Model wieloskalowy ujawnia znaczenie lipidów w dynamice sygnalizacji białek RAS

Naukowcy z Lawrence Livermore National Laboratory i wieloinstytucjonalny zespół naukowców opracowali bardzo szczegółowy, wieloskalowy model wykorzystujący uczenie maszynowe, który ujawnia znaczenie lipidów w dynamice sygnalizacji RAS, rodziny białek, których mutacje są związane z wieloma nowotworami .

biuletyn Materiały Narodowej Akademii Nauk, artykuł szczegółowo opisuje metodologię MuMMI, która naśladuje zachowanie białek RAS na realistycznej błonie komórkowej oraz ich wzajemne oddziaływanie i lipidy -; związki organiczne, które pomagają tworzyć błony komórkowe -; oraz aktywacja sygnalizacji poprzez interakcję RAS z białkami RAF, na poziomie makro- i molekularnym.

Omówiono również odkrycia zespołu dotyczące wykorzystania struktury do modelowania sposobu, w jaki RAS wiąże się z innymi białkami oraz w jaki sposób różne typy lipidów określają sposób, w jaki RAS jest składany i umieszczany na błonie komórkowej. Po ocenie dziesiątek tysięcy symulacji zespół uchwycił wszystkie poprzednie interakcje białkowe i kilka interfejsów RAS. Dane wskazują, że tłuszcz -; Zamiast interfejsów białkowych – ; Kontrola zarówno orientacji RAS, jak i akumulacji białek RAS.

Normalnie RAS odbiera sygnały i podąża za nimi, aby przełączać się między stanami aktywnymi i nieaktywnymi, ale gdy białka poruszają się wzdłuż błony komórkowej -; Jak kulki sznurka toczące się po płynnej ziemi -; Łączy się z innymi białkami i może aktywować zachowania sygnalizacyjne. Zmutowane białka RAS mogą utknąć w niekontrolowanym „zawsze” stanie wzrostu. Wskazuje się, że ten stan stanowi około 30 procent wszystkich nowotworów, zwłaszcza raka trzustki, płuc i jelita grubego.

Naukowcy stwierdzili, że struktura MuMMI reprezentuje „fundamentalnie nową technologię w biologii obliczeniowej” i może być wykorzystywana do informowania o nowych eksperymentach i lepszego zrozumienia przez naukowców wiązania białek RAS. Wcześniejsza literatura naukowa sugerowała kilka kierunków konwergencji RAS, przy czym główną hipotezą jest to, że istnieje pewien wstępny układ białek RAS na błonie przed wysłaniem sygnałów.

Zawsze wiedzieliśmy, że tłuszcz jest ważny; Potrzebujesz niektórych z nich, inaczej nie miałbyś tego zachowania. Ale wtedy naukowcy nie wiedzieli, co jest dla nich ważne. Ta praca pokazuje nam, że tłuszcz jest głównym graczem. Modyfikując różne tłuszcze i środowiska tłuszczów, RAS zmienia swój kierunek i faktycznie możesz zmienić sygnał [between 'grow’ and 'not grow’] Zmieniając tłuszcz pod spodem. Teraz mamy ogromną próbkę symulacji i możemy zobaczyć, jak RAS reaguje we wszystkich naszych symulacjach pod różnymi kątami. Przesłanie brzmi: tak, spotykają się, ale spotykają się w różnych kierunkach”.

Helgi Ingolfsson, informatyk w LLNL i pierwszy autor

Artykuł jest częścią trwającego projektu pilotażowego Joint Design of Advanced Cancer Computing Solutions (JDACS4C) we współpracy między Departamentem Energii, National Cancer Institute (NCI) i innymi organizacjami i obejmuje współautorów z National Cancer Institute Narodowy Instytut Fryderyka. Laboratorium Badań nad Rakiem (FNLCR), które wykorzystuje niektóre spostrzeżenia uzyskane z modelu w eksperymentach laboratoryjnych.

Zdolność MuMMI do dostarczenia wglądu w dwóch różnych skalach czasowych i przestrzennych pozwoliła zespołowi zbadać tysiące różnych struktur lipidowych RAS i zaobserwować różne wzorce interakcji i orientacje wielu RAS. Zaczynając od modelu wielkoskalowego, algorytm uczenia maszynowego automatycznie wybiera „plamy” lipidowe, które uważa za wystarczająco interesujące, aby można je było dokładnie zbadać podczas symulacji dokładnych modeli.

Zespół symulował łatę 1 mikron po mikronie na superkomputerze Sierra LLNL i zaobserwował, jak setki różnych białek RAS oddziałują z ośmioma rodzajami lipidów. Stworzyli ponad 100 000 mniejszych symulacji dynamiki molekularnej na podstawie „interesujących” migawek wybranych z uczenia maszynowego, aby symulować większy model makro, umożliwiając im określenie możliwości wiązania RAS z innymi białkami o określonej orientacji na błonie komórkowej.

Naukowcy z FNLCR przeprowadzili eksperymenty mikroskopowe, biofizyczne, biochemiczne i biologii strukturalnej potrzebne do określenia parametrów symulacji. Wraz z wynikami eksperymentalnymi praca pokazuje silny związek między lipidami a orientacją i potencjałem wiązania RAS. Autorzy odkryli, że tylko specyficzne orientacje RAS mogą wiązać się z innymi białkami w celu stymulowania zachowania sygnalizacyjnego, a potencjał wiązania był zależny od lipidów -; Znając jedynie struktury lipidowe, naukowcy mogą z dużą dokładnością przewidzieć kierunek RAS na błonie.

