AmyloCore-ML: AI/Machine Learning Enabled Identification of Amyloid Fibril Core Regions Using Protein Language Models

Proteine sind die Arbeitspferde des Lebens, die sich in komplizierte Formen falten, um lebenswichtige Aufgaben in unseren Zellen zu erfüllen. Wenn diese Proteine jedoch Fehlfunktionen aufweisen, können sie sich falsch falten und zu starren, seilartigen Strukturen, den sogenannten Amyloid-Fibrillen, zusammenklumpen. Dieser Prozess steht im Zentrum mehrerer verheerender neurodegenerativer Erkrankungen, einschließlich Alzheimer und Parkinson. Seit Jahrzehnten wissen Wissenschaftler, dass diese Fibrillen keine zufälligen Proteinanhäufungen sind; sie besitzen einen hochgeordneten, stabilen Kern, in dem sich die Proteinstränge in einem spezifischen Muster miteinander verzahnen. Dennoch blieb ein kritisches Rätsel bestehen: Während ein Protein lang und komplex sein kann, wird nur ein spezifisches Segment davon tatsächlich Teil dieses starren, geordneten Kerns. Der Rest des Proteins bleibt oft ungeordnet oder hängt locker an der Außenseite. Genau zu wissen, welche Aminosäuren diesen festen Kern bilden, ist entscheidend für das Verständnis darüber, wie diese Krankheiten entstehen und für das Design von Medikamenten, die diesen Prozess stoppen können, aber die Identifizierung dieser spezifischen Regionen allein aus dem genetischen Code des Proteins hat sich als eine schwierige Herausforderung erwiesen.

Forscher haben lange versucht, diese gefährlichen Klumpungsregionen mithilfe von Computerprogrammen vorherzusagen, die nach einfachen chemischen Mustern suchen, wie etwa Ketten von Aminosäuren, die von Natur aus dazu neigen, aneinander zu haften. Eine neue Studie legt jedoch nahe, dass diese traditionellen Methoden das Ziel verfehlen, da sie die allgemeine Neigung eines Proteins zum Verklumpen mit der spezifischen Realität dessen verwechseln, was tatsächlich in die endgültige, starre Struktur eingebunden wird. Um dies zu lösen, entwickelte ein Team von Wissenschaftlern ein neues Werkzeug namens AmyloCore-ML. Anstatt nur nach klebrigen Stellen zu suchen, wurde dieses Werkzeug darauf trainiert, die präzise „Grammatik“ der Sequenz zu erkennen, die am Ende im festen Kern einer Fibrille landet, und sie von den Teilen desselben Proteins zu unterscheiden, die dies nicht tun. Durch das Lernen aus hochauflösenden Bildern echter Fibrillen lernte das System, die subtilen Unterschiede zwischen dem geordneten Kern und dem ungeordneten Rest zu erkennen, was einen viel schärferen Blick darauf warf, wo die Gefahr liegt.

Das Team begann mit der Sammlung einer massiven Sammlung experimentell gelöster Fibrilstrukturen aus einer öffentlichen Datenbank, die als Amyloid Atlas bekannt ist. Sie untersuchten sorgfältig 69 verschiedene Proteine und betrachteten die detaillierten Karten ihrer Fibrillenformen, um genau zu sehen, welche Residuen im geordneten Kern festgeschlossen waren und welche außerhalb verblieben. Sie behandelten die festgeschlossenen Residuen als den „Kern“ und den Rest des Proteins aus demselben Molekül als die „Nicht-Kern“-Kontrolle. Dieser Ansatz war entscheidend, da er es dem Computer ermöglichte, den Unterschied zwischen zwei Teilen desselben Proteins unter denselben Bedingungen zu lernen, anstatt nicht verwandte Proteine miteinander zu vergleichen. Die Forscher brachen diese Proteinsequenzen in überlappende Fenster unterschiedlicher Länge auf und speisten sie in ein maschinelles Lernsystem ein. Sie testeten zwei verschiedene Arten, das Protein zu beschreiben: eine unter Verwendung standardmäßiger chemischer Eigenschaften und eine andere unter Verwendung fortschrittlicher Sprachmodelle, die den Kontext von Aminosäuren verstehen, ähnlich wie ein Leser versteht, wie sich die Bedeutung eines Wortes basierend auf dem Satz ändert, in dem es steht.

