GōMartini 3: Svelando la Danza Segreta delle Proteine, dalle Grandi Trasformazioni alle Correzioni Ambientali!

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona da matti: il mondo microscopico delle proteine e come riusciamo a “spiarle” in azione. Sapete, capire come le proteine si piegano (il famoso *folding*), come svolgono le loro incredibili funzioni e come interagiscono con tutto ciò che le circonda è una delle sfide più grandi della biologia moderna. È come cercare di capire la coreografia di una danza complicatissima guardando solo qualche fotogramma!

Gli esperimenti ci danno tantissime informazioni preziose, certo, ma hanno i loro limiti, specialmente quando vogliamo vedere i dettagli atomici e seguire i movimenti nel tempo, da frazioni di secondo a tempi molto più lunghi. Qui entrano in gioco le simulazioni al computer, in particolare la dinamica molecolare (MD) “all-atom” (AA), che cerca di simulare ogni singolo atomo. Fantastico, vero? Peccato che richieda una potenza di calcolo mostruosa! Simulazioni del genere, anche con i supercomputer di oggi, faticano a superare la scala dei microsecondi (milionesimi di secondo), specialmente per sistemi grandi e complessi. Questo significa che molti processi biologici fondamentali, come i grandi cambiamenti di forma delle proteine (pensate a delle trasformazioni alla “Transformers”!) o le interazioni con altre molecole come farmaci o lipidi di membrana, restano spesso fuori portata.

La Magia del “Coarse-Graining”: Vedere di Più, Più a Lungo

E allora, come facciamo? Semplifichiamo! È qui che entra in gioco il “coarse-graining” (CG), un approccio geniale che riduce il numero di “palline” da simulare. Invece di ogni atomo, rappresentiamo gruppi di atomi come un’unica particella. Meno dettagli fini, certo, ma il paesaggio energetico diventa più “liscio”, le simulazioni sfrecciano via molto più veloci e possiamo finalmente osservare fenomeni su scale di tempo e spazio impensabili per i modelli AA. È come passare da una mappa stradale dettagliatissima a una mappa regionale: perdi i nomi delle vie, ma capisci molto meglio come spostarti tra città diverse!

Esistono tanti modi per fare CG. Alcuni modelli, come i famosi modelli Gō, si basano sulla struttura nota della proteina ripiegata. Immaginate di avere la “posa finale” della proteina e di creare delle “molle” (potenziali di Lennard-Jones) solo tra le parti che si toccano in quella posa. Questi modelli sono fantastici per studiare come una proteina si piega o come risponde a forze meccaniche, ma tendono a ignorare l’ambiente circostante.

Dall’altra parte, abbiamo modelli “physics-based” come il celebre Martini. Qui, le “palline” CG (che rappresentano pezzi di amminoacidi) hanno proprietà chimiche più realistiche, derivate da dati sperimentali. Martini è bravissimo a simulare come le proteine interagiscono tra loro, con le membrane cellulari (fatte di lipidi) o con altre biomolecole. Però, storicamente, i modelli Martini “puri” faticavano a mantenere stabile la struttura tridimensionale delle proteine ripiegate, e spesso si doveva aggiungere una “rete elastica” (Elastic Network, EN) un po’ artificiale per tenerle in forma. Questa rete, però, poteva creare altri problemi, come interazioni “appiccicose” non realistiche tra proteine.

GōMartini: Il Meglio dei Due Mondi (e Ora Ancora Meglio!)

E se potessimo unire i punti di forza dei modelli Gō e Martini? Bingo! È nata così l’idea di GōMartini: usare la specificità strutturale dei modelli Gō per guidare la dinamica interna della proteina, e la potenza di Martini per descrivere le interazioni con l’ambiente. Un’accoppiata vincente che ha già dato ottimi risultati nello studio della flessibilità e della stabilità meccanica delle proteine.

Ma la scienza non si ferma mai, e noi nemmeno! Ecco che vi presento l’evoluzione: GōMartini 3. Questa nuova versione sfrutta la potenza del nuovissimo Martini 3 (che è stato completamente rivisto e migliorato) e introduce un’implementazione super furba basata sui “virtual sites” (siti virtuali).

