Machine Learning-Based Development of Gadolinium Binding Peptides.

چکیده اصلی

Gadolinium-based contrast agents (GBCAs) are indispensable tools in magnetic resonance imaging (MRI), yet their clinical use is limited by non-specific tissue accumulation, low molecular specificity, and safety concerns. Protein and peptide scaffolds provide a promising alternative because they can bind metal ions with high selectivity and enable precise molecular targeting. However, identifying short peptide motifs with optimal gadolinium (Gd3+) coordination and high relaxivity remains a major challenge. Here, we used a machine-learning-driven peptide evolution platform, the Protein Optimization Engineering Tool (POET), to design and optimize short Gd-binding motifs that enhance longitudinal relaxivity (r1). Two algorithmic strategies were tested: motif-based and regular-expression-based representations. Both algorithms were trained on an initial set of 74 twelve-amino-acid peptides derived from natural EF-hand scaffolds. Through two rounds of directed evolution and experimental screening, POET predicted peptides with up to a 24% increase in r1 ratio compared with the best natural EF-hand. Further analysis revealed that peptides exhibiting higher relaxivity generally possessed a more negative net charge and lower isoelectric point than the buffer pH, indicating stronger electrostatic stabilization of Gd3+. Sequence enrichment analysis showed that acidic and small polar residues, particularly aspartic acid, glycine, and threonine, were selectively favored during evolution, while bulky hydrophobic and basic residues were depleted. These compositional trends align with improved solubility and enhanced metal coordination. Together, these results demonstrate a generalizable framework that integrates computational evolution with biophysical screening to discover new biologically derived Gd-binding motifs. This approach provides a scalable route to engineer responsive, tunable, and biocompatible MRI contrast tags for precision imaging and molecular diagnostics.

ترجمه فارسی چکیده

عوامل حاجب تصویر مبتنی بر گادولینیوم (GBCA) ابزارهای ضروری در تصویربرداری رزونانس مغناطیسی (MRI) هستند، اما استفاده بالینی آن‌ها محدودیت‌هایی مانند تجمع غیراختصاصی بافت، خاصیت مولکولی کم و نگرانی‌های ایمنی دارد. اسکلت‌های پروتئینی و پپتیدی جایگزین امیدوارکننده‌ای هستند زیرا می‌توانند یون‌های فلزی را با انتخاب بالا پیوند دهند و هدف‌گیری مولکولی دقیق را ممکن سازند. با این حال، شناسایی مولیف‌های کوتاه پپتیدی با بهینه‌سازی هماهنگی گادولینیوم (Gd3+) و رلکسیویتی طولی بالا همچنان چالش بزرگی است. در اینجا، ما از پلتفرم تکامل پپتیدی مبتنی بر یادگیری ماشین، ابزار مهندسی بهینه‌سازی پروتئین (POET)، برای طراحی و بهینه‌سازی مولیف‌های کوتاه پیوند‌دهنده گادولینیوم استفاده کردیم که رلکسیویتی طولی (r1) را افزایش می‌دهند. دو استراتژی الگوریتمی مورد آزمایش قرار گرفت: مبتنی بر مولیف و مبتنی بر عبارات منظم. هر دو الگوریتم بر روی مجموعه اولیه ۷۴ پپتید ۱۲ آمینواسیدی مبتنی بر اسکلت‌های طبیعی EF-hand آموزش دیدند. از طریق دو دور تکامل هدایت‌شده و غربالگری آزمایشی، POET پپتیدهایی را پیش‌بینی کرد که تا ۲۴٪ افزایش نسبت r1 نسبت به بهترین EF-hand طبیعی داشتند. تحلیل‌های بیشتر نشان داد که پپتیدهایی که رلکسیویتی بالاتری داشتند، معمولاً بار خالص منفی بیشتری و نقطه ایزوالکتریک پایین‌تری نسبت به pH محیط داشتند که نشان‌دهنده پایداری الکترواستاتیک قوی‌تر Gd3+ است. تحلیل غنی‌سازی توالی نشان داد که اسیدهای آمینه اسیدی و قطبی کوچک، به‌ویژه اسید آسپارتیک، گلیسین و تریونین، در طول تکامل به‌طور انتخابی ترجیح داده شدند، در حالی که باقیمانده‌های آبدوست و حجیم و اسیدهای آمینه بازی حذف شدند. این روند ترکیبی با افزایش حلالیت و هماهنگی فلز بهبود یافته همسو است. این نتایج نشان‌دهنده یک چارچوب قابل تعمیم است که تکامل محاسباتی را با غربالگری بیوفیزیکی برای کشف مولیف‌های جدید پیوند‌دهنده گادولینیوم مبتنی بر زیست‌شناسی ادغام می‌کند. این رویکرد مسیری مقیاس‌پذیر برای مهندسی برچسب‌های حاجب تصویر MRI واکنش‌گرا، قابل تنظیم و سازگار با زیست‌فرهنگ برای تصویربرداری دقیق و دیاگنستیک مولکولی فراهم می‌کند.

متن کامل اصلی