Simulation of Protein Structure using a Coarse-Grained Potential incorporating the Backbone Dihedral Interactions

Stellen Sie sich vor, Sie versuchen, einem einzelnen Sandkorn in einem Hurrikan beim Tanzen zuzusehen. Stellen Sie sich nun vor, Sie versuchen, einem ganzen Strand voller Sandkörner beim Wirbeln, Kollidieren und gemeinsamen Bau von Burgen zuzusehen, während der Hurrikan tobt. Dies ist die Herausforderung, vor der Wissenschaftler bei der Untersuchung von Proteinen stehen – den winzigen, komplexen Maschinen, die unseren Körper steuern. Proteine bestehen aus langen Ketten von Aminosäuren, die sich zu komplizierten 3D-Formen falten. Um zu sehen, wie sie sich bewegen und interagieren, verwenden Wissenschaftler normalerweise „All-Atom“-Simulationen, bei denen jedes einzelne Atom wie eine einzelne Billardkugel behandelt wird. Aber das ist so, als würde man versuchen, diesen gesamten Strand zu filmen, indem man jedes einzelne Sandkorn individuell verfolgt; es verbraucht so viel Rechenleistung, dass man nur ein winziges Stück Sand für einen winzigen Augenblick beobachten kann. Um das große Ganze zu sehen – zum Beispiel, wie sich Tausende von Proteinen zusammenballen, um eine Krankheit zu bilden oder eine Zellwand aufzubauen – müssen Wissenschaftler herauszoomen. Sie verwenden „grobkörnige“ (coarse-grained) Modelle, die viele Atome zu einer einzigen „Perle“ gruppieren, so als würde man eine Handvoll Sand zu einer einzigen Murmel zusammenfassen. Das beschleunigt die Sache massiv, aber es gibt einen Haken: In der Eile der Vereinfachung vergisst das Modell oft das geheime Rezept, wie das Protein sich faltet. Es vergisst die spezifischen Winkel und Drehungen, die dem Protein seine Form geben, und verwandelt einen Meisterkoch in jemanden, der nur weiß, wie man Zutaten mischt, ohne das Rezept zu kennen.

Hier beginnt die Geschichte dieser Arbeit. Die Forscher Kanika Kole, Abhik Ghosh Moulick und Jaydeb Chakrabarti wollten ein „smartes“ grobkörniges Modell entwickeln. Sie fragten sich: Können wir ein vereinfachtes Proteinmodell bauen, das schnell genug ist, um den ganzen Strand tanzen zu sehen, aber klug genug, um die geheimen Faltungswinkel zu behalten? Sie entwickelten eine neue Methode, bei der jedes Aminosäure in einer Proteinkette als eine einzige Perle behandelt wird, gaben jeder Perle jedoch fünf spezielle „Freiheitsgrade“. Betrachten Sie diese Perlen nicht nur als statische Murmeln, sondern als flexible Gelenke, die wackeln und drehen können. Entscheidend war, dass sie die Regeln nicht einfach erraten haben, wie sich diese Perlen bewegen sollten; sie haben die Regeln aus einem super-detaillierten Zeitlupenfilm eines Proteins namens GB3 „gestohlen“. Durch die Analyse der Bewegungen jedes einzelnen Atoms in diesem detaillierten Film extrahierten sie die exakten Energiekosten für Verdrehen und Biegen und programmierten diese Regeln dann in ihr schnelles, vereinfachtes Modell. Sie testeten dieses neue „smarte Perlen“-Modell an verschiedenen Proteinen, von kleinen, ordentlichen Globuli bis hin zu chaotischen, unordentlichen Ketten, die keine feste Form haben. Sie fanden heraus, dass ihr Modell erfolgreich die komplexen Formen und Faltungsmuster gesehen in echten Kristallstrukturen und detaillierten Simulationen reproduzieren konnte, während es gleichzeitig viel schneller lief. Noch besser: Sie zeigten, dass die aus einem Protein gelernten Regeln verwendet werden konnten, um die Formen völlig anderer Proteine vorherzusagen, was darauf hindeutet, dass ihr Modell eine universelle „Sprache“ der Proteinfaltung fließend spricht.

