A multi-layer computational framework for structural prioritization of transcriptome-derived proteins

In der riesigen Bibliothek des Lebens trägt jede Zelle einen Satz von Anweisungen, die in einem Code namens RNA geschrieben sind. Diese Anweisungen sagen der Zelle, wie sie Proteine aufbauen soll – die molekularen Maschinen, die nahezu jede Aufgabe erfüllen, die für das Überleben und die Funktion eines Organismus erforderlich ist. Jahrzehntelang konnten Wissenschaftler diese Anweisungen mit unglaublicher Geschwindigkeit lesen und massive Listen von Proteinsequenzen aus Pflanzen, Tieren und Mikroben generieren. Doch die Kenntnis der Buchstabenfolge eines Proteins ist erst der Anfang. Um zu verstehen, was ein Protein tatsächlich tut, müssen Forscher seine dreidimensionale Form sehen. Die Form eines Proteins bestimmt seine Funktion, ganz so, wie die Form eines Schlüssels bestimmt, welches Schloss er öffnen kann. Die Herausforderung besteht darin, dass Computer zwar mittlerweile Millionen von genetischen Anweisungen lesen können, die Vorhersage der komplexen, gefalteten Formen der daraus resultierenden Proteine jedoch ein schwieriger Engpass bleibt. Ohne diese Formen ist es nahezu unmöglich zu wissen, welche Proteine mit spezifischen Zielstrukturen im Körper interagieren könnten, wie etwa den Signalmolekülen, die Entzündungen vorantreiben.

Hier setzt eine neue Studie an, die einen systematischen Weg bietet, um durch diesen Berg an Daten zu navigieren. Forscher der Federal University of ABC in Brasilien entwickelten ein mehrschichtiges computergestütztes Framework, das darauf ausgelegt ist, tausende von Kandidatenproteinen zu durchsieben und die vielversprechendsten für weitere Studien zu identifizieren. Sie konzentrierten sich auf den Cereus jamacaru, einen in der brasilianischen Caatinga-Biom heimischen Kaktus, der für seine potenziellen entzündungshemmenden Eigenschaften bekannt ist. Während die bisherige Forschung an dieser Pflanze hauptsächlich kleine chemische Verbindungen untersucht hatte, wollte dieses Team die Proteine erforschen, die in ihrem genetischen Code verborgen liegen. Ihr Ziel war es nicht zu beweisen, dass diese Pflanzenproteine direkt Krankheiten heilen, sondern eine zuverlässige, schrittweise Methode zu schaffen, um strukturell stabile Proteinkandidaten zu finden, die mit menschlichen Entzündungssignalen interagieren könnten. Durch die Kombination mehrerer verschiedener computerbasierter Techniken gelang es ihnen, eine Liste von über 129.000 translatierten Proteinen auf nur neun hochkonfidente Kandidaten zu reduzieren, was eine skalierbare Strategie demonstriert, die auf die genetischen Daten jedes Organismus angewendet werden kann.

Die Reise begann mit einem massiven Datensatz, der 129.052 Proteinsequenzen enthielt, die aus der Wurzel und der Epidermis des Kaktus abgeleitet wurden. Um diese überwältigende Anzahl begreifbar zu machen, wandten die Forscher zuerst einen breiten Filter basierend auf bekannten Strukturen an. Sie verglichen die Kaktusproteine mit einer Datenbank experimentell bestimmter Proteinformen und behielten nur diejenigen, die mehr als die Hälfte ihrer Sequenz mit einer bekannten Struktur teilten. Dieser erste Schritt reduzierte den Pool auf etwa 14.800 Kandidaten. Anschließend verwendeten sie ein Bewertungssystem, um die Qualität der vorhergesagten Formen zu evaluieren, wobei sie jene aussortierten, die instabil oder unzuverlässig erschienen. Dieser Prozess schrumpfte die Liste auf etwa 3.500 hochwertige Strukturmodelle zusammen und schuf so einen handhabbaren Satz an Kandidaten für eine tiefere Analyse.

Als Nächstes wandte das Team seine Aufmerksamkeit drei spezifischen menschlichen Proteinen zu, die als Zytokine bekannt sind: Tumornekrosefaktor-alpha, Interleukin-1 beta und Interferon-alpha. Diese Moleküle sind zentrale Regulatoren der Entzündungsreaktion des Körpers und sind häufig an Bedingungen wie rheumatoider Arthritis beteiligt. Die Forscher wollten sehen, ob eines der Kaktusproteine physisch mit diesen menschlichen Zytokinen interagieren kann. Dazu setzten sie eine zweistufige Docking-Strategie ein. Zuerst verwendeten sie ein schnelles, Rigid-Body-Screening-Verfahren, um zu testen, wie gut die 3.500 Kaktusproteine gegen die drei menschlichen Zytokine passen. Dieser Schritt identifizierte eine kleinere Gruppe von Proteinen, die vielversprechende erste Übereinstimmungen zeigten. Um diese Ergebnisse zu verfeinern, verwendeten sie eine zweite, flexiblere Docking-Methode, die leichte Bewegungen in den Proteinformen ermöglichte und so die Art und Weise nachahmte, wie sich echte Moleküle anpassen könnten, wenn sie zusammenkommen. Durch die Suche nach Proteinen, die in beiden Methoden gut abschnitten, identifizierten die Forscher neun Kandidaten, die konsistent eine starke strukturelle Kompatibilität mit den menschlichen Zytokinen zeigten.

