Descoberta em larga escala dos perfis de energia de nanocorpos naturais e desenhados

• Processo: 20/14421-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Data de Início da vigência: 01 de abril de 2021
• Data de Término da vigência: 31 de março de 2022
• Área de conhecimento: Ciências Biológicas - Bioquímica - Química de Macromoléculas
• Pesquisador responsável: Munir Salomao Skaf
• Beneficiário: Allan Jhonathan Ramos Ferrari
• Supervisor: Gabriel Rocklin
• Instituição Sede: Instituto de Química (IQ). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: Northwestern University, Chicago, Estados Unidos
• Vinculado à bolsa: 19/17007-4 - Modelagem de enzimas e complexos proteicos associados com a degradação de celulose, BP.PD
• Assunto(s): Biologia computacional Nanocorpos Aprendizado computacional Análise de sequência de proteína
• Palavra(s)-Chave do Pesquisador: High-throughput analysis | hydrogen-deuterium exchange mass spectrometry | Machine Learning Models | Nanobodies | protein design | protein energy landscapes | Biologia Computacional

Resumo

Durante a evolução, somente uma pequena fração do espaço das sequências de proteínas foi amostrado. A área de design de proteínas de novo tem como objetivo explorar o espaço de sequências não visto durante a evolução para customizar proteínas com diversas aplicações em biologia e ciências de materiais. Por muitos anos, a área dependeu de testar experimentalmente uma proteína por vez com uma taxa de sucesso muito baixa. Recentemente, o Dr. Rocklin desenvolveu um ensaio que avalia a estabilidade de proteínas em larga escala e permite testar e classificar milhares de proteínas de acordo com a estabilidade de seu enovelamento. Esse ensaio também permitiu interrogar quais as variáveis associadas à sequência e à estrutura dessas proteínas que determinavam a sua estabilidade através da construção de modelos de aprendizagem de máquina preditivos. Esses modelos significativamente aumentaram a taxa de sucesso para as novas proteínas desenhadas. Entretanto, além de serem estáveis e bem enoveladas, proteínas exibem dinâmica e existem em um conjunto de estados que definem o seu perfil de energia o qual tem impacto direto na suas funções. Esses estados estão normalmente escondidos da maioria dos experimentos e nunca foram estudados em larga escala. Neste projeto, nós propomos o desenvolvimento e a aplicação de uma nova metodologia que se baseia na expressão, purificação e análise paralela de milhares de proteínas por troca de hidrogênio/deutério associada a espectrometria de massas para derivar quantitativamente o perfil de energia de nanocorpos. Essa classe de proteínas é extremamente importante em diversas aplicações na pesquisa, na área de diagnósticos e como biofármacos, mas apresenta baixa taxa de sucesso devido a propriedades biofísicas desfavoráveis tais como propensão a formação de agregados. Aqui, nós objetivamos construir modelos de aprendizado de máquina treinados em um grande conjunto de dados experimentais coletados para alguns milhares de nanocorpos que nos permitirá aprender como engenheirar nanocorpos com perfis energéticos otimizados para diversas aplicações. (AU)