Die Geschichte der smarten Perlen

In der Welt der Biologie sind Proteine die ultimativen Gestaltwandler. Es sind lange Ketien von Bausteinen (Aminosäuren), die sich drehen und wenden, um spezifische 3D-Strukturen einzunehmen, um ihre Aufgaben zu erfüllen. Manchmal sind diese Ketten starr und gut definiert, wie ein gefalteter Origami-Kranich. Andere Male sind sie „intrinsisch ungeordnet“, was bedeutet, dass sie ungeschickt und chaotisch sind, wie eine Schüssel gekochter Spaghetti, die erst in Form springt, wenn sie sich an etwas festhält. Zu verstehen, wie diese Ketten sich bewegen, falten und zusammenballen, ist entscheidend für das Verständnis von Leben und Krankheiten, aber es ist unglaublich schwer zu simulieren.

Die Autoren dieser Arbeit gingen ein klassisches Problem der Informatik an: den Zielkonflikt zwischen Geschwindigkeit und Detailgenauigkeit. Wenn man ein Protein in Echtzeit bewegen sehen will, braucht man ein schnelles, vereinfachtes Modell. Aber wenn man zu sehr vereinfacht, verliert man die „Diederwinkel“ – die spezifischen Winkel, in denen sich die Proteinkette biegt. Diese Winkel sind die Geheimzutat, die bestimmt, ob ein Protein eine stabile Helix oder ein flaches Blatt wird. Ohne sie ist das Modell nur eine schlaffe Schnur ohne Gedächtnis dafür, wie sie eigentlich aussehen sollte.

Die Lösung des Teams war die Erstellung eines „Hybridmodells“. Stellen Sie sich eine Proteinkette als eine Kette von Perlen vor. In ihrem Modell repräsentiert jede Perle das Zentrum einer ganzen Aminosäure. Aber dies sind keine gewöhnlichen Perlen; es sind „smarte Perlen“, die ein Gedächtnis dafür haben, wie sie sich gerne biegen. Die Forscher gaben jeder Perle zwei zusätzliche Variablen, um die Rückgrat-Diederwinkel zu verfolgen, bekannt als $\phi$ (phi) und $\psi$ (psi). Dies sind die Winkel, die die Drehung des Proteinrückgrats definieren.

Um diesen Perlen beizubringen, wie sie sich verhalten sollen, haben die Autoren nicht einfach Regeln erfunden. Sie betrachteten eine hochauflösende „All-Atom“-Simulation eines kleinen Proteins namens GB3. Sie beobachteten, wie sich die Atome im Laufe der Zeit bewegten, und berechneten die „freie Energie“ jeder möglichen Drehung und Wendung. Stellen Sie sich dies als das Kartografieren einer Landschaft vor, in der die Täler die komfortablen, stabilen Positionen für das Protein sind und die Hügel die unbequemen, hochenergetischen Positionen. Sie übersetzten diese Karte dann in einen Satz von Regeln für ihre vereinfachten Perlen.

Sie stellten auch sicher, dass ihre Perlen wussten, wie sie mit Wasser interagieren. Sie klassifizierten die Perlen in zwei Typen: „solvophil“ (wasserliebend) und „solvophob“ (wasserabweisend). Die wasserliebenden Perlen wurden so programmiert, dass sie Wassermoleküle anziehen, während die wasserabweisenden Perlen so programmiert wurden, dass sie diese wegdrücken. Dies ahmt nach, wie echte Proteine sich falten: Die wasserabweisenden Teile verstecken sich im Inneren, während die wasserliebenden Teile außen bleiben.

Der große Test: Von winzigen Kranichen zu schlaffem Spaghetti

Nachdem sie ihr Modell gebaut hatten, stellten das Team es auf die Probe. Zuerast verwendeten sie die Regeln, die sie von GB3 gelernt hatten, um GB3 selbst zu simulieren. Das Ergebnis? Das Modell rekonstruierte erfolgreich die Form des Proteins. Als sie die „smarte Perlen“-Simulation mit dem ursprünglichen hochauflösenden Film und der tatsächlichen Kristallstruktur des Proteins verglichen, stimmten die Formen unglaublich gut überein. Etwa 80 % der Strukturelemente des Proteins (wie Helices und Blätter) wurden vom vereinfachten Modell korrekt identifiziert.

