🧬 biology

NatCodon: protein-structure-informed de novo codon sequence design for efficient protein expression

NatCodon ist ein generatives Modell, das Proteinstrukturinformationen nutzt, um Codonsequenzen für die ko-translationale Faltung zu optimieren, wobei es bestehende frequenzbasierte Methoden durch den strategischen Einsatz seltener Codons signifikant übertrifft, um die lösliche Proteinausbeute zu erhöhen und die Expression zuvor schwer fassbarer Zielstrukturen zu ermöglichen.

Ursprüngliche Autoren: Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

Veröffentlicht 2026-07-08

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

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

Das große Problem: Die zu schnelle Fließbandfertigung

Stellen Sie sich eine Fabrik vor, die komplexe Maschinen (Proteine) basierend auf einem Satz von Anweisungen (DNA) baut. In dieser Fabrik werden die Anweisungen in einem Code geschrieben, in dem viele verschiedene Wörter (Codons) dasselbe bedeuten können.

Jahrzehntelang versuchten Wissenschaftler, diese Maschinen schneller zu machen, indem sie die Anweisungen so umschrieben, dass nur die „schnellsten“ und gebräuchlichsten Wörter der Sprache der Fabrik verwendet wurden. Sie dachten: „Wenn wir die beliebtesten Wörter verwenden, wird die Maschine das Produkt so schnell wie möglich bauen.“

Der Haken: Der Bau einer komplexen Maschine ist nicht nur eine Frage der Geschwindigkeit. Es geht um den Rhythmus. Wenn das Fließband zu schnell läuft, haben die Arbeiter (das Ribosom) keine Zeit, die Teile korrekt zu falten, bevor das nächste Teil eintrifft. Das Ergebnis? Die Maschine fällt auseinander, verklemmt sich oder endet als nutzloser Haufen Schrott (fehlgefaltete Proteine).

Aktuelle Methoden sind wie ein geschwindigkeitsbesessener Manager, der die Notwendigkeit von Pausen ignoriert und so zu kaputten Produkten führt.

Die Lösung: NatCodon (Der „Rhythmus-Meister“)

Die Forscher der Beihang University und dProtein Biotechnologies entwickelten ein neues KI-Tool namens NatCodon. Anstatt nur nach den schnellsten Wörtern zu suchen, schaut NatCodon auf die Form der Maschine, die gebaut wird.

Man kann es sich wie einen Dirigenten vorstellen, der ein Orchester leitet:

Alte Methode: Sagt jedem Musiker, er solle so laut und schnell wie möglich spielen. Das Ergebnis ist ein chaotisches, lautes Durcheinander.
NatCodon: Weiß, dass einige Abschnitte der Musik (komplexe Proteinfaltungen) langsam und bedacht gespielt werden müssen, während andere Abschnitte (stabile Teile) schnell gespielt werden können. Es fügt strategisch „langsame Wörter“ (seltene Codons) an genau den Momenten ein, in denen das Protein eine Pause benötigt, um sich korrekt selbst zu falten.

Wie es funktioniert: Der „struktur-bewusste“ Übersetzer

Das Geheimnis des Codes lernen: Die KI wurde mit über 45.000 natürlichen bakteriellen Proteinen trainiert. Sie lernte eine verborgene „Grammatik“, die die Natur verwendet: Spezifische Formen im Protein erfordern spezifische Pausen im Translationsprozess.
Das „Codon-Tor“: Um sicherzustellen, dass die KI keine Fehler macht, besitzt sie einen Sicherheitsfilter. Er garantiert, dass die endgültige Bedeutung (die Aminosäuresequenz) exakt gleich bleibt, auch wenn die Wörter geändert werden, um das Tempo zu steuern. Es ist, als würde man einen Satz umschreiben, um das Lesetempo zu ändern, ohne die Geschichte zu verändern.
Der „Fokus“-Regler: Das Tool ermöglicht es Wissenschaftlern, einzustellen, wie „kreativ“ die KI ist. Sie können entweder eine sehr strikte, vorhersehbare Sequenz wählen oder etwas Varianz zulassen, was ihnen die Kontrolle über das endgültige Design gibt.

