שילוב נכון של חיזוי אינטראקציות בין חלבונים באמצעות למידה גיאומטרית מושכלת פיזיקלית

מדוע שותפויות חלבונים חשובות

בתוך כל תא, חלבונים לא עובדים בודדים בדרך כלל. הם מתנגשים זה בזה, מתחברים כמו חלקי פאזל ויוצרים שותפויות זמניות שמווסתות אותות, נושאות מטען ונלחמות בזיהומים. לקבוע בדיוק כיצד שני חלבונים נפגשים בתלת־ממד יכול לחשוף איך מחלות נוצרות וכיצד לעצב תרופות או נוגדנים חדשים. אבל יצירת ה"תמונות" המולקולריות הללו במעבדה איטית ויקרה, וכלי הבינה המלאכותית הקיימים עדיין נכשלים כאשר הנתונים דלים. המחקר הזה מציג את ProTact, שיטה חישובית חדשה שמטרתה למלא את הפערים הללו.

מגבלות כלים נוכחיים לחיזוי מבנה

מערכות כמו AlphaFold שינו את יכולתנו לחזות את צורתם של חלבונים יחידים וכמה קומפלקסים. הן עובדות טוב יותר כאשר זמינות הרבה רצפים קרובים, שכן הן לומדות מתבניות אבולוציוניות. עם זאת, רבים מהמטרות החשובות, כולל חלבונים ויראליים, חלבונים מהונדסים ונוגדנים, חסרות היסטוריות אבולוציוניות עשירות. במקרים אלה, כלים קיימים עלולים לשגות לגבי אופן החיבור בין חלבונים, במיוחד בנקודות המגע המדויקות שבהן אטומים משני השותפים נוגעים. המחברים טוענים שעל מנת להתגבר על כך, על המודלים לבחון מעבר לתבניות ברצף ולהתמקד ביתר תשומת לב בצורה הפיזית ובכיצד משטחים מתאימים זה לזה.

דרך חדשה לקרוא משטחים של חלבונים

ProTact מטפל בכל חלבון כרשת של שאריות (residues) המחוברות במרחב ומתמקד באופן שבו המשטחים החיצוניים שלהם משלימים זה את זה. הוא משתמש מקודד גיאומטרי שתוכנן בקפידה כך שהסיבוב או ההזזה של החלבון במרחב לא ישנו את הייצוג הפנימי. מודול שני מיישם חוקים בהשראת הטריגונומטריה כדי להסיק על המשולשים הנוצרים על ידי קבוצות של שאריות, ועוזר למודל ללכוד השפעות רב־גופיות במקום רק מגעים זוגיים. ביחד, החלקים הללו מייצרים מפה שמבליטה אילו שאריות משני החלבונים סביר שייכנסו במגע כאשר הקומפלקס ייווצר. ProTact יכול לעבוד עם מבנים ניסיוניים באיכות גבוהה או עם צורות שחוזו על ידי כלים אחרים, והוא יכול להשתמש במידע רצפי כשזמין מבלי להיות תלוי בו.

כמה טוב השיטה מתפקדת

החוקרים בדקו את ProTact על כמה אוספים סטנדרטיים של זוגות חלבונים, כולל מקרים מאתגרים מתוך ניסויי הערכה קהילתיים. על פני מדדי הבדיקה הללו, ProTact זיהה בעקביות שאריות מגע בצורה מדויקת יותר משיטות מובילות מבוססות רצף ומבוססות מבנה. למשל, הוא שיפר מדד דיוק נפוץ בכ־שליש בהשוואה לשיטה הטובה ביותר הקיימת על שני מערכי נתונים נפוצים. אפילו כאשר המבנים הקלטיים נוצרו על ידי AlphaFold במקום מניסויים וכך הכילו רעש, ProTact נשאר מדויק יותר מכלים מתחרים. השיטה גם טיפלה במבחן עיוור גדול של זוגות חלבונים שפותרו לאחרונה, והציגה ביצועים חזקים בקומפלקסים סימטריים וא-סימטריים כאחד.

ממפות מגע לקומפלקסים מלאים

חיזוי אילו שאריות נוגעות הוא רק חלק מהבעיה; המדענים רוצים גם את הסידור התלת־ממדי המלא של השותפים. מפות המגע של ProTact ניתנות להמרה לפוזות דוקינג, כלומר למודלים מלאים של האופן שבו שני חלבונים יושבים יחד. באמצעות אלגוריתם יישור סטנדרטי, המחברים מראים שהפוזות שהציע ProTact קרובות יותר לקומפלקסים שנקבעו ניסויית מאשר אלו משיטות אחרות המבוססות על מגעים. הוספת תחזיות המגע כמאמצים (restraints) לתוכניות דוקינג קיימות משפרת את הדיוק שלהן ברוב הזוגות שנבדקו. ProTact יכול גם למיין מחדש קומפלקסים מועמדים שנוצרו על ידי AlphaFold3, בהתאמה קרובה יותר לציוני איכות ניסיוניים ומשפר תוצאות בכמה דוגמאות של נוגדן–אנטיגן שבהן נתוני הרצף דלים.

השלכות על נוגדנים ועיצוב תרופות

נוגדנים הם מבחן מאתגר במיוחד כי הלולאות הקושרות שלהם יכולות להשתנות במידה רבה ולעתים קרובות חסרות אותות אבולוציוניים חזקים. על ידי אימון ראשוני של ProTact על מאגר כללי רחב ולאחר מכן כיוונון עדין על קומפלקסי נוגדן–אנטיגן, המחברים מציגים שיפור בחיזוי מגעים ובאיכות הדוקינג בהשוואה לכלים ייעודיים אחרים. במחקר מקרה של נוגדן הפונה לנגיף SARS‑CoV‑2, ProTact ייצר קומפלקס מדויק בהרבה משיטות מתחרות, אפילו עם מידע רצפי מוגבל. זה מצביע על כך שהסקת מסקנות גיאומטריות מפורטות לגבי משטחים יכולה לפצות במידה מסוימת על חוסר רמזים אבולוציוניים.

מה משמעות עבודה זו להמשך

ללא־מומחה, המסר המרכזי הוא ש‑ProTact לומד "להרגיש" כיצד שני משטחים של חלבון מתאימים זה לזה, במקום להסתמך בעיקר על רשומות אבולוציוניות ארוכות. על ידי שילוב רעיונות פיזיקליים של התאמת צורות בתוך רשת עצבית מודרנית, הוא מספק הנחות מהימנות יותר לגבי היכן חלבונים נוגעים וכיצד הם מתאספים לקומפלקסים. אמנם הוא עדיין תלוי באיכות המבנים ההתחלתיים ומתמודד בקושי כאשר חלבונים משנים צורה באופן דרמטי, ProTact מציע כלי חדש ועוצמתי למיפוי שותפויות חלבונים, במיוחד בסביבות דלות נתונים. הדבר עשוי להאיץ מחקרים בסיסיים על מכניקת התא ולתמוך בעיצוב טיפולים חדשים שפועלים באמצעות שינוי אינטראקציות חלבון.

ציטוט: Rao, J., Liu, D., Zhou, X. et al. Accurate protein-protein interactions modeling through physics-informed geometric invariant learning. Commun Biol 9, 685 (2026). https://doi.org/10.1038/s42003-026-09809-2

מילות מפתח: אינטראקציות חלבון־חלבון, חיזוי מבנה, דוקינג, AlphaFold, קשירת נוגדנים