安捷伦应用研究故事 | SurePrint 寡核苷酸文库应用于蛋白质药物设计

科学研究可以改变我们对自然界的基本认识，并帮助我们在新的背景下应用基本原理。Brian Coventry 博士加入了华盛顿大学的 David Baker 实验室，致力于解决复杂的蛋白质从头设计问题。当时团队正在开发一种新的蛋白质设计方法，当只知道靶蛋白的三维结构时，如何设计能够以高亲和力结合该靶标特定区域的小型蛋白。对于 Coventry 博士来说，这是一个有趣的生物物理难题。作为一名即喜欢计算机编程，又具有化学研究背景的博士研究生，他对发现可用于预测蛋白质如何相互作用的方法开发非常感兴趣。作为 Baker 实验室的一员，他帮助解决了蛋白质界面设计的挑战。与嫁接以及之前的其他方法不同，他们的方法仅仅基于靶标蛋白质的三维结构信息，而不是基于已有的结合模式或者是复合物的晶体结构信息。

Coventry 博士与同事开发出一种独特的计算方法来设计小型结合蛋白。该模型采用两阶段方法，首先广泛探索可能的结合模式，并在确定了最有优势的结合模式后，重点关注这些模式的蛋白质相互作用[1]。研究人员通过设计和开发针对 12 个靶位点（包括甲型流感病毒的血凝素 (HA) 组 1 和 HA 组 2）的微结合蛋白，证明了其流程的非常高效和准确 [1]。他们的方法已发表在《自然》(Nature) 上[1]。与其他类似方法相比，该流程生成了更多的数据，为团队更好地了解蛋白质相互作用和原理提供了更多优势。微结合蛋白可用于许多生物应用，包括药物、诊断和分子机器。例如，微结合蛋白可用于检测病毒并作为防止病毒传播的治疗药物。

将挑战转化为成功

在项目开始时，缺少数据支持他们的设计-测试-学习工作流程。研究团队尝试了一些初步实验，但都毫无效果。他们没有慌乱，而是决定采取不同的方法，基于人工分析和直觉来识别看起来有利的蛋白质。在考察了 10000 种蛋白质并进行手动筛选后，他们获得了启动设计-测试-学习循环所需的数据。从那时起，该团队开发出了针对简单靶标（例如具有大疏水性片段的蛋白质）的结合蛋白。但是由于每种靶蛋白都是不同的，因此都需要特定的策略。

Coventry 博士说道

“每种靶蛋白都代表着一个难题，他们必须分析每个靶标的疏水性口袋、氢键、精氨酸位置、苯丙氨酸位置和阳离子-π 相互作用等。”

正如论文中所述，Coventry 博士及研究团队成功地使用该流程获得了甲型流感病毒的血凝素 HA2 区域的微结合蛋白。Coventry 博士的同事曹龙兴博士（现为西湖大学研究员、助理教授）花了大量时间来设计能够嵌入甘氨酸与结合位点之间凹槽的螺旋结构。最终，他开发出一种包含十个残基的螺旋结构，能够完美地嵌入该凹槽中。他们订购了相应的 Agilent SurePrint 寡核苷酸文库，通过酵母表面展示进行高通量筛选，大肠杆菌表达潜在结合的蛋白质，使用体积排阻色谱纯化蛋白质，并使用生物膜干涉技术确定其亲和力。微结合蛋白的作用符合预期。该团队不仅获得了正确的结合位点，而且最终所得到的晶体结构与设计模型完全一致。

微结合蛋白的优势和应用

虽然自然界晶体结构是有意义的，但从头设计的蛋白质相互作用提供了大量有用的信息。并且微结合蛋白技术有助于更好地理解蛋白质侧链的工作原理。

Coventry 博士说道

“这对于活性位点设计或提高蛋白质溶解性可能很重要。我们对蛋白质的物理特性和聚集的理解越来越深入。例如，我可以告诉您，您的蛋白质在溶液中沉淀之前疏水性如何。”