Die Ergebnisse: Rettung des „Unbaubaren“

Das Team testete NatCodon an mehreren Proteinen, die im Labor als besonders schwierig zu bauen gelten.

Das „unmögliche“ Protein: Ein Protein namens SMURF1HECT war wie ein Geist; bisherige Methoden produzierten davon gar nichts. NatCodon hat es nicht nur produziert, sondern eine gesunde Menge (0,57–0,61 mg/ml) geliefert.
Der Boost: Bei anderen schwierigen Proteinen steigerte NatCodon die Menge an nutzbaren, funktionierenden Proteinen um das 2- bis 33-fache im Vergleich zu den besten existierenden kommerziellen Tools.
Qualitätskontrolle: Es geht nicht nur darum, mehr Protein herzustellen, sondern um besseres Protein. Die von NatCodon hergestellten Proteine funktionierten tatsächlich (sie leuchteten in Tests auf), was beweist, dass sie korrekt gefaltet wurden.

Eine neue Bewertung: Der NCI

Seit Jahren nutzen Wissenschaftler einen Score namens CAI, um zu beurteilen, ob eine DNA-Sequenz gut ist. Dieser Score fragt im Grunde: „Wie viele beliebte Wörter hast du verwendet?“ Die Autoren argumentieren, dass dies so ist, als würde man ein Rezept nur danach bewerten, wie oft man Salz verwendet hat, während man die Kochzeit ignoriert.

Die Autoren führten einen neuen Score namens NatCodon Index (NCI) ein.

Die Analogie: Wenn der CAI fragt: „Wie schnell kannst du rennen?“, fragt der NCI: „Bist du mit der richtigen Geschwindigkeit für das Gelände gelaufen?“
Das Ergebnis: Der NCI ist viel besser darin vorherzusagen, ob ein Protein tatsächlich funktionieren und in großen Mengen produziert werden kann. Er misst, wie gut die DNA-Anweisungen mit den physischen Anforderungen der Form des Proteins übereinstimmen.

Zusammenfassung

NatCodon ist eine neue KI, die DNA-Anweisungen für die Herstellung von Proteinen entwirft. Anstatt die Anweisungen nur „schnell“ zu machen, entwirft sie diese mit dem richtigen Rhythmus. Da die KI die 3D-Form des Proteins kennt, weiß sie genau, wann sie das Fließband verlangsamen muss, damit das Protein korrekt falten kann. Dies ermöglicht es Wissenschaftlern, schwierige, bisher „unbaubare“ Proteine effizient herzustellen, was neue Möglichkeiten für Medizin und Industrie eröffnet.

Das Tool steht anderen zur freien Verfügung und stellt einen Wechsel dar: weg von „Schneller ist besser“ hin zu „Rhythmus ist richtig“.

Technisches Resümee: NatCodon – Struktur-informierte De-novo-Codon-Sequenzgestaltung

1. Problemstellung

Die Translation genetischer Informationen in funktionelle Proteine ist ein co-translationaler Prozess, bei dem die Faltung der entstehenden Polypeptidkette untrennbar mit der ribosomalen Elongationskinetik gekoppelt ist. Aktuelle Strategien zur Codon-Optimierung beruhen überwiegend auf frequenzbasierten Heuristiken (z. B. Maximierung des Codon Adaptation Index [CAI] oder des tRNA Adaptation Index [tAI]), um die Peptid-Elongation zu beschleunigen. Diese Ansätze entkoppeln die Translationsraten oft von den spezifischen Faltungsanforderungen des Proteins, was zu Fehlfaltungen, der Bildung von Inclusion Bodies und geringen löslichen Ausbeuten in heterologen Wirten führt. Diese Einschränkung wird im Zeitalter des KI-gestützten De-novo-Proteindesigns verschärft, bei dem neuartige Proteinsequenzen keine evolutionären Vorfahren oder nativen Kodierungsvorlagen besitzen, was traditionelle „Look-up-Table“-Optimierungen unzureichend macht. Bestehende Deep-Learning-Modelle für das Codon-Design behandeln das Problem weitgehend als Sequenz-zu-Sequenz-Mapping-Aufgabe und vernachlässigen dabei kritische strukturelle Informationen sowie die regulatorische Rolle des translationalen Rhythmus bei der Koordination der co-translationalen Faltung (CTF).