Cosa sono questi siti virtuali? Immaginate che ogni “pallina” principale della proteina (il Backbone Bead, BB) abbia un “fantasma” associato. Questo fantasma non interagisce direttamente con quasi nulla, serve solo a definire le interazioni specifiche del modello Gō (le nostre “molle” strutturali). Il vantaggio enorme? Possiamo usare i metodi standard di calcolo delle interazioni a corto raggio (con un cutoff) implementati nei software di simulazione come GROMACS. Questo risolve un grosso limite della versione precedente di GōMartini, che faticava a sfruttare il calcolo parallelo su molti processori. Ora, le simulazioni con GōMartini 3 volano, anche per sistemi complessi! E il costo aggiuntivo di questi siti virtuali è minimo.

Ma non è solo una questione di velocità. Abbiamo anche affinato il modello Gō stesso:

• Includiamo solo i contatti “nativi” che cadono in un intervallo di distanza specifico (tra 0.3 e 1.1 nm), evitando artefatti.
• Abbiamo aumentato la distanza minima nella sequenza tra residui che possono formare un contatto Gō (da 3 a 4 residui di distanza), per concentrarci sulle interazioni terziarie più importanti.
• Cruciale: escludiamo le interazioni Martini standard tra le palline BB che sono già collegate da un legame Gō. Questo evita distorsioni della struttura, specialmente in regioni come i foglietti beta, migliorando il “packing” locale.

GōMartini 3 alla Prova dei Fatti: Quattro Storie di Successo

Ok, belle parole, ma funziona davvero? Assolutamente sì! Abbiamo messo alla prova GōMartini 3 in diversi scenari complessi, confrontandolo anche con i modelli EN tradizionali.

1. L’Abbraccio tra Proteina e Membrana (Dominio PH):
Abbiamo studiato come un dominio proteico chiamato PH (Pleckstrin Homology) si lega con altissima affinità a un lipide specifico [PI(4,5)P2] presente nelle membrane cellulari. GōMartini 3 non solo ha confermato questo forte legame, ma ha anche catturato sfumature interessanti. Abbiamo calcolato il “Potenziale di Forza Media” (PMF), che misura l’energia del legame. GōMartini 3 ha dato risultati simili a un tipo di modello EN (EN1) per il legame stretto, ma ha mostrato una maggiore stabilizzazione per uno stato di legame più “lasco”, suggerendo che la maggiore flessibilità permessa da GōMartini cattura meglio la capacità della proteina di adattarsi a diverse modalità di interazione con la membrana. Un altro tipo di EN (EN6) dava energie diverse, evidenziando come la scelta del modello di bias strutturale sia cruciale.

2. Caccia al Ligando (Lisozima T4):
Il lisozima T4 mutato (L99A) è un sistema modello per studiare come piccole molecole (ligandi) si legano alle proteine. Studi precedenti con Martini 3 e modelli EN avevano già dato buoni risultati, ma simulazioni atomistiche suggerivano l’esistenza di stati intermedi che i modelli EN, troppo rigidi, non catturavano. Abbiamo rifatto le simulazioni con GōMartini 3. Bingo di nuovo! Pur mantenendo una flessibilità generale simile all’EN, GōMartini 3 ha mostrato una maggiore mobilità proprio nella regione della “tasca” di legame. E infatti, nel profilo energetico (PMF), sono comparsi dei minimi locali, corrispondenti a stati intermedi di legame, che erano assenti o molto meno pronunciati con l’EN. Questo dimostra che GōMartini 3 è più adatto a studiare meccanismi di legame “induced-fit”, dove la proteina si adatta leggermente per accogliere il ligando.