由于这些微结合蛋白是人造的，因此可以在设计时考虑到稳定性。抗体和基于抗体的治疗药物需要冷藏或冷冻储存，但微结合蛋白在室温下也可以保持稳定。这使得它们非常适合运输至气候更温暖和缺少冷链储存的国家/地区。

引自：UW INSTITUTE FOR PROTEIN DESIGN

微结合蛋白的治疗应用之一包括阻止病毒（例如，流感和 SARS-CoV-2）传播，因此其能够更广泛地覆盖偏远地区的人群。微结合蛋白可用于多种其他应用（包括病毒检测），并且可能比当前方法具有更出色的性能。靶细胞表面受体是微结合蛋白的理想候选位点。通过结合细胞表面受体，微结合蛋白可用于检测癌细胞、靶向癌细胞并递送药物、激活或抑制受体以及标记特定蛋白质。

从寡核苷酸到蛋白质

Baker 实验室的流程以 SurePrint 230 个碱基对 (bp) 寡核苷酸文库为中心，将这些文库用于设计针对特定靶蛋白的各微结合蛋白的肽序列。还将这些文库用于高通量经验筛选以获得成功的结合蛋白。随着设计方法的不断改进，需要持续进行实验测试。

Coventry 博士说道

“安捷伦为我们开启了通往现实世界的大门。我们所做的一切都在计算机上，因此在安捷伦交付 DNA 之前，它还没有成为现实。”

使用该流程，该团队已经设计并筛选表达了数百万种蛋白质。“我们已经从安捷伦订购了足以支持至少 200 万种蛋白质的DNA 序列。”感兴趣的研究者可以参考发表文章的补充材料来尝试我们的计算方法。用户需要对蛋白质有足够的了解，以决定他们想要结合的位置，并且需要能够运行 Linux 才能编译该软件。之后，该工具可以几乎完全自动化运行，甚至可以根据疏水性对蛋白质进行着色。最后，它将生成一个需要在寡核苷酸文库中订购DNA 的文本文件。

下一步研究和未来展望

该研究团队希望在将来订购更少的基因，因为这将是他们工作流程成功率提高到一个指标。结合蛋白的设计还存在一系列难题：靶标越容易，则成功率越高；靶标越难，则成功率越低。

Coventry 博士说：

“大量天然蛋白质过于复杂，以至于目前的成功率基本上为零。随着我们成功率的提高，我们可以靶向更多种类的蛋白质，并且我们会不断改进结合蛋白的设计方法。”

提高方法的成功率也将加快研究发现过程的速度。深度学习一直是关键所在。

Coventry 博士说：

“深度学习提高了我们的成功率，并对我们的设计方法产生 了巨大影响，它将会得到更多运用。”

他们的目标是实现 50% 的成功率，如果将来能够获得非常高的成功率，他们将进一步实现该流程的自动化。自动化程度更高的迭代将包括一个用户界面，用户在其中上传靶蛋白序列和结构，该方法将提供包含所有潜在结合蛋白位置的地图。然后用户将选择最佳位置，方法将提供蛋白质序列和结合蛋白的预期亲和力。

结论

在 SurePrint 寡核苷酸文库的帮助下，华盛顿大学 David Baker 实验室的 Coventry 博士与同事走在了使未来研究人员更容易设计蛋白质的前沿。他们发现了能够预测蛋白质如何相互作用的生物物理特性。感谢他们愿意以一种开发的方式发表该方法，这一独特的设计方法能够使其他研究人员在该领域开展更广泛的研究。反过来，这些研究人员可以使用这种先进的蛋白质建模方法有效地设计更出色的诊断、疗法和其他基于蛋白质的应用。

安捷伦 SurePrint 寡核苷酸合成平台将继续为广大研究者提供最高质量的底层工具，助力科学创新更进一步！