custo ou à complexidade. Os experimentalistas normalmente usam células regulares, que incluem tudo, ou criam sistemas de modelo simples que não capturam todos os dados necessários, disse Lightstone. Com o modelo multiescala, a equipe pode gerar novas hipóteses que os experimentalistas podem testar, como observar o impacto dos lipídios no câncer ou encontrar novas ferramentas de diagnóstico.

“Somos capazes de quebrar os tipos de lipídios que são importantes ou não importantes, o que é uma grande razão pela qual experimentos no passado tiveram resultados conflitantes”, disse Lightstone. “Esse modelo cria coisas novas que podemos olhar e tentar entender o câncer, que é muito complexo e não mais se acredita ser uma doença singular, mas um conjunto de doenças”.

Os dados gerados pelas simulações resultaram em descobertas, previsões e hipóteses que foram testadas e validadas por meio de experimentos na FNLCR. Pesquisadores de câncer estão determinando que as composições estão fazendo a diferença.

"As simulações geraram insights sobre os detalhes moleculares do processo pelo qual o KRAS promove o câncer", disse o diretor do Programa de Tecnologia de Pesquisa do Câncer da FNLCR, Dwight Nissley, líder do NCI para o projeto JDACS4C Pilot 2. "Mais estudos se concentrarão nos mecanismos de iniciação do câncer que podem revelar novas oportunidades terapêuticas".

O conhecimento adquirido com os experimentos será realimentado no modelo MuMMI baseado em aprendizado de máquina, criando um loop de validação que o tornará mais preciso, disseram os pesquisadores.

O trabalho continuou com mais duas campanhas, adicionando proteínas RAF, diferentes variantes de RAS e avanços computacionais, incluindo uma nova versão grand canônica do macromodelo, um novo algoritmo de aprendizado de máquina que pode lidar com diferentes casos e um terceiro modelo adicional de átomos régua. O último desenvolvimento é objeto de publicações futuras, incluindo um artigo recente que descreve o fluxo de trabalho atualizado, publicado pela Conferência Internacional de Computação, Rede, Armazenamento e Análise 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 código aberto no Github para outros grupos desenvolverem seus próprios métodos de multiescala.

 

.
.

Leia mais a seguir