2. Methodik

Die Autoren führen NatCodon ein, ein generatives Modell, das das Codon-Design als struktur-informiertes kinetisches Problem neu definiert. Die Methodik integriert Multi-Omics-Daten (genomische Sequenzen, proteomischen Kontext und Proteinstrukturen), um die in natürlichen Translationssystemen eingebettete „Struktur-Codon-Grammatik“ zu erlernen.

Datensatz-Kuratierung: Das Modell wurde auf einem nicht-redundanten Datensatz aus 45.126 Bakterien-Genom-Proteom-Struktur-Tripletts trainiert. Proteine Sekundärstrukturen wurden mittels des DSSP-Algorithmus in 9 Struktur-Token (z. B. $\alpha$ -Helix, $\beta$ -Brücke, flexible Loops) diskretisiert.
Architektur: NatCodon verwendet eine Decoder-only-Transformer-Architektur, die vom LLaMA-Framework inspiriert ist. Es kodiert Aminosäuresequenzen und diskrete Struktur-Token gemeinsam in eine einheitliche Repräsentation und nutzt dabei Rotary Positional Embeddings (RoPE), um weitreichende Abhängigkeiten zu erfassen.
Biologisch beschränktes Decoding:
- Codon Gate: Ein Hard-Masking-Modul gewährleistet strikte translationale Treue, indem es nicht-synonyme Codons an jeder Position herausfiltert und so garantiert, dass die generierte Sequenz zur korrekten Aminosäuresequenz translatiert wird.
- Fokus-gesteuerte Stichprobenentnahme (Focus-Controlled Sampling): Ein abstimmbarer Parameter ( $\phi$ ) moduliert die Schärfe der Wahrscheinlichkeitsverteilung, was ein Gleichgewicht zwischen deterministischer Optimierung und Sequenzdiversität ermöglicht.
Trainingsziel: Das Modell minimiert eine zusammengesetzte Verlustfunktion, die die negative Log-Likelihood (NLL), die Kreuzentropie mit Frequenzgewichtung zur Korrektur von Codon-Imbalancen und einen entropie-inspirierten Glättungsverlust zur Verbesserung der Generalisierung kombiniert.
Evaluationsmetrik (NCI): Die Autoren führen den NatCodon-Index (NCI) ein, eine struktur-bewusste Metrik, welche die Übereinstimmung zwischen Codon-Verwendung und strukturellem Kontext quantifiziert. Er integriert struktur-spezifische Adaptivitätskoeffizienten und die Jensen-Shannon-Divergenz, um die Ausrichtung mit nativen Struktur-Codon-Mustern zu messen.

3. Kernbeiträge

Struktur-informiertes generatives Modell: NatCodon ist das erste Modell, das den lokalen Proteinstruktur-Kontext explizit in den generativen Prozess des Codon-Sequenzdesigns integriert und damit über frequenzbasierte Heuristiken hinausgeht.
Entschlüsselung der Struktur-Codon-Grammatik: Die Studie liefert empirische Belege und mechanistische Einblicse darüber, wie die synonyme Codon-Verwendung auf strukturelle Anforderungen abgestimmt ist. Insbesondere wurde identifiziert, dass weniger häufige Codons strategisch an strukturell sensiblen Stellen (z. B. Domänengrenzen, flexible Loops) eingesetzt werden, um ribosomale Pausen für eine korrekte Faltung zu induzieren.
Neue Metrik (NCI): Die Entwicklung des NCI bietet ein prädiktives Werkzeug für die funktionelle Proteinausbeute, das traditionelle Metriken (CAI, tAI) und supervidierte KI-Prädiktoren (Encodon) in generalisierbaren Szenarien übertrifft.
Experimentelle Validierung: Das Framework wurde anhand einer Panel von heterologen Proteinen, einschließlich schwer exprimierbarer Zielproteine, validiert und zeigte signifikante Verbesserungen bei der Produktion löslicher Proteine.

