Predicting single mutation effects on binding affinity at protein-protein interfaces based on MMPBSA calculations
Diese Arbeit präsentiert einen benutzerfreundlichen, physikbasierten Workflow unter Verwendung von MMPBSA-Berechnungen, um die Auswirkungen einzelner Aminosäuresubstitutionen auf Protein-Protein- und Protein-Peptid-Bindungsaffinitäten präzise vorherzusagen, wobei eine Leistung demonstriert wird, die etablierten Methoden bei diversen Zielstrukturen, einschließlich SARS-CoV-2-Spike-Protein-Komplexen, entspricht oder diese übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Proteine sind die Arbeitspferde des Lebens, winzige molekulare Maschinen, die sich in spezifische Formen falten, um Aufgaben zu erfüllen – vom Sauerstofftransport im Blut bis hin zur Bekämpfung von Infektionen. Oft müssen diese Proteine an andere Proteine binden und sich fest an sie anlagern, um zu funktionieren, ein Prozess, der durch die präzise Passform ihrer Oberflächen gesteuert wird. Wenn sich ein einzelner Baustein, oder eine Aminosäure, in einem dieser Proteine ändert, ist das wie der Austausch eines einzelnen Ziegels in einer Mauer; manchmal hält die Struktur stand, aber manchmal schwächt oder versagt die gesamte Verbindung. Genau vorherzusagen, wie eine einzige Änderung die Stärke dieser Bindung verändert, ist eine große Herausforderung für Wissenschaftler. Wenn es ihnen gelänge, dies zuverlässig zu tun, könnten sie bessere Medikamente entwickeln, Enzyme zur Reinigung von Umweltverschmutzungen konstruieren oder verstehen, warum bestimmte genetische Mutationen Krankheiten verursachen. Jahrelang haben Forscher versucht, Computerprogramme zu entwickeln, die diese Veränderungen berechnen können, doch die Ergebnisse waren oft ein Glückssache – sie hatten Schwierigkeiten, Geschwindigkeit mit Genauigkeit in Einklang zu bringen.
Ein Forschungsteam der Universität Bayreuth in Deutschland hat einen neuen Weg entwickelt, um diese Vorhersagen zu treffen, und bietet damit ein Werkzeug an, das sowohl schnell als auch überraschend genau ist. Ihr Ansatz stützt sich auf eine Methode namens MMPBSA, was für Molecular Mechanics Poisson-Boltzmann Surface Area steht. Vereinfacht ausgedrückt handelt es sich hierbei um eine physikbasierte Berechnung, die abschätzt, wie viel Energie benötigt wird, um zwei Proteine zusammenzuhalten. Das Team stellte fest, dass bestehende Computerprogramme zwar die Energie eines Proteins schätzen konnten, aber oft die subtilen Verschiebungen durch eine einzige Mutation übersahen. Um dies zu korrigieren, nutzten die Forscher eine massive Sammlung experimenteller Daten – über 1.600 dokumentierte Fälle, in denen Wissenschaftler gemessen hatten, wie eine einzelne Aminosäureänderung die Proteinbindung beeinflusst – und verwendeten diese, um ihr neues Bewertungssystem zu trainieren. Sie verließen sich nicht auf komplexe künstliche Intelligenz, die lediglich Muster aus Daten lernt; statlich bauten sie ein geradliniges mathematisches Modell auf, das verschiedene physikalische Kräfte gewichtet, wie etwa die Anziehung oder Abstoßung von Atomen sowie die Wechselwirkung von Wassermolekülen mit der Proteinoberfläche.
Die Forscher testeten ihre neue Methode gegen zwei etablierte Konkurrenten: eine weit verbreitete Software namens FoldX, die auf empirischen Regeln basiert, und ein hochmodernes Deep-Learning-Tool namens DDMut-PPI, das künstliche Intelligenz nutzt. Zuerst führten sie ihre Berechnungen mit demselben Datensatz durch, der auch für das Training der künstlichen Intelligenz verwendet worden war. Hier schnitt das Deep-Learning-Tool außergewöhnlich gut ab und sagte das Ergebnis der meisten Mutationen korrekt voraus. Dieser hohe Wert war jedoch zu erwarten, da die künstliche Intelligenz speziell auf diesen Zahlen trainiert worden war. Der wahre Test kam, als das Team alle drei Methoden auf völlig neue Szenarien anwandte, bei denen die Computermodelle die Daten noch nie zuvor gesehen hatten. In einem Test untersuchten sie Mutationen im Spike-Protein des Virus, das COVID-19 verursacht, insbesondere wie dieses an menschliche Zellen bindet. In einem anderen Fall untersuchten sie künstlich hergestellte Proteine, die darauf ausgelegt sind, spezifische Peptidketten zu erfassen.
In diesen neuen, unbekannten Situationen verschob sich das Ergebnis dramatisch. Das Deep-Learning-Tool, das bei seinen Trainingsdaten hervorragend abgeschnitten hatte, hatte Schwierigkeiten, die Mutationen korrekt einzustufen, und zeigte eine schwache Fähigkeit, zwischen vorteilhaften und schädlichen Veränderungen zu unterscheiden. Die traditionelle Software FoldX produzierte viele große Fehler und sagte oft voraus, dass eine Mutation eine massive Auswirkung hätte, obwohl dies gar nicht der Fall war, oder umgekehrt. Im Gegensatz dazu behielt die neue MMPBSA-basierte Methode eine konstante Leistung bei. Sie sagte die Stärke der Bindungen sowohl beim viralen Spike-Protein als auch bei den künstlich hergestellten Proteinen erfolgreich voraus und erreichte dabei die Genauigkeit der anderen Werkzeuge oder übertraf sie sogar. Die Forscher fanden heraus, dass ihre Methode besonders gut darin war, die komplexe Physik geladener Teilchen und Wasserinteraktionen zu handhaben, die oft die Quelle von Fehlern in anderen Programmen sind. Sie entdeckten auch, dass die Einbeziehung eines Terms für die Stabilität der einzelnen Proteinteile, statt nur für die Bindung zwischen ihnen, entscheidend war, um das richtige Ergebnis zu erzielen.
Die Studie legt nahe, dass künstliche Intelligenz zwar leistungsstark ist, sich aber manchmal zu sehr auf die Daten spezialisieren kann, die sie erlernt hat, und dadurch scheitert, wenn sie mit neuen biologischen Rätseln konfrontiert wird. Der physikbasierte Ansatz erwies sich, da er auf den grundlegenden Naturgesetzen statt auf gelernten Mustern beruht, als robuster gegenüber verschiedenen Arten von Proteinen und Strukturen. Das Team stellte seinen Arbeitsablauf der Öffentlichkeit zur Verfügung, damit andere Wissenschaftler dieses Werkzeug nutzen können, um zu priorisieren, welche Mutationen im Labor getest werden sollen. Durch das Filtern der vielversprechendsten Kandidaten vor der Durchführung teurer Experimente könnte diese Methode die Entwicklung neuer Therapien und die Konstruktion besserer biologischer Werkzeuge beschleunigen. Die Arbeit zeigt, dass es manchmal mehr als nur komplexe Algorithmen braucht, sondern dass die Rückkehr zu den Grundprinzipien und die sorgfältige Gewichtung der wirkenden physikalischen Kräfte zuverlässigere Ergebnisse liefern kann – insbesondere, wenn das Ziel ist, zu verstehen, wie eine winzige Veränderung in einem Molekül Wellen schlagen kann, um das Verhalten eines lebenden Systems zu verändern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.