AlphaConformers: Structure-guided sampling enables prediction of multiple protein conformations

Proteine sind die Arbeitstiere des Lebens, winzige Maschinen, die Zellen aufbauen, Infektionen bekämpfen und die chemischen Reaktionen durchführen, die uns am Leben erhalten. Lange Zeit betrachteten Wissenschaftler diese Moleküle als statische Objekte, wie starre Statuen mit einer einzigen, unveränderlichen Form. Wir wissen heute, dass diese Sichtweise unvollständig ist. Proteine sind dynamisch; sie atmen, biegen sich und verändern ihre Formen, um verschiedene Aufgaben zu erfüllen. Ein Protein kann auf eine Weise aussehen, wenn es im Ruhezustand ist, und völlig anders, wenn es aktiv ist oder an ein Medikament gebunden ist. Das Verständnis dieser Veränderungen ist entscheidend, denn die Form eines Proteins bestimmt seine Funktion. Wenn ein Wissenschaftler ein Medikament entwickeln möchte, um eine Krankheit zu stoppen, muss er genau wissen, welche Form das Zielprotein annimmt, wenn es arbeitet, und nicht nur die Form, die es hält, wenn es ruht.

Bis vor kurzem veränderte ein leistungsstarkes Computerprogramm namens AlphaFold2 die Spielregeln, indem es Proteinformen mit unglaublicher Genauigkeit vorhersagte. Dieses Programm hat jedoch einen blinden Fleck: Es neigt dazu, nur eine Version eines Proteins zu erzeugen, meist die stabilste oder häufigste Form. Es übersieht oft die alternativen Formen, die ein Protein annehmen könnte, insbesondere jene, die auftreten, wenn das Protein mit anderen Molekülen interagiert. Diese Einschränkung hinterlässt bei Forschern ein unvollständiges Bild, da sie nicht in der Lage sind, das volle Spektrum der Bewegung zu sehen, das definiert, wie diese biologischen Maschinen tatsächlich arbeiten.

Um dies zu lösen, entwickelte ein Forscherteam einen neuen Ansatz namens AlphaConformers. Anstatt den Computer zu bitten, eine Form von Grund auf neu zu erraten, leitet diese neue Methode das Programm mithlich realen Beispielen aus der Natur. Die Kernidee ist einfach, aber kraftvoll: Wenn ein Protein schon einmal seine Form verändert hat, ist es wahrscheinlich, dass andere, ähnliche Proteine dasselbe getan haben. Die Forscher bauten ein System, das durch riesige Datenbanken bekannter Proteinstrukturen sucht, um diese ähnlichen Verwandten zu finden. Sobest diese gefunden wurden, werden die verwandten Strukturen nebeneinander angeordnet und in Gruppen organisiert, die verschiedene mögliche Formen repräsentieren. Diese Gruppen werden dann als spezifische Hinweise oder Hypothesen darüber, wie das Zielprotein in verschiedenen Zuständen aussehen könnte, in das Vorhersageprogramm eingespeist.

Das System führt das Vorhersageprogramm dann mehrmals aus, wobei es jedes Mal in Richtung einer dieser durch die Datenbank vorgeschlagenen alternativen Formen gelenkt wird. Das Ergebnis ist eine Sammlung verschiedener Modelle desselben Proteins, anstatt nur einer einzigen Antwort. Die Forscher sortieren diese Modelle dann, gruppieren ähnliche zusammen und filtern die weniger wahrscheinlichen Optionen heraus. Dieser Prozess ermöglicht es ihnen, ein Spektrum von Formen zu sehen, wodurch die subtilen Bewegungen sichtbar werden, die ein Protein macht, während es zwischen seinem Ruhezustand und seinem aktiven, Liganden-gebundenen Zustand wechselt.

Das Team testete diese Methode an einem sorgfältig ausgewählten Satz von 88 Proteinen, für die Wissenschaftler bereits sowohl die Ruheform als auch die Form, die bei der Bindung an ein Molekül eingenommen wird, kannten. In diesen Tests versagte das Standard-Vorhersageprogramm oft dabei, die alternative Form zu finden, und blieb stattdessen bei der einzigen, häufigsten Form. AlphaConformers hingegen konnte die Suche erfolgreich erweitern und diese fehlenden Zustände wiederherstellen. Es schnitt besser ab als andere derzeit verfügbare fortgeschrittene Methoden und belegte den ersten Platz in seiner Fähigkeit, die kleinen, feinen Verschiebungen zu modellieren, die zwischen den beiden Zuständen auftreten.

Diese Ergebnisse zeigen, dass die in wissenschaftlichen Datenbanken bereits gespeicherten Strukturinformationen genutzt werden können, um leistungsstarke Vorhersagewerkzeuge zu einem vollständigeren Verständnis des Proteinverhaltens zu führen. Indem sie das kollektive Wissen darüber nutzten, wie sich ähnliche Proteine bewegen, zeigten die Forscher, dass es möglich ist, einen Computer dazu anzuleiten, das volle Spektrum des Lebens eines Proteins zu sehen und nicht nur einen einzigen eingefrorenen Moment. Dies bedeutet nicht, dass das Problem der Vorhersage jeder möglichen Proteinform gelöst ist, aber es beweist, dass der Weg nach vorn darin liegt, die reiche Geschichte bekannter Strukturen zu nutzen, um die Vorhersage des Unbekannten zu unterstützen.