4. Ergebnisse

Kreuz-Spezies-Benchmarking: Über Datensätze hinweg, die E. coli, menschliche, pflanzliche und virale Proteine umfassen, übertraf NatCodon konkurrierende Modelle (CodonTransformer, ICOR). Es reduzierte die Divergenz der Translationskinetik um 96,5–97,5 % und erreichte eine um eine Größenordnung geringere struktur-konditionierte Codon-Divergenz (SCCD), was auf eine überlegene Bewahrung der nativen Kodierungsarchitektur hindeutet.
Experimentelle Leistung: In E. coli-Expressionsexperimenten lieferten NatCodon-designte Sequenzen im Vergleich zu durch GeneOptimizer (OP) optimierten Sequenzen eine 2- bis 33-fach höhere Ausbeute an löslichem Protein.
- SMURF1HECT: Ein zuvor schwer exprimierbares Protein, das mit OP keine detektierbare lösliche Menge lieferte, ergab mit NatCodon 0,57–0,61 mg·ml⁻¹.
- Andere Targets: Signifikante Verbesserungen wurden auch bei DHOase, Luciferase, GFP und HPPD beobachtet.
Mechanistische Einblicte:
- Erklärbare KI (XAI): SHAP- und Integrated-Gradients-Analysen zeigten, dass NatCodon nahezu gleichermaßen Gewicht auf Strukturmerkmale und Aminosäureidentität legt. Es setzt gezielt High-tAI-Codons für starre Strukturkerne und Low-tAI-Codons für flexible Loops und Domänengrenzen ein, um notwendige Translationspausen zu erzeugen.
- Mutagenese: Eine Reverse-Mutagenese von NatCodon-designter DHOase bestätigte, dass eine Erhöhung der Translationsgeschwindigkeit in Loop-Regionen die Ausbeute reduzierte, während eine Erhöhung der Geschwindigkeit in $\alpha$ -Helices diese steigerte, was die kinetische Choreografie des Modells validiert.
- Translationsrampe: NatCodon konnte die native 5'-terminale „Translationsrampe“ (langsamere initiale Codons) erfolgreich reproduzieren – ein Merkmal, das bei anderen Optimierungsmethoden oft verloren geht.
Prädiktive Kraft des NCI: Der NCI zeigte über mehrere Proteine-Bibliotheken hinweg die höchste Korrelation mit der experimentellen löslichen Ausbeute und dem funktionellen Output (Luminiszenz/Fluoreszenz) und übertraf CAI, tAI und Encodon in generalisierbaren Szenarien.
Kompatibilität mit KI-Strukturen: Das Framework bleibt robust, wenn AlphaFold3-prädizierte Strukturen verwendet werden, wobei es eine hohe Sequenzähnlichkeit und Metrik-Konkordanz mit Designs auf Basis experimenteller Strukturen beibehält.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass NatCodon ein fundiertes Fundament für die programmierbare Proteinexpression schafft, indem es über frequenzbasierte Heuristiken hinausgeht. Durch die direkte Einbettung struktureller Zwänge in die Sequenzgenerierung orchestriert das Modell die Translationsdynamik so, dass sie mit den co-translationalen Faltungsanforderungen übereinstimmt. Dieser Ansatz ermöglicht die Produktion therapeutisch und industriell kritischer Targets, einschließlich De-novo-KI-designter Sequenzen, die zuvor als inexpresierbar galten. Die Autoren postulieren, dass das NatCodon–NCI-Framework das Paradigma von der Maximierung der Elongationsgeschwindigkeit hin zur „kinetischen Choreografie“ verschiebt und somit eine generalisierbare Lösung für den reversen Informationsfluss vom Protein zur Nukleinsäure in Abwesenheit evolutionärer Templates bietet. Die Werkzeuge werden der Gemeinschaft frei zugänglich gemacht, um die Produktion komplexer Proteine zu erleichtern.