《Frontiers in Immunology》:AI-driven insights into protein misfolding and innate immunity in neurodegenerative diseases
神经退行性疾病包含一组多样化的疾病谱,从成年发病的阿尔茨海默病、帕金森病,到儿童期发病的神经元蜡样脂褐质沉积症、尼曼-匹克病C型、婴儿神经轴索营养不良等,其特征均为蛋白质错误折叠和慢性神经炎症。在其发生发展过程中,先天免疫系统,特别是中枢神经系统内小胶质细胞介导的免疫反应,起着关键的调控作用。越来越多的证据表明,错误折叠和异常聚集的蛋白质,如β-淀粉样蛋白、Tau、α-突触核蛋白、TDP-43等,不仅是神经毒性因子,还能作为损伤相关分子模式被先天免疫受体识别,从而触发持续性的神经炎症反应。然而,传统的实验和计算方法在系统分析“蛋白质错误折叠-先天免疫激活”机制方面仍存在显著局限。近年来,人工智能在蛋白质结构预测、多构象建模以及多组学数据整合方面取得了突破性进展,为揭示神经退行性疾病谱系中蛋白质错误折叠与先天免疫的内在联系提供了新的研究范式。本文系统性综述了人工智能在预测错误折叠蛋白质的构象特征、模拟蛋白质聚集过程、揭示先天免疫感知机制以及重建神经炎症调控网络等方面的最新应用。重点讨论了AlphaFold、I-TASSER、RoseTTAFold、Phyre2、ESMFold等深度学习模型在蛋白质结构预测领域的意义,以及多模态人工智能技术在揭示神经退行性疾病背后的复杂分子机制(如结合AI与数学模型模拟错误折叠蛋白的播散,并进一步探索与疾病进展的关联)等方面的相关研究。综述还强调了人工智能在应对儿童期神经退行性疾病特有诊断挑战方面的潜力,这些疾病虽然罕见,但总体上造成了毁灭性的终生负担。总之,人工智能工具不仅加深了我们对成年和儿童期神经退行性疾病分子机制的理解,也为开发创新的诊断工具和治疗方法开辟了新途径。
1 引言
神经退行性疾病,包括阿尔茨海默病(Alzheimer’s Disease, AD)、帕金森病(Parkinson’s Disease, PD)、肌萎缩侧索硬化症(Amyotrophic Lateral Sclerosis, ALS)、亨廷顿病(Huntington’s Disease),以及儿童期发病的神经元蜡样脂褐质沉积症(Neuronal Ceroid Lipofuscinoses, NCLs)、尼曼-匹克病C型(Niemann-Pick Type C, NPC)和婴儿神经轴索营养不良(Infantile Neuroaxonal Dystrophy, INAD),是一组以进行性神经元丢失为特征,主要表现为认知或功能障碍的疾病。其核心分子特征包括蛋白质错误折叠和慢性神经炎症。在神经退行性疾病中,错误折叠的蛋白质,如tau、α-突触核蛋白、TDP-43和淀粉样蛋白-β(Amyloid-β, Aβ),是关键的致病因子。这些蛋白质的异常聚集成淀粉样纤维是大多数人类神经退行性疾病的标志。神经炎症是由中枢神经系统炎症细胞(如小胶质细胞、少突胶质细胞等)产生的炎症介质(如细胞因子、趋化因子等)协调的大脑或脊髓内的炎症反应。长期或适应不良的神经炎症在各种神经系统疾病中起核心作用。蛋白质错误折叠和神经炎症构成了神经退行性疾病的共同病理表现。如图1所示,错误折叠的蛋白质(Aβ、Tau、α-突触核蛋白等)作为损伤相关分子模式(Damage-Associated Molecular Patterns, DAMPs)被小胶质细胞和星形胶质细胞上的模式识别受体(Pattern Recognition Receptors, PRRs)识别,诱导小胶质细胞M1/M2极化和星形胶质细胞A1/A2表型转换,从而进一步触发NLRP3炎症小体激活和促/抗炎细胞因子分泌。先天免疫激活具有双重效应:轻度激活可清除错误折叠蛋白,过度激活则导致神经元损伤,揭示了蛋白质错误折叠与慢性神经炎症之间的级联联系。