Bevor sie diese neun Proteine als die endgültigen Gewinner erklärten, unterzog das Team sie einer Reihe strenger Validierungstests, um sicherzustellen, dass ihre Funde nicht bloß Computerartefakte waren. Zuerst verfeinerten sie die Formen dieser neun Proteine mit einem hochmodernen Vorhersagewerkzeug namens AlphaFold 3, das neue, hochkonfidente Modelle generierte, um die ursprünglichen Strukturen zu bestätigen. Dann analysierten sie die spezifischen Punkte, an denen die Kaktusproteine die menschlichen Zytokine berührten. Sie zählten die Anzahl der chemischen Bindungen, wie Wasserstoffbrückenbindungen und Salzbrücken, die an diesen Grenzflächen entstanden. Eine hohe Anzahl dieser Verbindungen deutete auf eine stabile und enge Passform hin. Darüber hinaus prüften sie, ob die Teile der Kaktusproteine, die an diesen Interaktionen beteiligt waren, evolutionär konserviert waren, was bedeutet, dass sie über Millionen von Jahren der Evolution hinweg unverändert geblieben waren. Diese Konservierung deutet oft darauf hin, dass eine bestimmte Region eines Proteins entscheidend für seine Funktion oder Stabilität ist, was der Verlässlichkeit der Ergebnisse eine weitere Ebene der Sicherheit verleiht.

Um zu testen, ob diese Interaktionen unter realen Bedingungen standhalten würden, führten die Forscher dynamische Simulationen durch. Sie platzierten die vier vielversprechendsten Proteinkombinationen in eine virtuelle Umgebung voller Wassermoleküle und simulierten deren Verhalten im Zeitverlauf. Diese Simulationen liefen jeweils 100 Nanosekunden lang, wiederholt dreimal für jedes Paar, um sicherzustellen, dass die Ergebnisse reproduzierbar waren. Das Ziel war zu sehen, ob die Proteine fest zusammenbleiben oder ob sie auseinanderdriften würden, während sie sich bewegen und wackeln. Die Ergebnisse zeigten, dass die Interaktionen während der Simulationen stabil blieben. Die Proteine behielten ihre Form und ihre Verbindungspunkte bei, selbst während sie sich im virtuellen Wasser bewegten und zitterten. Diese dynamische Stabilität bestätigte, dass die vorhergesagten Interaktionen keine statischen Schnappschüsse waren, sondern robuste, physikalisch plausible Komplexe darstellten.

Die Studie warf auch einen genaueren Blick darauf, was diese neun priorisierten Proteine eigentlich sind. Durch eine Funktionsanalyse entdeckte das Team, dass sie zu unterschiedlichen Familien von Enzymen und regulatorischen Proteinen gehören, einschließlich Oxidoridoreduktasen und RNA-Bindeproteinen. Dies sind typische Bestandteile des Pflanzenmetabolismus, die an Prozessen wie der Energiegewinnung und der Stressreaktion beteiligt sind. Die Forscher betonten, dass die Auswahl dieser Proteine ausschließlich durch ihre strukturelle Kompatibilität mit menschlichen Zytokinen getrieben wurde und nicht durch die Annahme, dass sie natürlich als menschliche Medikamente fungieren. Tatsächlich argumentiert die Studie explizit gegen die Vorstellung, dass diese Pflanzenproteine direkte funktionelle Äquivalente menschlicher Zytokinregulatoren sind. Stattdessen legen die Ergebnisse nahe, dass die dreidimensionalen Formen dieser Pflanzenproteine zufällig Oberflächen schaffen, die physisch zu menschlichen Entzündungssignalen passen können, was wahrscheinlich auf gemeinsamen Prinzipien der Geometrie und Chemie beruht und nicht auf einer gemeinsamen biologischen Geschichte.

Der ultimative Wert dieser Arbeit liegt im Framework selbst. Die Forscher behaupteten nicht, ein neues Medikament entdeckt zu haben, sondern eine zuverlässige Methode zur Suche nach Kandidaten. Durch die Integration mehrerer Evidenzebenen – Strukturmodellierung, duale Docking-Ansätze, evolutionäre Analyse und dynamische Simulationen – schufen sie einen Workflow, der die Unsicherheit bei jedem Schritt reduziert. Dieser Ansatz ermöglicht es Wissenschaftlern, von massiven, unhandlichen Datensätzen zu einer kleinen, kuratierten Liste hochkonfidenter Targets überzugehen, die bereit für die experimentelle Testung sind. Die Studie kommt zu dem Schluss, dass diese Strategie übertragbar ist, was bedeutet, dass sie auf jedes Transkriptom oder jeden großen Proteindatensatz angewendet werden kann, um strukturell robuste Kandidaten zu identifizieren. Sie bietet einen praktischen Weg nach vorn für das Bioprospecting, indem sie den überwältigenden Zustrom genetischer Daten in eine fokussierte Menge von Hypothesen verwandelt, die künftige biochemische Forschungs- und Proteinengineering-Bemühungen leiten können.