Towards reconstruction of the human interactome from positive and negative experimental evidence

In jeder lebenden Zelle schweben und kollidieren tausende Proteine, die ständig versuchen, sich aneinander festzuhalten. Wenn zwei Proteine ineinandergreifen, bilden sie ein Team, das Strukturen aufbauen, Signale senden oder Abfall abbauen kann. Diese Partnerschaften, bekannt als Protein-Protein-Interaktionen, sind die grundlegende Verdrahtung des Lebens. Ohne sie wären Zellen chaotische Ansammlungen von Teilen statt organisierter Maschinen. Seit Jahrzehnten versuchen Wissenschaftler, diese Verbindungen abzubilden und ein riesiges Netzwerkdiagramm zu erstellen, das zeigt, wer mit wem im menschlichen Körper kommuniziert. Diese Karte hilft zu erklären, wie unser Körper in gesundem Zustand funktioniert und wie er in Krankheiten zerfällt. Das Problem ist jedoch, dass die Karte derzeit voller Lücken und Fehler ist. Wir kennen Millionen dieser Verbindungen, aber wir wissen auch, dass viele gemeldeten Verknüpfungen Fehler sind und viele echte Verknüpfungen fehlen. Das größte Problem besteht darin, dass Wissenschaftler bisher nur die erfolgreichen Begegnungen dokumentiert haben. Sie haben aufgeschrieben, welche Proteine sich die Hände geschüttelt haben, aber sie haben selten aufgeschrieben, welche Proteine nebeneinander standen und einander ignorierten.

Dieses Schweigen schafft einen blinden Fleck. Wenn man nur weiß, wer sich getroffen hat, kann man nicht unterscheiden, ob ein Treffen ein seltenes, besonderes Ereignis war oder nur ein glücklicher Zufall. Schlimmer noch: Wenn man versucht, einen Computer vorherzusagen, neue Treffen zu finden, muss man ihn lehren, wie ein „Nicht-Treffen“ aussieht. Normalerweise bringen Wissenschaftler Computern das bei, indem sie raten, dass zwei Proteine Fremde sind, wenn sie bisher nicht zusammen gesehen wurden. Aber das ist eine gefährliche Vermutung. Nur weil zwei Proteine nicht gemeinsam getestet wurden, bedeutet das nicht, dass sie nicht interagieren; es könnte einfach bedeuten, dass noch nie jemand sie in denselben Raum gebracht hat. Um dies zu beheben, setzte sich ein Forscherteam zum Ziel, die fehlende Geschichte dieser Experimente zu rekonstruieren. Sie wollten die unsichtbare Aufzeichnung aller Fälle finden, in denen Proteine getestet wurden, sich aber nicht verbanden.

Die Forscher begannen mit einer massiven Sammlung bestehender Daten und führten Ergebnisse aus über 5.500 verschiedenen, bereits veröffentlichten Experimenten zusammen. Diese Experimente nutzten zwei Hauptmethoden, um Verbindungen zu testen: eine, bei der Proteine in einem Reagenzglas gemischt werden, und eine andere, bei der sie in Hefezellen gezüchtet werden. In diesen Experimenten testen Wissenschaftler meist ein „Köder“-Protein (Bait) gegen viele „Beute“-Proteine (Prey), um zu sehen, welche daran haften bleiben. Die Standardpraxis bestand darin, nur die erfolgreichen Bindungen zu melden. Das Team erkannte jedoch, dass die Liste der erfolgreichen Bindungen tatsächlich einen verborgenen Hinweis auf die Misserfolge enthielt. Wenn ein spezifisches Beute-Protein in einem Reagenzglas an einen Köder haftete, bewies dies, dass das Beute-Protein in diesem speziellen Experiment vorhanden und funktionsfähig war. Daher, wenn dasselbe Beute-Protein im selben Reagenzglas vorhanden war, aber nicht an einen anderen Köder haftete, musste es sich um eine echte Nicht-Bindung handeln. Durch die Nutzung der erfolgreichen Verbindungen, um den gesamten Raum zu kartieren, in dem die Experimente stattfanden, konnte das Team ableiten, welche Proteine getestet wurden, sich aber nicht verbanden.

Unter Verwendung dieser Logik verwandelten die Forscher eine Liste von etwa einer halben Million gemeldeter Interaktionen in einen viel größeren Datensatz, der fast 182 Millionen einzelne Tests enthielt. Daraus identifizierten sie 97 Millionen einzigartige Paare von Proteinen, die getestet worden waren. Entscheidend war, dass sie nun die Paare unterscheiden konnten, die getestet wurden und eine Interaktion zeigten, von jenen, die getestet wurden und nicht interagierten. Sie konzentrierten sich auf die zuverlässigsten Daten: Paare, die mehrfach getestet worden waren. Sie identifizierten über 18 Millionen Paare, die mindestens dreimal getestet wurden und nie Anzeichen einer Verbindung zeigten. Dies sind keine Vermutungen; es sind experimentell bestätigte Nicht-Verbindungen. Das Team fand zudem über 6.000 Paare, die wiederholt getestet wurden und konsistent eine Verbindung zeigten, was ihnen eine hohe Zuversicht gab, dass diese Interaktionen real sind.