3. La Via Allosterica (SOD1 e SLA):
La Superossido Dismutasi 1 (SOD1) è un enzima legato alla Sclerosi Laterale Amiotrofica (SLA). Molte mutazioni che causano la malattia sono lontane dal sito attivo dell’enzima, suggerendo effetti a distanza (allosteria). Abbiamo usato GōMartini 3 per confrontare la SOD1 normale e una mutante (G93A) legata alla SLA. Anche qui, GōMartini 3 ha superato l’EN. Mentre entrambi i modelli mostravano cambiamenti di flessibilità, solo GōMartini 3 ha rivelato un pattern complesso di rigidificazione vicino alla mutazione e aumento di flessibilità in loop specifici, incluso l’importante “electrostatic loop” (EL) vicino al sito attivo. Analizzando le distanze tra residui, GōMartini 3 ha identificato una “via” di comunicazione strutturale tra la mutazione G93A e l’EL, cosa che l’EN non è riuscito a fare. Questo apre porte incredibili per studiare come mutazioni puntiformi possano avere effetti a lungo raggio sulla dinamica proteica.

4. Tira e Molla Molecolare (Nanomeccanica AFM-SMFS):
Capire come le proteine resistono a forze meccaniche è fondamentale, ad esempio, per le interazioni virus-cellula (pensate alla proteina Spike del SARS-CoV-2!). La Spettroscopia a Forza Singola Molecola (SMFS) con un Microscopio a Forza Atomica (AFM) “tira” letteralmente le proteine per misurarne la resistenza. Simulare questi esperimenti è difficile con i modelli AA a causa delle scale temporali. GōMartini 3, grazie alla sua efficienza e all’implementazione con siti virtuali, ci permette di usare velocità di “tiraggio” molto più basse e realistiche rispetto ai modelli AA, avvicinandoci alle condizioni sperimentali. Abbiamo simulato la rottura del legame tra il dominio RBD della proteina Spike e un nanobody (un piccolo anticorpo). I nostri risultati, ottenuti senza i vincoli artificiali spesso usati nelle simulazioni AA, sono in buon accordo con i dati sperimentali e con simulazioni AA più raffinate, mostrando come GōMartini 3 possa catturare i dettagli della dissociazione meccanica, identificando le interazioni chiave che si rompono. Abbiamo fatto un test simile anche su un altro complesso (dockerina:coesina) con ottimi risultati.

Oltre i Limiti: Ottimizzare e Correggere con i Siti Virtuali

GōMartini 3 è già potente, ma possiamo fare ancora di meglio!

Raffinare le “Molle” Gō: Il modello Gō standard si basa su una singola struttura statica. Ma le proteine sono dinamiche! Possiamo usare simulazioni AA più brevi come riferimento per “pesare” i contatti Gō, dando più importanza a quelli stabili e meno a quelli transienti, specialmente nei loop flessibili. Abbiamo testato questo approccio su diverse proteine, ottimizzando sia la forza dei legami Gō (εLJ) sia la mappa dei contatti stessa. I risultati sono promettenti: i modelli GōMartini “raffinati” riproducono molto meglio la flessibilità osservata nelle simulazioni AA, specialmente nelle regioni loop che prima erano troppo rigide.

Correggere i “Bias” Ambientali: A volte, anche il fantastico Martini 3 mostra qualche piccolo difetto. Ad esempio, tende a sottostimare le dimensioni delle proteine intrinsecamente disordinate (IDP) – quelle proteine un po’ “pazze” che non hanno una struttura fissa – e può avere problemi con l’inserimento di alcuni peptidi nelle membrane. Una soluzione proposta è stata quella di “riscalare” globalmente le interazioni proteina-acqua. Ma questo approccio è un po’ una “martellata”, perché modifica *tutte* le interazioni di quel tipo, creando potenziali problemi di trasferibilità.
E qui tornano utili i nostri siti virtuali Gō! Possiamo usarli non solo per i legami strutturali, ma anche per aggiungere interazioni *specifiche* tra il backbone della proteina e l’acqua, senza toccare il resto del force field Martini!
Abbiamo testato questa idea sulle IDP: aggiungendo una piccola interazione attrattiva tra i siti virtuali del backbone e l’acqua (corrispondente a circa un +10% di interazione BB-acqua, ma *solo* per il backbone!), e combinandola con parametri di legame migliorati per le regioni disordinate, abbiamo ottenuto raggi di girazione (una misura delle dimensioni) in eccellente accordo con i dati sperimentali SAXS. Questo approccio funziona alla grande anche per simulare la formazione di “condensati biomolecolari” (quelle goccioline proteiche che si formano nelle cellule), ottenendo la giusta idratazione.
Lo stesso trucco funziona al contrario per i peptidi transmembrana: riducendo leggermente l’interazione BB-acqua *solo* per i residui in elica (usando un’interazione repulsiva tra sito virtuale e acqua), abbiamo stabilizzato la loro permanenza nella membrana, risolvendo i problemi di “espulsione” visti in alcuni casi. Abbiamo visto benefici simili anche per stabilizzare l’aggregazione di peptidi che formano foglietti beta.