先天免疫反应在神经退行性疾病中起着至关重要的作用。参与先天免疫反应的细胞不仅包括小胶质细胞和星形胶质细胞,还包括巨噬细胞、自然杀伤细胞、肥大细胞等。小胶质细胞是中枢神经系统常见的先天免疫细胞。根据体内趋化因子和细胞因子的表达,其激活可分为经典(M1)或替代(M2)激活。小胶质细胞可以分泌促炎和抗炎因子,在神经退行性疾病中可能有益也可能有害。星形胶质细胞可产生促炎介质(A1)和免疫调节介质(A2),分别发挥神经炎症和神经保护作用。总之,先天免疫反应在神经退行性疾病的起始和进展中占据不可替代的核心地位。
2 蛋白质错误折叠与先天免疫感知的分子机制
2.1 神经退行中的蛋白质错误折叠
神经退行性疾病的中心分子标志之一是蛋白质异常错误折叠成结构异质且易于聚集的构象。错误折叠的蛋白质不仅具有直接的神经毒性作用,而且在不同疾病背景下表现出显著的构象多样性、亚型特异性和播散特性。越来越多的证据表明,不同的错误折叠蛋白物种可以被先天免疫系统感知并作为损伤相关分子模式,从而激活小胶质细胞和星形胶质细胞,驱动慢性神经炎症反应。不同的蛋白质构象不仅增加了神经退行性疾病的复杂性,也为治疗干预提供了潜在靶点。
2.1.1 错误折叠蛋白质的构象多样性
蛋白质聚集的动力学过程受多种因素影响。错误折叠蛋白质的结构基础近年来受到广泛关注。蛋白质聚集的抑制策略是神经退行性疾病治疗的重要方向。
2.1.1.1 淀粉样蛋白-β
Aβ是由淀粉样前体蛋白(Amyloid Precursor Protein, APP)水解产生的一种小肽。其聚合物形成称为“淀粉样斑块”的病理病变。APP的细胞内β-羧基末端片段(βCTF)切割产生两种蛋白质,Aβ40和Aβ42。这两种是阿尔茨海默病中最常见的类型。此外,还报道了其他一些类型,如Aβ38、Aβ43、Aβ45、Aβ46、Aβ48、Aβ49以及一些更短的切割产物。Aβ蛋白的翻译后修饰,包括氧化、磷酸化、硝化、外消旋化、异构化、谷氨酸焦谷氨酰化和糖基化,可以赋予Aβ蛋白不同的性质并影响其寡聚体的形成。Aβ还形成两种类型的组装体。1型寡聚体出现在AD早期,而2型寡聚体仅在斑块形成后出现。
2.1.1.2 Tau蛋白
Tau蛋白是神经微管系统中最丰富的蛋白质。在人类大脑中,Tau蛋白分为六种亚型。与Aβ类似,Tau蛋白也经历多种类型的翻译后修饰。目前关注的主要是Tau蛋白的异常磷酸化,这被认为是阿尔茨海默病和其他tau相关疾病的病理特征。然而,单独的Tau蛋白磷酸化水平不足以直接定义tau疾病。在不同疾病中,Tau蛋白的聚集可能形成不同的构象,称为tau亚型,如AD-tau、PSP-tau和CBD-tau。不同的tau亚型决定了tau聚集的播种能力和细胞类型特异性。
2.1.1.3 α-突触核蛋白
α-突触核蛋白是一种由140个氨基酸组成的小分子蛋白质。它主要在中枢神经系统的神经元中表达,尤其集中在突触前末端。α-突触核蛋白还有两种同工酶,即β-突触核蛋白和γ-突触核蛋白,它们都属于突触核蛋白家族。与Tau蛋白类似,α-突触核蛋白在不同疾病中也有不同的亚型,如PD-亚型、DLB-亚型和MSA-亚型。这些亚型在其病理表现上显示出显著差异。
2.1.1.4 TDP-43
TDP-43是一种RNA结合蛋白。它包含414个氨基酸残基,由四个结构域组成:一个N端结构域(NTD)、两个RNA识别结构域和一个C端低复杂度结构域(LCD)。NTD可以通过头对尾排列形成二聚体。此外,研究表明NTD也可以转变为单体替代折叠状态,具有较低的聚合倾向。这表明其本质上具有内在的构象可塑性。LCD在促进液滴形成或诱导纤维状聚集方面表现出多种结构和生化特性。
2.1.2 错误折叠蛋白作为损伤相关分子模式
