De nouveaux modèles aident à prédire les signatures dynamiques des protéines

Pour le commun des mortels, savoir comment une protéine se déplace peut ne pas sembler très intéressant ou pertinent, mais d’un autre côté, la plupart des gens ne sont pas fascinés par les mouvements et les fluctuations naturelles des protéines et leurs propriétés fonctionnelles. Si, en revanche, vous vous intéressiez à la conception de nouveaux médicaments, à une meilleure compréhension de la façon dont les maladies peuvent être éradiquées ou à l’amélioration de la biotechnologie pour des applications industrielles et thérapeutiques, vous êtes peut-être impatient de voir ce qu’une nouvelle étude sur le séquençage et la cristallisation des protéines a à offrir.

Un article sur cette étude, rédigé par Anna Tarakanova, professeure adjointe à l’École d’ingénierie mécanique, aérospatiale et de fabrication du Collège d’ingénierie de l’UConn, vient de paraître dans la revue, MatièreL’étude examine comment les mouvements et les fluctuations naturels des protéines (les « ondulations » des protéines) peuvent aider à prédire leurs propriétés fonctionnelles. Tarakanova a été assistée par Mohammad Madani, étudiant diplômé en génie mécanique et premier auteur de l’étude.

Tarakanova et Madani se sont particulièrement attachés à prédire la capacité ou la propension des protéines à former des cristaux de haute qualité. La cristallographie des protéines est une technique importante pour comprendre les structures des protéines, ce qui est à son tour essentiel pour développer des médicaments et comprendre les maladies. Ils ont développé un nouveau modèle informatique et un nouvel outil qui utilise des techniques avancées pour analyser la dynamique des protéines et prédire avec précision leur propension à la cristallisation.

Cet outil, explique Tarakanova, peut faciliter la conception rationnelle de séquences protéiques qui conduisent à des cristaux de qualité diffractive. Et leurs recherches mettent en évidence l’intégration de modèles basés sur la physique et l’apprentissage automatique pour la prédiction de la structure et des propriétés, élargissant ainsi le paradigme classique de la biologie structurale.

« Notre étude montre que connaître la composition d’une protéine (sa séquence d’acides aminés) et ses caractéristiques structurelles (ou replis) ne suffit pas toujours à prédire le comportement d’une protéine », explique Tarakanova. « La façon dont une protéine se tortille ou fluctue détermine ce qu’elle peut faire. Le modèle que nous avons développé est un cadre qui peut être largement étendu à la prédiction des fonctions des protéines en s’appuyant sur les signatures dynamiques de la protéine. »

Cette recherche, ajoute-t-elle, représente une avancée significative dans le domaine de la biologie structurale. Elle intègre des modèles physiques qui capturent la dynamique des protéines dans la prédiction de la cristallisation, ce qui n’était pas fait de manière exhaustive auparavant. Le nouveau modèle développé, appelé DSDCrystal, surpasse les modèles existants, ce qui en fait une percée dans la prédiction précise de la propension à la cristallisation des protéines.

Selon Tarakanova, les prochaines étapes consisteront à étendre les applications pour élargir l’utilité du modèle au-delà de la propension à la cristallisation à d’autres propriétés protéiques importantes.

« Nous pouvons adapter le modèle pour prédire la stabilité des protéines, ce qui est important pour comprendre comment les protéines fonctionnent dans différentes conditions », souligne-t-elle.

« Nous étudierons également les interactions entre protéines, en modifiant le modèle pour prédire les interactions entre différentes protéines, ce qui facilitera l’étude de processus biologiques complexes. De plus, nous utiliserons le modèle pour identifier les sites fonctionnels critiques au sein des protéines qui sont importants pour leur activité biologique. »

L’objectif final, selon Tarakanova, est de développer un outil polyvalent capable de prédire de multiples propriétés des protéines, accélérant ainsi la recherche dans divers domaines de la biologie moléculaire. Et même si ce genre de prédictions ne tient pas tout le monde éveillé la nuit, pour les chercheurs et les scientifiques en biotechnologie, comprendre le phénomène de frémissement pourrait être la voie vers des découvertes futures inédites.