Die Forscher prüften dann, ob diese neu gefundenen Nicht-Verbindungen biologisch sinnvoll waren. Sie untersuchten, ob interagierende Proteine gemeinsame Merkmale teilten, wie etwa im selben Teil der Zelle zu leben oder ähnliche Aufgaben zu erfüllen, während die Nicht-Interaktions-Paare dies nicht taten. Die Ergebnisse entsprachen perfekt den Erwartungen. Die bestätigten interagierenden Paare waren viel wahrscheinlicher geneigt, diese Merkmale zu teilen, als die bestätigten Nicht-Interaktions-Paare. Diese Validierung bewies, dass die Methode funktionierte: Das Team hatte erfolgreich eine Ebene negativer Evidenz zurückgewonnen, die zuvor verloren gegangen war. Sie fanden heraus, dass Proteine, die keine Verbindung herstellten, in der Tat funktionell verschieden von denen waren, die es taten, was bestätigte, dass die rekonstruierten Daten nicht bloß zufälliges Rauschen, sondern ein wahres Spiegelbild der biologischen Realität waren.

Mit dieser neuen, verifizierten Liste von Nicht-Verbindungen testete das Team, wie sie die Werkzeuge verbessern konnte, die Wissenschaftler zur Untersuchung dieser Netzwerke nutzen. Zuerst nutzten sie die Daten, um die Genauigkeit anderer groß angelegter Experimente zu überprüfen. Indem sie ermittelten, wie oft diese neuen „negativen“ Paare in anderen Studien auftauchten, konnten sie berechnen, wie viele Fehlalarme diese Studien möglicherweise generiert hatten. Sie fanden heraus, dass einige Experimente Fehlerraten von bis zu 40 % aufwiesen, was bedeutete, dass ein großer Teil ihrer gemeldeten Verbindungen Fehler sein könnte. Dies bietet eine neue Möglichkeit, zukünftige Experimente zu kalibrieren und zu bereinigen. Zweitens testeten sie die Daten an Computermodellen, die darauf ausgelegt sind, Interaktionen vorherzusagen. Als sie diese Modelle mit den neuen, realen negativen Daten statt mit zufälligen Vermutungen trainierten, lieferten die Modelle unterschiedliche und deutlichere Vorhersagen. Die Modelle, die mit echten negativen Daten trainiert wurden, neigten weniger dazu, dieselben Fehler wie jene zu machen, die mit zufälligen Vermutungen trainiert wurden, was darauf hindeutet, dass eine echte Aufzeichnung dessen, was nicht passiert, essenziell dafür ist, Computern beizubringen, was passiert.

Die Studie enthüllte auch etwas Überraschendes über die Proteine selbst. Einige Proteine sind berüchtigt dafür, an allem festzukleben, was sie berühren – sie wirken wie biologischer Kleber –, während andere „Auto-Aktivatoren“ sind, die in Hefe-Experimenten Fehlalarme auslösen. Indem sie beobachteten, wie oft ein Protein gegen viele verschiedene Partner getestet wurde und wie oft es keine Verbindung herstellte, konnten die Forscher diese problematischen Proteine identifizieren. Sie fanden heraus, dass die bekannten Unruhestifter tatsächlich diejenigen waren, die scheinbar wahllos Verbindungen eingingen, unabhängig von ihrem Partner. Dies bietet einen neuen Weg, um diese „verrauschten“ Proteine in der zukünftigen Forschung zu kennzeichnen und herauszufiltern, was zu saubereren und genaueren Karten führt.

Schließlich nutzten die Forscher diese Daten, um die gesamte Form des menschlichen Interaktionsnetzwerks neu zu überdenken. Lange Zeit glaubten Wissenschaftler, dass das Netzwerk einem spezifischen mathematischen Muster folgt, bei dem einige wenige Proteine tausende Verbindungen haben und die meisten nur sehr wenige. Doch als das Team korrigierte, dass einige Proteine einfach häufiger getestet wurden als andere, verschwand dieses Muster. Stattdessen ähnelte die Verteilung der Verbindungen eher einer Glockenkurve, was darauf hindeutet, dass die extremen „Hubs“ (Knotenpunkte), die in früheren Karten zu sehen waren, eher ein Artefakt der Art und Weise sind, wie die Experimente durchgeführt wurden, als ein wahres Merkmal der Biologie. Dieser Befund stellt eine lang gehegte Annahme darüber infrage, wie unsere zellulären Netzwerke aufgebaut sind.

Die Arbeit erhebt nicht den Anspruch, die Karte des menschlichen Interaktoms fertiggestellt zu haben. Das wahre Netzwerk ist nach wie vor riesig und weitgehend unerforscht. Doch indem sie die Geschichte der gescheiterten Experimente rekonstruiert haben, haben die Forscher ein entscheidendes fehlendes Puzzleteil geliefert. Sie haben gezeigt, dass das Fehlen von Beweisen, wenn es korrekt rekonstruiert wird, tatsächlich ein Beweis für die Abwesenheit ist. Diese neue Ressource, die Millionen von bestätigten Nicht-Verbindungen umfasst, steht nun anderen Wissenschaftlern zur Verfügung. Sie bietet eine Möglichkeit, bessere Computer zu trainieren, bessere Experimente zu kalibrieren und letztlich ein genaueres und vollständigeres Bild davon aufzubauen, wie der menschliche Körper auf seiner fundamentalsten Ebene funktioniert.