Titre
De novo design of protein interactions with learned surface fingerprints.
Type
article
Institution
UNIL/CHUV/Unisanté + institutions partenaires
Périodique
Auteur(s)
Gainza, P.
Auteure/Auteur
Wehrle, S.
Auteure/Auteur
Van Hall-Beauvais, A.
Auteure/Auteur
Marchand, A.
Auteure/Auteur
Scheck, A.
Auteure/Auteur
Harteveld, Z.
Auteure/Auteur
Buckley, S.
Auteure/Auteur
Ni, D.
Auteure/Auteur
Tan, S.
Auteure/Auteur
Sverrisson, F.
Auteure/Auteur
Goverde, C.
Auteure/Auteur
Turelli, P.
Auteure/Auteur
Raclot, C.
Auteure/Auteur
Teslenko, A.
Auteure/Auteur
Pacesa, M.
Auteure/Auteur
Rosset, S.
Auteure/Auteur
Georgeon, S.
Auteure/Auteur
Marsden, J.
Auteure/Auteur
Petruzzella, A.
Auteure/Auteur
Liu, K.
Auteure/Auteur
Xu, Z.
Auteure/Auteur
Chai, Y.
Auteure/Auteur
Han, P.
Auteure/Auteur
Gao, G.F.
Auteure/Auteur
Oricchio, E.
Auteure/Auteur
Fierz, B.
Auteure/Auteur
Trono, D.
Auteure/Auteur
Stahlberg, H.
Auteure/Auteur
Bronstein, M.
Auteure/Auteur
Correia, B.E.
Auteure/Auteur
Liens vers les personnes
Liens vers les unités
ISSN
1476-4687
Statut éditorial
Publié
Date de publication
2023-05
Volume
617
Numéro
7959
Première page
176
Dernière page/numéro d’article
184
Peer-reviewed
Oui
Langue
anglais
Notes
Publication types: Journal Article
Publication Status: ppublish
Publication Status: ppublish
Résumé
Physical interactions between proteins are essential for most biological processes governing life <sup>1</sup> . However, the molecular determinants of such interactions have been challenging to understand, even as genomic, proteomic and structural data increase. This knowledge gap has been a major obstacle for the comprehensive understanding of cellular protein-protein interaction networks and for the de novo design of protein binders that are crucial for synthetic biology and translational applications <sup>2-9</sup> . Here we use a geometric deep-learning framework operating on protein surfaces that generates fingerprints to describe geometric and chemical features that are critical to drive protein-protein interactions <sup>10</sup> . We hypothesized that these fingerprints capture the key aspects of molecular recognition that represent a new paradigm in the computational design of novel protein interactions. As a proof of principle, we computationally designed several de novo protein binders to engage four protein targets: SARS-CoV-2 spike, PD-1, PD-L1 and CTLA-4. Several designs were experimentally optimized, whereas others were generated purely in silico, reaching nanomolar affinity with structural and mutational characterization showing highly accurate predictions. Overall, our surface-centric approach captures the physical and chemical determinants of molecular recognition, enabling an approach for the de novo design of protein interactions and, more broadly, of artificial proteins with function.
PID Serval
serval:BIB_E5B235F60B9D
PMID
Open Access
Oui
Date de création
2023-05-01T06:37:38.587Z
Date de création dans IRIS
2025-05-21T05:14:29Z
Fichier(s)![Vignette d'image]()
En cours de chargement...
Nom
37100904_BIB_E5B235F60B9D.pdf
Version du manuscrit
published
Licence
https://creativecommons.org/licenses/by/4.0
Taille
14.55 MB
Format
Adobe PDF
PID Serval
serval:BIB_E5B235F60B9D.P001
URN
urn:nbn:ch:serval-BIB_E5B235F60B9D3
Somme de contrôle
(MD5):efac47d71ab389dd22cd975d1f67dca4