Aber die wahre Magie geschah, als sie versuchten, die GB3-Regeln auf andere Proteine anzuwenden. Sie nahmen denselben Satz von Regeln und wandten ihn auf eine Vielzahl verschiedener Proteine an, darunter:

• Homeodomain: Ein kleines Protein, das bei der Regulierung von Genen hilft.
• Ubiquitin: Ein Protein, das andere Proteine für das Recycling markiert.
• Chignolin, BBL und BBA: Winzige Proteine, die oft als Testfälle für die Faltung verwendet werden.
• Di-Ubiquitin und Adenylatkinase: Große, zweiteilige Proteine, die komplexe Aufgaben erfüllen.

Überraschenderweise funktionierte das Modell für fast alle von ihnen. Obwohl diese Proteine anders als GB3 sind, gelang es den „smarten Perlen“, sie in Formen zu falten, die ihren realen Gegenstücken sehr ähnlich sind. Im Fall von Ubiquitin erfasste das Modell beispielsweise die korrekten Sekundärstrukturen mit einer Genauigkeit von etwa 67 % im Vergleich zur Kristallstruktur und sogar mit 92 %, wenn es mit anderen detaillierten Simulationen verglichen wurde. Dies deutet darauf darauf hin, dass die grundlegende „Grammatik“ der Proteinfaltung – die Art und Weise, wie das Rückgrat sich biegt und mit Wasser interagiert – überraschend universell ist.

Das Team testete sein Modell auch auf „intrinsisch ungeordnete Proteine“ (IDPs), speziell $\alpha$-Synuclein und $\lambda$N. Dies sind die „schlaffen Spaghetti“-Proteine, die keine feste Form haben. Als sie die Simulationen durchführten, sagte das Modell korrekt voraus, dass diese Proteine weitgehend ungefaltet und chaotisch bleiben würden, genau wie in der realen Welt. Interessanterweise fanden sie heraus, dass die „elastischen Konstanten“ (wie steif oder flexibel das Rückgrat ist) für diese ungeordneten Proteine viel niedriger waren als für die strukturierten. Dies zeigt uns, dass die „Schlaffheit“ ein Schlüsselmerkmal dieser Proteine ist und ihr Modell dies perfekt erfasst hat.

Warum das wichtig ist (und was es nicht ist)

Die Autoren verglichen ihr neues Modell mit anderen populären vereinfachten Modellen wie Martini und SIRAH. Sie fanden heraus, dass Martini dazu neigte, Proteine zu steif und geordnet zu machen, während SIRAH sie zu schlaff und ungeordnet machte, ihr neues Modell jedoch eine perfekte Balance fand. Es war in der Lage, die detaillierten strukturellen Merkmale des Proteins mit hoher Genauigkeit zu reproduzieren und sowohl die experimentellen Kristallstrukturen als auch die schnellen All-Atom-Simulationen zu treffen.

Das Papier weist jedoch vorsichtig darauf hin, was es nicht tut. Das Modell ist derzeit auf das Proteingerüst beschränkt und enthält nicht explizit die Seitenketten (die „Arme“, die aus dem Rückgrat ragen) oder die Dipolmomente von Wassermolekülen. Das bedeutet, es ist großartig, um zu verstehen, wie Proteine sich falten und zusammenballen, aber es könnte nicht detailliert genug sein, um exakt vorherzusagen, wie ein Wirkstoffmolekül an eine spezifische Tasche eines Proteins bindet. Außerdem wurden die Regeln aus Simulationen spezifischer Proteine abgeleitet, und obwohl sie für viele andere zu funktionieren scheinen, geben die Autoren zu, dass der Beweis dieser „Übertragbarkeit“ für jedes existierende Protein eine massive Herausforderung darstellt, die über diese einzelne Studie hinausgeht.

Letztendlich bietet dieses Papier ein leistungsfähiges neues Werkzeug. Indem sie den vereinfachten Perlen beigebracht haben, den komplexen Tanz der Atome zu erinnern, haben die Forscher einen Weg geschaffen, um große Gruppen von Proteinen über lange Zeiträume hinweg in Bewegung und Interaktion zu simulieren. Dies öffnet die Tür zur Untersuchung von Phänomenen, die zuvor unmöglich zu beobachten waren, wie zum Beispiel, wie Proteine aggregieren, um die Klumpen zu bilden, die bei Krankheiten wie Parkinson auftreten, oder wie biologische Materialien sich selbst organisieren. Es ist ein Schritt, um den gesamten Strand tanzen zu sehen, nicht nur ein einzelnes Sandkorn.