RibbonFold, un nuovo strumento di intelligenza artificiale, svela come si formano strutture proteiche dannose in malattie come l’Alzheimer, offrendo bersagli migliori per i trattamenti.
Un modello di intelligenza artificiale svela i segreti strutturali delle proteine mal ripiegate
Un nuovo strumento di intelligenza artificiale (AI) ha fornito informazioni fondamentali sul modo in cui le proteine correlate alle malattie si ripiegano in strutture dannose, rappresentando un importante passo avanti nella comprensione di malattie neurodegenerative come l’Alzheimer e il Parkinson.
La ricerca, guidata da Mingchen Chen del Changping Laboratory e Peter Wolynes della Rice University, introduce RibbonFold, un nuovo metodo computazionale progettato per prevedere le strutture degli amiloidi, lunghe fibre proteiche contorte che si accumulano nel cervello di individui con patologie neurodegenerative.
I risultati dello studio sono stati pubblicati il 15 aprile sulla rivista Proceedings of the National Academy of Sciences.
A differenza degli strumenti esistenti che si concentrano sulle proteine con funzionamento normale, RibbonFold è stato sviluppato specificamente per modellare le forme diverse e irregolari formate dalle proteine mal ripiegate.
“Abbiamo dimostrato come i codici di ripiegamento dell’IA possano essere vincolati incorporando una comprensione fisica del panorama energetico delle fibrille amiloidi per prevederne la struttura”, ha affermato Wolynes, Professore di Scienze presso la DR Bullard-Welch Foundation e co-Direttore del Center for Theoretical Biological Physics. “RibbonFold supera altri strumenti di previsione basati sull’IA come AlphaFold, che sono stati addestrati solo per prevedere correttamente le strutture delle proteine globulari ripiegate“, aggiunge.
Eclissando il gold standard
RibbonFold si basa sui recenti progressi nella previsione della struttura proteica basata sull’intelligenza artificiale. A differenza di strumenti come AlphaFold2 o AlphaFold3, che vengono addestrati su proteine globulari ben strutturate, RibbonFold include vincoli adatti a catturare le caratteristiche a nastro delle fibrille amiloidi. I ricercatori hanno addestrato il modello utilizzando dati strutturali esistenti sulle fibrille amiloidi, quindi lo hanno convalidato rispetto ad altre strutture fibrillari note, deliberatamente escluse dall’addestramento.
I loro risultati hanno dimostrato che RibbonFold supera gli strumenti di intelligenza artificiale esistenti in questo ambito specializzato e rivela sfumature precedentemente trascurate su come gli amiloidi si formano ed evolvono nell’organismo. È importante sottolineare che suggerisce che le fibrille possono iniziare in una forma strutturale, ma possono trasformarsi nel tempo in configurazioni più insolubili, contribuendo alla progressione della malattia.
“Le proteine mal ripiegate possono assumere strutture molto diverse”, ha affermato Wolynes. “Il nostro metodo dimostra che i polimorfi stabili probabilmente prevarranno nel tempo, essendo più insolubili di altre forme, il che spiegherebbe l’insorgenza tardiva dei sintomi. Questa idea potrebbe ridefinire l’approccio dei ricercatori al trattamento delle malattie neurodegenerative”.
Nuova frontiera nello sviluppo dei farmaci e oltre
Il successo di RibbonFold nel prevedere i polimorfi amiloidi potrebbe segnare una svolta nel modo in cui gli scienziati possono affrontare le malattie neurodegenerative.
Offrendo un metodo scalabile e accurato per analizzare la struttura degli aggregati proteici dannosi, RibbonFold apre nuove possibilità per lo sviluppo di farmaci. I ricercatori farmaceutici possono ora indirizzare la progettazione dei farmaci legandosi alle strutture fibrillari più rilevanti per la malattia con maggiore precisione.
“Questo lavoro non solo spiega un problema di vecchia data, ma ci fornisce anche gli strumenti per studiare e intervenire sistematicamente in uno dei processi più distruttivi della vita“, ha affermato Chen, coautore corrispondente dello studio.
Leggi anche:Alzheimer: il ruolo degli ioni rame e zinco nella neurodegenerazione
Oltre all’ambito medico, questi risultati offrono spunti di riflessione sull’autoassemblaggio delle proteine, che potrebbe avere un impatto sui biomateriali sintetici. Inoltre, lo studio risolve un mistero cruciale nella biologia strutturale: perché proteine identiche possano ripiegarsi in molteplici forme patogene.
“La capacità di prevedere in modo efficiente i polimorfi amiloidi potrebbe guidare le future scoperte nella prevenzione dell’aggregazione proteica dannosa, un passo fondamentale per affrontare alcune delle sfide neurodegenerative più urgenti al mondo”, ha affermato Wolynes.
Riferimento:Proceedings of the National Academy of Sciences