Targeted finetuning enables co-folding models to learn ligand-induced protein conformational states

Seit Jahrzehnten suchen Wissenschaftler nach einem Weg, die dreidimensionale Form eines Proteins allein durch den Blick auf seinen genetischen Code vorherzusagen. Dies ist keine kleine Leistung, da Proteine keine starren Stäbe sind, sondern flexible Ketten, die sich verdrehen und winden, um komplexe Formen einzunehmen, um ihre Aufgaben zu erfüllen. In den letzten Jahren sind leistungsstarke Computermodelle entstanden, die diese Formen mit bemerkenswerter Genauigkeit vorhersagen können, selbst wenn ein Protein an ein kleines Molekül, wie etwa ein Medikament, gebunden ist. Diese Modelle, oft als Co-Folding-Tools bezeichnet, werden mit riesigen Bibliotheken bekannter Strukturen trainiert und lernen die allgemeinen Regeln, wie Proteine und Moleküle zusammenpassen. Dennoch bleibt eine erhebliche Hürde bestehen: Diese Modelle haben oft Schwierigkeiten, wenn sie mit einem Protein konfrontiert werden, das seine Form als Reaktion auf ein neues Medikament ändert, oder wenn das Medikament an einen Teil des Proteins bindet, der zuvor noch nie gesehen wurde. Wenn ein Modell diese Veränderungen nicht sehen kann, kann es Forscher nicht dabei unterstützen, Medikamente zu entwickeln, die darauf beruhen, wodurch eine Lücke zwischen dem entsteht, was der Computer vorhersagt, und dem, was tatsächlich in einer lebenden Zelle geschieht.

Ein Forscherteam hat diese Lücke kürzlich geschlossen, indem es aufzeigte, dass das Scheitern dieser Modelle nicht auf einen Fehler in ihrem Design zurückzuführen ist, sondern vielmehr auf eine Verzerrung in den Daten, mit denen sie unterrichtet wurden. Sie demonstrierten, dass das Modell durch das sorgfältige Unterrichten mit einigen wenigen spezifischen neuen Beispielen lernen konnte, komplexe, bisher ungesehene Verhaltensweisen vorherzusagen. Unter Verwendung von zehn neuen Röntgenbildern eines Proteins namens Werner-Helikase, das an der DNA-Reparatur beteiligt ist und im Rahmen eines Wirkstoffforschungsprogramms untersucht wurde, nahmen die Forscher ein leistungsstarkes bestehendes Modell und gaben ihm eine gezielte Lektion. Sie zeigten dem Modell, wie sich dieses Protein in einen inaktiven Zustand einrastet, wenn ein spezifisches Medikament an eine ungewöhnliche Stelle bindet – eine Veränderung, mit der das ursprüngliche Modell noch nie konfrontiert worden war. Das Ergebnis war ein Modell, das nicht nur diese neue, verriegelte Form vorhersagen konnte, sondern auch die Bindungsstelle des Medikaments korrekt identifizierte, während es gleichzeitig seine ursprüngliche Fähigkeit beibehielt, die normale, aktive Form des Proteins vorherzusagen.

Die Forscher fanden heraus, dass dieses neu trainierte Modell mehr tat, als nur diese zehn spezifischen Bilder auswendig zu lernen. Es lernte die zugrunde liegende Logik, wie das Medikament das Protein zur Veränderung zwingt, was es ermöglichte, auf verschiedene chemische Serien von Medikamenten zu generalisieren, die es zuvor noch nie gesehen hatte. Darüber hinaus übertrug sich dieses neue Verständnis auf andere Proteine derselben Familie, bekannt als RecQ-Helikasen, jedoch nur, wenn die spezifische Sequenz der Bindungsstelle der Logik entsprach, die das Modell gelernt hatte. Dies deutet darauf hin, dass das Modell tatsächlich den Mechanismus der Veränderung erfasst hatte, anstatt nur die Formen zu kopieren. Die Arbeit zeigt, dass diese leistungsstarken Computermodelle angepasst werden können, sobald neue Strukturdaten verfügbar sind, was es ermöglicht, die subtilen, ligand-induzierten Schalter zu erfassen, die zentral dafür sind, wie die Biologie reguliert wird und wie Medikamente intervenieren können. Indem sie zeigten, dass die Einschränkung in den Trainingsdaten und nicht in der Architektur liegt, bietet die Studie einen klaren Weg nach vorn, um diese Werkzeuge zu aktualisieren, damit sie die dynamische, sich verändernde Natur von Proteinen in der realen Welt erfassen können.