错误折叠蛋白可以在先天免疫过程中作为损伤相关分子模式发挥关键作用。其中最常见的是Aβ。在阿尔茨海默病中,小胶质细胞可以通过A类清道夫受体A1、CD36、CD14、α6β1整合素、CD47和Toll样受体(TLR2、TLR4、TLR6和TLR9)与可溶性淀粉样β(Aβ)寡聚体和Aβ原纤维结合。Aβ与CD36、TLR4和TLR6结合后,可以激活小胶质细胞,产生促炎细胞因子和趋化因子。小胶质细胞内的Aβ还可以通过不同机制触发NLRP1和NLRP3炎症小体的激活。此外,高度磷酸化的微管结合蛋白tau(p-tau)和α-突触核蛋白在神经退行性疾病背景下也可以作为DAMPs激活先天免疫过程。
2.2 中枢神经系统中错误折叠蛋白的先天免疫感知
2.2.1 小胶质细胞和星形胶质细胞的先天免疫功能
在中枢神经系统中,错误折叠和异常聚集的蛋白质不仅是直接的神经毒性因子,也是先天免疫激活的有效内源性触发因素。常驻的先天免疫细胞,特别是小胶质细胞和星形胶质细胞,通过模式识别受体将这些异常蛋白物种感知为损伤相关分子模式,从而启动炎症信号级联反应。在这些通路中,炎症小体——最值得注意的是NLRP3炎症小体——是整合先天免疫信号和放大神经炎症反应的关键枢纽。
2.2.1.1 小胶质细胞
小胶质细胞广泛分布于整个中枢神经系统,是主要的先天免疫细胞。当神经元受损时,小胶质细胞会迁移到受影响区域,发挥其吞噬能力清除碎片或消除病原体,并呈现伪足样形态。然而,新的研究发现,在所谓的“静息”状态下,小胶质细胞并非进入休眠或不活跃状态。这与传统的“两态范式”不同。体内研究表明,分支状小胶质细胞表现出强烈的动态性,其突起不断移动以监测中枢神经系统的结构区域。小胶质细胞的形态多样性受多种生理因素调控,包括区域分布、年龄和生物性别。在健康的生物体中,小胶质细胞在突触可塑性、神经营养支持、髓鞘重塑和维持中枢神经系统内部稳定方面发挥着重要作用。
在疾病早期,小胶质细胞通过表达一系列受体(如TREM2)识别并吞噬Aβ蛋白。它们在细胞内形成致密的核内斑块,以防止有毒Aβ物质的释放。此外,小胶质细胞还会聚集在受影响区域,形成屏障以限制损伤的进一步扩散。当病理刺激持续存在时,小胶质细胞进入过度激活状态,此时其功能变得有害。小胶质细胞表面可表达多种细胞受体,如Toll样受体、核苷酸结合寡聚化结构域样受体和病毒受体,这些受体可以识别病原体相关分子模式和损伤相关分子模式。在受到相应因子刺激后,小胶质细胞可产生促炎细胞因子,如肿瘤坏死因子(TNF)-α、白细胞介素(IL)-1β、IL-16,以及趋化因子如C-C基序趋化因子配体2(CCL2)和IL-18。这些物质可导致持续的神经炎症,成为驱动疾病进展的核心引擎。
2.2.1.2 星形胶质细胞
星形胶质细胞是中枢神经系统中最常见的细胞类型,在先天免疫过程中也起着关键作用。如前所述,星形胶质细胞可以转化为两种形式:A1(神经毒性)和A2(神经保护)。这两种不同类型细胞的形成依赖于小胶质细胞的诱导。A1星形胶质细胞上调多种炎症标志物,如ROS、IL-1β和TNF-α。与其他大多数星形胶质细胞相比,A1反应性星形胶质细胞表现出许多功能损伤,例如诱导突触形成和功能的能力降低、吞噬突触的能力丧失以及促进神经元存活和生长的能力丧失。据报道,A1反应性星形胶质细胞分泌一种神经毒素,可诱导神经元和少突胶质细胞凋亡。如图中所示,A1细胞可以通过释放趋化因子(机制A)建立和扩增局部炎症微环境,从而介导免疫细胞的趋化和募集。在A2星形胶质细胞中,上调的是保护性介质。因此,A2反应性星形胶质细胞的功能主要集中在促进突触修复、生长和神经元存活。同时,A2细胞可以通过抗原呈递等机制调节适应性免疫反应并协调组织修复。
2.2.2 模式识别受体与错误折叠蛋白
模式识别受体是一组参与识别病原体相关分子模式或损伤相关分子模式的受体。模式识别受体在参与先天免疫的细胞中表达,如小胶质细胞、星形胶质细胞和少突胶质细胞。此外,如前文所述,在神经退行性疾病背景下,错误折叠蛋白也可以作为损伤相关分子模式被模式识别受体识别。在神经退行性疾病中,研究最透彻的模式识别受体类型包括Toll样受体、CDS、核苷酸结合寡聚化结构域样受体和AIM2样受体,它们共同形成炎症小体。炎症小体是细胞质多聚复合物,可以产生重要的先天免疫介质。多项研究表明,NLRP3炎症小体在各种神经退行性疾病中起着关键的致病作用。