Come Iniziare con GōMartini 3

Vi è venuta voglia di provare? È più facile di quanto pensiate! Il flusso di lavoro tipico prevede:

1. Ottenere una mappa dei contatti Gō (usando server web o programmi dedicati come ContactMapGenerator).
2. Usare lo script Martinize2 (ora aggiornato!) per generare la topologia Martini e le coordinate coarse-grained dalla vostra struttura atomistica, specificando l’opzione `-go` e fornendo la mappa dei contatti. Potete anche regolare parametri come la forza dei legami Gō (`-go-eps`). Martinize2 gestisce automaticamente l’implementazione dei siti virtuali.
3. Per applicare le correzioni acqua-backbone, usate il flag `-water-bias` in Martinize2, specificando la forza (`-water-bias-eps`) e, se volete, le regioni specifiche (es. eliche, foglietti, regioni disordinate definite con `-id-regions`).
4. Per le IDP generate direttamente dalla sequenza (senza struttura 3D), potete usare lo strumento Polyply, che include già i siti virtuali e i parametri di legame adatti alle regioni disordinate.

Trovate tutte le istruzioni dettagliate e gli esempi sui repository GitHub di Martinize2 e Polyply e sul sito della Martini Force Field Initiative.

Conclusioni e Prospettive Future

Allora, cosa ci portiamo a casa? GōMartini 3, con la sua implementazione basata su siti virtuali, rappresenta un passo avanti significativo nel mondo delle simulazioni coarse-grained. Combina l’efficienza di Martini 3 con una rappresentazione più accurata e flessibile della dinamica proteica rispetto ai modelli EN tradizionali, permettendoci di affrontare problemi complessi come l’allosteria, il legame indotto e la nanomeccanica con maggiore dettaglio e a velocità di simulazione più realistiche.

La flessibilità dei siti virtuali apre anche strade affascinanti per correggere specifici bias del force field (come le interazioni con l’acqua) in modo mirato, senza compromettere la trasferibilità generale del modello Martini. Questo è un vantaggio enorme rispetto agli approcci di riscalatura globale.

Certo, ci sono ancora sfide. Modellare sistemi super affollati con centinaia di copie della stessa proteina rimane problematico per l’approccio Gō standard (anche se soluzioni specifiche stanno emergendo). Inoltre, la definizione ottimale dei parametri Gō (mappa dei contatti e forze) è ancora un’area di ricerca attiva, con approcci promettenti basati sull’analisi dinamica da simulazioni AA o addirittura su predizioni da intelligenza artificiale come AlphaFold.

Il futuro? Vedo un disaccoppiamento sempre maggiore tra lo sviluppo del modello Martini “core” e lo sviluppo dei “bias” strutturali (come Gō o EN). Il modello Martini continuerà a migliorare, sperabilmente richiedendo bias sempre meno invasivi. Ma strumenti come GōMartini rimarranno fondamentali per guidare le simulazioni verso conformazioni specifiche o per studiare transizioni tra stati noti. Forse vedremo modelli Gō multi-bacino per rappresentare più stati conformazionali contemporaneamente!

Insomma, GōMartini 3 non è solo un modello, è una piattaforma versatile e potente che ci permette di esplorare la danza incredibilmente complessa delle proteine come mai prima d’ora. E il bello è che siamo solo all’inizio!

Fonte: Springer Nature