Współautorka i lider LLNL Biochemical and Biophysical Systems Group, Phyllis Lightstone. „Wglądy tutaj potwierdziły wyniki eksperymentalne, które zawsze są kontrowersyjne, gdy nie masz naprawdę dokładnych pomiarów. Aby ścieżka sygnalizacyjna RAS się utrzymała, musisz związać się z RAF, a niektóre trendy uniemożliwiają wiązanie sygnału i trwaj.”

Tradycyjnie naukowcy naśladują tylko niewielką, stałą liczbę białek i pojedynczą strukturę lipidową, wyjaśnił Ingolfsson, i muszą wcześniej wiedzieć, które lipidy są ważne, aby je modelować. Naukowcy stwierdzili, że przy użyciu MuMMI naukowcy mogą symulować tysiące różnych struktur komórkowych pochodzących z całego modelu, co pozwala naukowcom odpowiadać na pytania dotyczące interakcji RAS-lipid, które mogą być możliwe tylko w przypadku symulacji wieloskalowych. Ingolfsson powiedział, że w przyszłości naukowcy nie będą wykonywać jednej symulacji na raz, ale cały zestaw symulacji, wybierając najciekawsze obszary za pomocą algorytmów uczenia maszynowego.

„Udowadniamy, że stary sposób robienia rzeczy jest przestarzały” — powiedział Ingolfson. „W Livermore mamy ogromną moc obliczeniową, pracuje nad tym wielu ludzi i możemy pokazać, co jest możliwe”.

Naukowcy powiedzieli, że spostrzeżenia MuMMI byłyby również przydatne w eksperymencie, który na ogół ogranicza się do testowania jednego lub dwóch rodzajów tłuszczu ze względu na koszty lub złożoność. Eksperymentatorzy zwykle używają normalnych komórek, które zawierają wszystko, lub tworzą proste systemy modeli, które nie przechwytują wszystkich niezbędnych danych, powiedział Lightstone. Wykorzystując model wieloskalowy, zespół może stworzyć nowe hipotezy, które naukowcy eksperymentalni mogą przetestować, np. przyjrzeć się wpływowi lipidów na raka lub znaleźć nowe narzędzia diagnostyczne.

„Jesteśmy w stanie rozłożyć ważne lub nieistotne rodzaje tłuszczu, co jest dużym powodem sprzecznych wyników badań z przeszłości” – powiedział Lightstone. „Ten model tworzy nowe rzeczy, na które możemy spojrzeć i spróbować zrozumieć raka, który jest bardzo złożony i nie jest już uważany za pojedynczą chorobę, ale raczej za grupę chorób”.

Dane z symulacji dostarczyły wyników, przewidywań i hipotez, które zostały przetestowane i zweryfikowane w ramach eksperymentów w FNLCR. Badacze raka ustalają, że kombinacje robią różnicę.

„Symulacje pozwoliły uzyskać wgląd w szczegóły molekularne procesu, w którym KRAS promuje raka” – powiedział Dwight Nesley, dyrektor Programu Technologii Badań nad Rakiem FNLCR, kierownik NCI w projekcie pilotażowym JDACS4C 2. „Dalsze badania skoncentrują się na mechanizmach inicjacji raka, które mogą ujawnić nowe możliwości terapeutyczne”.

Naukowcy powiedzieli, że wiedza zdobyta podczas eksperymentów wróci do modelu MuMMI opartego na uczeniu maszynowym, tworząc pętlę walidacyjną, która czyni go dokładniejszym.

Kontynuowano prace nad dwoma kolejnymi kampaniami, dodając białka RAF, różne warianty RAS i postępy obliczeniowe, w tym nową kanoniczną wersję modelu makro, nowy algorytm uczenia maszynowego, który może obsługiwać różne stany i dodatkową jedną trzecią dla wszystkich atomów. skala modelu. Ostatni rozwój jest przedmiotem przyszłych publikacji, w tym niedawnego artykułu opisującego zaktualizowany przepływ pracy, opublikowanego przez Międzynarodową Konferencję na temat Obliczeń Wysokowydajnych, Sieci, Przechowywania i Analizy (SC21) w 2021 r.

Naukowcy stwierdzili, że ramy MuMMI mogą być również wykorzystywane w innych systemach symulacyjnych i udostępnili metodologię jako oprogramowanie typu open source na Github, aby inne grupy mogły opracować własne metody multimetru.

Artykuł ma 15 dodatkowych współautorów LLNL, w tym kierownika projektu pilotażowego DOE, głównego naukowca informatyki Freda Stritza, obecnie pracującego w Biurze Sztucznej Inteligencji i Technologii w Departamencie Energii. Dodatkowymi współautorami LLNL są Tim Carpenter, Thomas Obelstrup, Harsh Bhatia, Xiaohua Zhang, Chef Sundaram, Francesco Di Natale, Gotham Daruman, Michael Surra, Wei Yang, Adam Moody, Shusen Liu, Brian Van Essen, Per-Timo Gloss Bremmer, .

Współautorami z organizacji zewnętrznych byli badacze z FNLCR, Los Alamos National Laboratory, Argonne National Laboratory, University of California w San Francisco, IBM Thomas J. Watson Research Center i San Jose State University.