2.2.3 炎症小体对神经炎症的影响
神经退行性疾病中的多种信号可异常激活NLRP3,从而驱动疾病进展。NLRP3炎症小体的成功激活需要两个信号。由NF-κB激活刺激提供的起始信号将促进NLRP3和前体-IL-1β的转录表达。激活信号由各种NLRP3激活剂提供,包括病原体相关分子模式、聚集和错误折叠的蛋白质、ATP和晶体物质。NLRP3组装并激活后,触发IL-1β和IL-18的成熟。IL-1β可以进一步激活周围的小胶质细胞和星形胶质细胞,使其产生更多的促炎因子。IL-18不仅能诱导促炎因子的产生,还能增强胶质细胞中Fas配体的表达,从而加剧神经炎症中Fas介导的神经元细胞死亡。此外,炎症小体还可以触发细胞焦亡。炎症小体的激活导致Caspase-1和Gasdermin-D的激活,并允许促炎性IL-1家族细胞因子的分泌。Gasdermin-D在质膜上寡聚化,导致孔道形成、细胞内容物释放,最终导致细胞裂解。
3 研究蛋白质错误折叠和免疫反应的人工智能方法
3.1 研究蛋白质错误折叠的人工智能方法
蛋白质错误折叠和异常聚集是神经退行性疾病发生和进展的中心分子事件,但其结构表征长期以来一直受到实验结构可用性有限的制约。人工智能驱动的蛋白质结构预测的最新进展从根本上重塑了这一格局,其方法涵盖从经典的基于模板的组装框架到端到端的深度学习模型和蛋白质语言模型。这些方法在解析稳定的折叠核心、建模多结构域架构、识别固有无序区域以及评估疾病相关突变的结构影响方面提供了互补的优势。它们共同构成了一套快速发展的计算工具包,用于剖析蛋白质错误折叠的结构基础。
3.1.1 AlphaFold系列
AlphaFold系列模型代表了蛋白质结构预测领域的里程碑式突破,其核心创新在于将深度学习与来自蛋白质序列的进化信息以及空间几何约束进行端到端集成。通过学习大规模多序列比对数据,该模型系统地捕获了残基之间的共进化关系。结合注意力机制和几何推理模块,它准确地模拟了蛋白质中的长程相互作用,从而在不显式引入传统物理能量函数的情况下,实现了蛋白质三维结构的高精度预测。特别是在AlphaFold2中,引入的Evoformer架构和结构模块使得序列表示和空间表示之间能够迭代更新,赋予了模型直接从序列推断空间构象的能力。它在多个国际结构预测评估中的预测精度接近甚至达到实验分辨率水平。继AlphaFold2之后,其最新迭代版本AlphaFold 3于2024年发布,在架构和功能上取得了重大突破。与AlphaFold2相比,AlphaFold 3使用简化的Pairformer模块取代了原来的Evoformer,并引入了扩散模块直接生成三维原子坐标,显著改善了蛋白质-小分子相互作用、蛋白质-核酸相互作用以及翻译后修饰位点的预测。这一进展对于研究神经退行性疾病中“蛋白质错误折叠-先天免疫感知”轴具有特殊价值。AlphaFold 3为这类复杂相互作用复合物的结构建模提供了更直接、更准确的计算工具,通过更全面地整合序列、结构和化学背景,能够预测更广泛的生物分子结构及其相互作用。
3.1.2 TASSER和I-TASSER系列模型
TASSER模型及其随后开发的I-TASSER系列代表了一个经典的人工智能驱动的蛋白质结构预测框架,它集成了模板比对、统计势函数和计算模拟。与纯基于模板的建模或端到端的深度学习方法不同,TASSER的核心思想是首先将蛋白质序列映射到潜在的折叠模板空间,然后在粗粒度表示下进行构象重组和能量优化。在此基础上,I-TASSER进一步引入了多线程比对和蒙特卡洛采样策略,使其在CASP结构预测评估的多轮中保持领先性能。
