Cientistas da Universidade Northwestern desenvolveram um novo método experimental para analisar flutuações conformacionais em domínios proteicos em escala massiva. O método pode melhorar modelagem orientada a dados, biologia e engenharia de proteínas.
O novo método chamado mHDX-MS permite análise paralela de centenas de domínios proteicos. Ele revela como diferenças sequenciais dão origem a paisagens conformacionais distintas.
Segundo Gabriel Rocklin, Ph.D., professor assistente de Farmacologia e autor sênior do estudo, quase todos os processos biológicos dependem do dobramento de proteínas. Isso vai desde a condução de sinais elétricos em células nervosas até a indução de respostas imunológicas.
Proteínas dobradas flutuam entre diferentes estados conformacionais. Isso inclui um estado nativo dobrado de baixa energia e um estado desdobrado de maior energia.
Historicamente, estudar flutuações conformacionais em paisagens energéticas de proteínas tem sido desafiador. Estados de alta energia são raros e transitórios, tornando-os difíceis de detectar.
Állan Ramos Ferrari, Ph.D., professor assistente de pesquisa em Farmacologia e autor principal do estudo, explicou que anteriormente os cientistas podiam estudar apenas uma proteína de cada vez. Eles não podiam analisar dezenas ou centenas dessas proteínas em paralelo.
Para estudar paisagens energéticas de proteínas em maior escala, os cientistas desenvolveram uma nova abordagem experimental. Ela permite análise paralela de centenas de domínios proteicos.
Usando essa abordagem, os cientistas mediram as distribuições de energia de abertura de mais de 5.700 domínios proteicos. Eles analisaram dez famílias de domínios diferentes.
Este conjunto de dados revelou diferenças ocultas em paisagens energéticas entre sequências de proteínas. As sequências têm o mesmo dobramento geral, mas paisagens diferentes.
O método mede as energias de resíduos individuais transitando de conformações ‘fechadas’ para ‘abertas’. Essas conformações de maior energia não podem ser detectadas por abordagens atuais.
Os cientistas também usaram aprendizado de máquina para identificar determinantes comuns de paisagens energéticas. Eles analisaram uma ampla gama de sequências em seu conjunto de dados.
As proteínas caracterizadas podem ser usadas para desenvolver modelos computacionais melhorados. Eles fornecem uma estrutura para entender como variações sequenciais contribuem para doenças.
O estudo foi publicado na Nature com DOI: 10.1038/s41586-026-10465-z. Ele está disponível para uso pela comunidade científica, conforme informado pelo portal phys.org.
Leia também: Novo atlas catalogará proteínas que ligam-se a elementos da terra rara
📨 Inscreva-se na Newsletter de O Cafezinho
Receba nossas análises e as principais notícias diárias do Brasil e do Sul Global.