Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

Proteine sind die Arbeitspferde des Lebens, winzige molekulare Maschinen, die sich zu komplexen Formen falten, um jede Funktion innerhalb einer Zelle auszuführen. Um zu verstehen, wie ein Protein funktioniert, müssen Wissenschaftler oft seine Form in extremem Detail untersuchen, ein Prozess, der normalerweise voraussetzt, dass das Protein isoliert und kristallisiert wird. Viele Proteine sind jedoch zu lang oder zu instabil (zu „flapprig“), um in einem Stück untersucht werden zu können. Sie bestehen oft aus mehreren verschiedenen, stabilen Einheiten, den sogenannten Domänen, die durch flexible, unstrukturierte Regionen verbunden sind, die wie Scharniere oder Abstandshalter wirken. Um ein klares Bild einer einzelnen Domäne zu erhalten, müssen Forscher das Protein an den richtigen Stellen zuschneiden, indem sie die beweglichen Teile entfernen, während die stabilen Teile intakt bleiben. Das Finden dieser Schnittpunkte ist schwierig, da die Anweisungen, wo geschnitten werden soll, in der Aminosäuresequenz des Proteins verborgen sind, und ohne eine bekannte 3D-Struktur gleicht dies dem Versuch, die Falten eines Papierfliegers zu finden, ohne das Papier jemals entfaltet gesehen zu haben.

Jahrzehntelang haben sich Wissenschaftler auf Datenbanken verlassen, die eine Proteinsequenz mit einer Bibliothek bekannter, gut untersuchter Proteine vergleichen, um zu erraten, wo diese Domänen liegen könnten. Dieser Ansatz funktioniert gut, wenn das Protein Ähnlichkeiten mit etwas in der Bibliothek aufweist, versagt jedoch völlig bei neuen oder ungewöhnlichen Proteinen, die keine bekannten Verwandten haben. Ein Team von Forschern der Wilfrid Laurier University hat ein neues Werkzeug namens Seq2DomML entwickelt, das diese Einschränkung umgeht. Anstatt nach Übereinstimmungen in einer Bibliothek bekannter Proteine zu suchen, lernt dieses neue System, die subtilen chemischen und physikalischen Muster in einer Sequenz zu erkennen, die die Grenzen zwischen stabilen Domänen und flexiblen Linkern signalisieren. Indem die Forscher ein Computermodell mit tausenden bakteriellen Proteinen trainierten, deren Strukturen bereits bekannt sind, schufen sie ein System, das vorhersagen kann, wo ein Protein geschnitten werden muss, allein basierend auf seiner Aminosäuresequenz – selbst wenn dieses Protein noch nie zuvor gesehen wurde.

Die Forscher begannen mit der Zusammenstellung eines massiven Datensatzes bakterieller Proteine, die mittels Röntgenkristallographie – einer Technik, die die präzise 3D-Anordnung von Atomen offenbart – gelöst worden waren. Sie filterten diese Liste, um Proteine zu entfernen, die sich untereinander zu ähnlich waren oder zu spezifischen Gruppen gehörten, die sich anders verhalten, sodass ihnen fast 7.600 einzigartige Proteinketten blieben. Für jede dieser Ketten verwendeten sie eine vertrauenswürdige Strukturdatenbank, um jede einzelne Aminosäure entweder als Teil einer stabilen Domäne oder als Teil einer flexiblen Region wie eines Linkers oder eines Endstücks (Tails) zu kennzeichnen. Um diese Grenzen für den Computer leichter lernbar zu machen, erweiterten sie die Markierungen für die flexiblen Regionen leicht, indem sie diese als kurze Abschnitte statt als einzelne Punkte behandelten.

Als Nächst-es übersetzten die Forscher die Rohsequenz der Aminosäuren in einen reichhaltigen Satz numerischer Beschreibungen für jede Position im Protein. Sie bezogen Informationen über die chemische Natur jeder Aminosäure, ihre Position innerhalb der Kette und die Art und Weise, wie sie mit ihren Nachbarn interagieren könnte, mit ein. Dies resultierte in fast 2.400 verschiedenen Merkmalen für jede einzelne Aminosäure. Um diese Komplexität zu bewältigen, nutzten die Forscher einen zweistufigen Prozess zur Auswahl der nützlichsten Merkmale. Zuerst entfernten sie Merkmale, die redundant oder irrelevant waren. Dann setzten sie einen evolutionären Algorithmus ein – eine Methode, die die natürliche Selektion nachahmt –, um tausende verschiedene Kombinationen von Merkmalen zu testen, um den spezifischen Satz zu finden, der es dem Computer ermöglichte, die genauesten Vorhersagen zu treffen.