Die Ergebnisse zeigten, dass die fortschrittlichen Sprachmodelle weitaus überlegen waren gegenüber den traditionellen chemischen Beschreibungen. Das System lernte, dass die Identität des Kerns nicht nur über eine kurze, klebrige Sequenz entscheidet, sondern stark von der umgebenden Nachbarschaft der Aminosäuren abhängt. Als die Forscher ihre besten Modelle testeten, stellten sie fest, dass sie Kernregionen von Nicht-Kern-Regionen mit hoher Genauigkeit unterscheiden konnten, wobei sie einen Wert von etwa 0,88 auf einer Skala erreichten, bei der 1,0 perfekt ist. Noch wichtiger war, dass, wenn sie ganze, vollständige Proteine scannten, um zu sehen, ob sie den Kern lokalisieren konnten, das Werkzeug die experimentellen Kernregionen erfolgreich identifizierte. Die beste Version des Modells konnte das Zentrum des Kerns mit einer durchschnittlichen Distanz von nur 12,4 Residuen lokalisieren, was eine signifikante Verbesserung gegenüber bestehenden Werkzeugen darstellt, die oft mit viel größeren Abweichungen danebenlagen.

Um sicherzustellen, dass ihre Ergebnisse robust waren, verglichen das Team ihr neues Vorhersageinstrument mit zwei anderen bekannten Werkzeugen, die darauf ausgelegt sind, aggregationsanfällige Regionen zu finden. Das neue Werkzeug übertraf sie konsequent, nicht nur darin, welche Residuen am wahrscheinlichsten im Kern liegen, sondern auch darin, das korrekte Segment des Proteins physisch zu lokalisieren. Die Forscher merkten an, dass andere Werkzeuge eine Region zwar als allgemein zur Klumpenbildung neigend identifizieren könnten, ihr Modell jedoch spezifisch den Teil identifizierte, der in die reife Fibrille strukturell integriert wird. Diese Unterscheidung ist wichtig, da eine Region zwar in der Lage sein kann, einen Klumpen zu starten, aber nicht notwendigerweise im endgültigen, stabilen Gefüge landet. Die Studie bestätigte auch, dass die Verwendung längerer Aminosäure-Fenster bessere Ergebnisse lieferte, was darauf hindeutet, dass das Signal für die Bildung eines Kerns über einen breiteren Bereich verteilt ist und nicht auf einen winzigen, isolierten Punkt beschränkt ist.

Das Team validierte seinen Ansatz, indem es Proteine testete, die dem System völlig neu waren, einschließlich Pferde-Myoglobin, P02070, Oat 11S Globulin, Oat 12S Seed Storage Globulin 2 und menschlichem Integral Membrane Protein 2B. Ohne erneutes Training oder Anpassung identifizierte das Werkzeug erfolgreich hochwahrscheinliche Kernsegmente, die mit den experimentell aufgelösten Strukturen dieser bisher unbekannten Proteine überlappten. Dies demonstrierte, dass das System eine allgemeine Regel darüber gelernt hatte, wie Proteine in Fibrillen falten, anstatt nur die spezifischen Beispiele auswendig zu lernen, mit denen es trainiert wurde. Die Forscher machten ihr Werkzeug über eine interaktive Online-Schnittstelle frei verfügbar, die es anderen Wissenschaftlern ermöglicht, Proteinsequenzen einzugeben und sofort eine Karte zu sehen, wo der Amyloid-Kern wahrscheinlich entstehen wird. Durch die Verschiebung des Fokus von allgemeiner Klebrigkeit hin zur spezifischen Architektur des Fibrillenkerns bietet diese Arbeit eine klarere, präzisere Methode, um die molekularen Mechanismen dieser Krankheiten zu verstehen, was potenziell das Design zukünftiger Therapien leiten kann, die genau auf die Oberflächen abzielen, an denen sich diese schädlichen Strukturen zusammenfügen.