近年来,I-TASSER框架与深度学习模型的集成显著扩展了其结构预测能力,特别是在多结构域蛋白质建模方面。为了应对生物系统中广泛存在的多结构域蛋白质,I-TASSER-MTD流水线集成了基于深度神经网络的空间约束预测,并将其与DEMO等结构组装算法相结合。这使得从序列开始,能够自动进行结构域识别、单结构域建模和全长结构组装。这种“分而组装”的策略有效地缓解了多结构域蛋白质带来的建模挑战。I-TASSER采用显式的“分而组装”策略:从目标蛋白的氨基酸序列开始,首先通过多线程比对和迭代结构组装模拟生成全长原子结构模型,然后进行原子级结构细化,最后逐步推断序列和结构特征比较。这种模块化方法的理论优势在于其有效缓解了多结构域蛋白质固有的高构象熵问题。I-TASSER的模块化框架与神经退行性疾病研究中的结构域特异性错误折叠非常契合。I-TASSER已经被用于预测ADO的三维结构,并评估其在神经退行性疾病中的病理变化和后果;近年来,研究人员应用I-TASSER技术精确研究FUS蛋白,并开发针对FUS蛋白的天然抑制剂以对抗神经退行性疾病。
3.1.3 RoseTTAFold
RoseTTAFold由Baker团队引入,其核心创新在于一个三轨网络架构,该架构能够协调氨基酸序列、残基间距离或接触信息以及三维坐标的迭代更新。这种设计使得模型能够以相对较低的计算成本快速实现可靠的三维蛋白质结构预测,在预测精度和计算效率之间取得了良好的平衡。
这一特点使得RoseTTAFold特别适合大规模结构建模与错误折叠相关的蛋白质及其变体。在蛋白质错误折叠研究中,RoseTTAFold已被用于预测疾病相关蛋白质(如Tau和α-突触核蛋白)的结构框架和关键折叠基序。这些预测为分析突变或异常修饰对蛋白质构象稳定性的影响提供了结构基础。虽然该模型主要预测单一的稳定构象,但其生成的结构模型可以作为分子动力学模拟和聚集过程建模的初始结构,有助于探索错误折叠到聚集转变的早期阶段。此外,由于其开放获取性和计算效率,RoseTTAFold被广泛用于蛋白质结构数据库的快速扩展和细化,从而为后续研究蛋白质错误折叠的结构基础及其与先天免疫识别的相互作用提供了必要的数据支持。
3.1.4 Phyre2
Phyre2是一种基于模板的建模工具,用于蛋白质结构预测。其核心优势在于利用蛋白质结构在进化过程中的高度保守性。通过使用隐马尔可夫模型和进化谱匹配,它在目标序列和已知结构数据库之间进行远程同源性比对,从而即使在序列相似性较低的情况下也能构建可靠的三维结构模型。该方法已广泛应用于大规模基因组注释,并在CASP评估中表现出稳定且可重复的预测性能。
在错误折叠蛋白质研究中,Phyre2为许多缺乏实验结构数据的疾病相关蛋白质提供了重要的结构参考。它对于分析蛋白质内潜在的结构化区域及其空间定位特别有用。对于易于错误折叠或包含低复杂度片段的蛋白质,如Tau和α-突触核蛋白,Phyre2预测的结构模型可以帮助解读关键结构单元、突变位点的空间分布及其潜在的功能意义。这为后续研究蛋白质聚集倾向、病理构象的形成以及相关的免疫识别机制奠定了结构基础。
3.1.5 ESMFold
ESMFold由Meta AI开发,基于ESM-2蛋白质语言模型,对大规模蛋白质序列进行自监督学习,以捕获序列水平的统计模式和潜在结构信息。这使得无需多序列比对即可进行三维结构预测。这一范式在蛋白质结构预测领域具有重要意义,特别是对于同源序列稀少或进化信息不足的蛋白质,提供了一种新的解决方案。
在错误折叠蛋白质研究中,ESMFold为分析低同源性区域、固有无序区域和疾病相关突变提供了一种新的结构预测工具。许多与神经退行性疾病相关的蛋白质(如Tau)包含广泛的固有无序区域,其异常折叠和聚集被认为是触发先天免疫反应的关键因素。ESMFold生成的结构预测可以为识别潜在的聚集倾向区域、免疫受体识别位点和蛋白质-蛋白质相互作用界面提供初步的结构见解。此外,其高通量预测能力为系统分析错误折叠蛋白质的构象多样性及其与疾病进展的关系创造了机会。值得注意的是,ESMFold在处理高度复杂或极端构象状态时,预测稳定性仍面临挑战。因此,其结果通常需要与分子模拟、实验数据或其他AI模型相结合,以增强对错