Das Herzstück ihres Systems ist eine Art künstlicher Intelligenz, bekannt als Bidirectional Long Short-Term Memory Modell. Dieses Modell ist darauf ausgelegt, Sequenzen zu verarbeiten, was es dem System ermöglicht zu verstehen, dass die Identität einer bestimmten Aminosäure nicht nur von ihren unmittelbaren Nachbarn abhängt, sondern vom breiteren Kontext der gesamten Kette. Das Modell wurde darauf trainiert, vorherzusagen, ob eine bestimmte Aminosäure zu einer stabilen Domäne oder zu einer flexiblen Region gehört. Um der Tatsache Rechnung zu tragen, dass flexible Regionen viel seltener vorkommen als stabile, passten die Forscher den Trainingsprozess so an, dass diesen schwerer zu findenden Grenzen besondere Aufmerksamkeit geschenkt wurde. Nach umfangreichen Tests und Feinabstimmungen entschieden sie sich für eine Konfiguration, die die Notwendigkeit, alle flexiblen Regionen zu finden, mit der Vermeidung von Fehlern, stabile Teile als flexibel zu kennzeichnen, in Einklang brachte.

Als das Team sein neues Werkzeug an einem Satz von Proteinen testete, die es zuvor noch nie gesehen hatte, waren die Ergebnisse vielversprechend. Das Modell identifizierte Domänengrenzen mit einem hohen Grad an Genauigkeit und übertraf damit mehrere etablierte Werkzeuge, die darauf basieren, Sequenzen mit bekannten Familien zu vergleichen. Während die älteren Werkzeuge besser darin waren, jede mögliche flexible Region zu finden, unterliefen ihnen oft Fehler, indem sie stabile, gefaltete Teile eines Proteins als flexibel bezeichneten, was zu schlechten experimentellen Ergebnissen führen würde, wenn ein Wissenschaftler versuchen würde, das Protein dort zu schneiden. Im Gegensatz dazu war Seq2DomML viel selektiver und identifizierte die stabilen Domänen und die flexiblen Linker mit größerer Präzision. Dies bedeutet, dass ein Wissenschaftler, der dieses Werkzeug verwendet, um zu entscheiden, wo er das Protein schneiden soll, weniger wahrscheinlich versehentlich eine funktionale Einheit zerstört.

Die Forscher visualisierten auch, wie ihre Vorhersagen aussah, wenn sie auf tatsächliche 3D-Proteinstrukturen abgebildet wurden. In Fällen, in denen andere Werkzeuge eine Domäne nicht erkannten, weil sie keine bekannten Verwandten hatte, identifizierte Seq2DomML die stabilen, gefalteten Regionen korrekt. In einem Beispiel sahen bestehende Werkzeuge einen großen Teil eines Proteins als unstrukturiert und nutzlos an, während das neue Modell diesen Teil korrekt als eine eigenständige, stabile Domäne identifizierte. Dies deutet darauf an, dass das Werkzeug Ordnung in Sequenzen finden kann, die andere Methoden als zufällig oder unstrukturiert abtun. Das Modell lieferte zwar nicht immer die perfekte Anzahl an Domänen, bot aber einen ausgewogeneren und zuverlässigeren Leitfaden für die Schnittstellen als die derzeitigen Standardmethoden.

Die Studie kommt zu dem Schluss, dass dieser sequenzbasierte Ansatz einen wertvollen neuen Weg zur Gestaltung von Proteinexperimenten bietet, insbesondere für Proteine, die schlecht verstanden sind oder keine bekannten Verwandten haben. Indem es eine genauere Karte darüber liefert, wo stabile Domänen enden und flexible Regionen beginnen, kann das Werkzeug Wissenschaftlern helfen, Zeit und Ressourcen zu sparen, indem es die Anzahl der fehlgeschlagenen Experimente reduziert, die nötig sind, um das richtige Fragment eines Proteins zu finden. Die Forscher merken an, dass das Modell ein bedeutender Schritt nach vorn ist, die zukünftige Arbeit sich jedoch auf die Verfeinerung seiner Fähigkeit zur Erkennung von Grenzen konzentrieren und darauf testen wird, ob es auch bei Proteinen anderer Organismen jenseits von Bakterien gleichermaßen gut funktioniert. Das ultimative Ziel ist es, den Prozess der Lösung von Proteinstrukturen effizienter zu gestalten, um es Wissenschaftlern zu ermöglichen, die Maschinerie des Lebens zu verstehen, selbst wenn die Baupläne fehlen.