AlphaFold Database expands to proteome-scale quaternary structures

Stellen Sie sich den menschlichen Körper (und jedes andere Lebewesen) als eine riesige, geschäftige Stadt vor. In dieser Stadt sind die Arbeiter Proteine. Lange Zeit dachten Wissenschaftler, diese Arbeiter seien Einzelunternehmer, die ihre Arbeit isoliert erledigen. Wir haben sogar eine riesige digitale Bibliothek namens AlphaFold Database gebaut, die die Baupläne für Millionen dieser Einzelarbeiter enthält und uns genau zeigt, wie sie in 3D aussehen. Aber hier ist der Haken: In der echten Stadt arbeiten Proteine selten allein. Sie sind soziale Wesen, die ständig Teams bilden, sich die Hände schütteln und komplexe Maschinen bauen, um Aufgaben zu erledigen. Diese Teams werden „Komplexe“ genannt. Bis jetzt fehlten unserer Bibliothek die Baupläne für diese Teams. Wir wussten, wer die Arbeiter waren, aber wir wussten nicht, wie sie sich die Hände halten oder ihre Maschinen bauen. Das ist wichtig, denn wenn man eine kaputte Maschine reparieren oder verstehen will, wie eine Stadt funktioniert, muss man die Arbeiter zusammen sehen, nicht nur allein stehend.

Nun hat eine massive Zusammenarbeit zwischen Wissenschaftlern des European Molecular Biology Laboratory, der Seoul National University, NVIDIA und Google DeepMind die Türen zu diesem fehlenden Teil der Bibliothek geöffnet. Sie haben nicht einfach nur geraten; sie nutzten Supercomputer, um die 3D-Formen von über 31 Millionen potenzieller Proteinteams vorherzusagen. Aus diesem Berg von Vorhersagen haben sie die unsicheren Vermutungen herausgefiltert und 1,81 Millionen hochkonfidente Modelle von Proteinpaaren behalten, die zusammenarbeiten. Betrachten Sie es als ein Upgrade der Bibliothek von einer Sammlung von Einzelporträts zu einer riesigen Galerie von Gruppenfotos. Sie fanden heraus, dass einige Teams denjenigen, die wir bereits unter dem Mikroskop gesehen haben, sehr ähnlich sehen, aber viele andere sind völlig neu und enthüllen Strukturen, die zuvor völlig unsichtbar waren, als wir nur die Proteine allein betrachteten. Diese neue Ressource steht nun jedem frei zur Verfügung und bietet einen frischen Blick darauf, wie die molekulare Maschinerie des Lebens tatsächlich zusammengesetzt ist.

Der große Sprung: Vom Solokünstler zum Mannschaftssport

Jahrelang war die AlphaFold Protein Structure Database (AFDB) wie ein Fotoalbum einzelner Schauspieler. Sie lieferte uns die 3D-Formen einzelner Proteine mit unglaublicher Genauigkeit und revolutionierte unser Verständnis der Biologie. Aber die Biologie ist selten ein Solospiel. Proteine funktionieren meistens, indem sie an andere Proteine binden und Paare oder größere Gruppen bilden, um Aufgaben wie das Senden von Signalen, den Aufbau von Zellwänden oder das Kopieren von DNA zu erfüllen. Das Problem war, dass wir zwar die Fotos der Schauspieler hatten, aber nicht die Fotos der Duette.

Dieses neue Paper beschreibt eine massive Erweiterung dieser Datenbank. Das Team sagte die Strukturen von 31 Millionen Proteinpaar-Kandidaten (genannt Dimere) aus 4.777 verschiedenen Organismen voraus, die von gewöhnlichen Laborbakterien bis hin zu Organismen reichen, die für die globale Gesundheit entscheidend sind. Sie haben nicht einfach alles in den Topf geworfen; sie nutzten einen strengen Filterprozess, um die zuverlässigsten Vorhersagen zu finden. Nachdem sie diese durch eine Qualitätskontrolle laufen ließen, identifizierten sie 1,81 Millionen hochkonfidente Strukturen. Dies sind die „Goldstandard“-Modelle, bei denen der Computer sich sehr sicher ist, dass die zwei Proteine sich tatsächlich so an den Händen halten, wie vorhergesagt.

Warum der Blick auf Paare alles verändert

Der aufregendste Teil dieser Entdeckung ist, dass das Sehen von Proteinen als Team die Geschichte oft völlig verändert. Manchmal sieht ein Protein allein vorhergesagt wie ein unordentlicher, unerkennbarer Klumpen aus, aber wenn man es neben seinen Partner setzt, fügt es sich zu einer perfekten, klaren Form zusammen.

Die Autoren fanden mehrere Wege, wie dies geschieht:

• Der „Puzzleteil“-Effekt: Einige Proteine sind wie Puzzleteile, die erst Sinn ergeben, wenn sie zusammenklicken. Zum Beispiel sah ein Protein aus einem Schleimschimmel (einer Art von Mikroben) allein wie ein kaputtes, wenig vertrauenswürdiges Chaos aus. Aber als Paar modelliert, tauschten die beiden Hälften Teile ihrer Struktur aus, um die Formen des jeweils anderen zu vervollständigen, und bildeten eine perfekte, hochkonfidente Maschine.
• Der „Mauerschützer“-Effekt: Einige Proteine sind wie Ziegelsteine, die gestapelt werden müssen, um eine Wand zu bilden. Ein Protein, das an der Zellreinigung (Autophagie) beteiligt ist, sah allein wie ein wackeliges, unsicheres Helix-Bündel aus. Aber als Paar mit seinem Zwilling gebildet, formten sie eine solide, kohärente Struktur, die klar definierte, wo die Zellmembran liegen sollte – etwas, das das Solo-Modell nicht herausfinden konnte.
• Der „Architekten“-Effekt: Selbst wenn ein Solo-Protein gut aussieht, kann das Hinzufügen eines Partners die Anordnung seiner verschiedenen Teile korrigieren. Ein Protein hatte eine vertrauenswürdige Form, aber der Abstand zwischen seinen zwei Hauptabschnitten war eine bloße Vermutung. Als Paar modelliert, fungierte der Partner wie ein Gerüst, das die beiden Abschnitte in die richtige Position lockte.

Kurz gesagt zeigt das Paper, dass die „reale“ Form vieler Proteine erst existiert, wenn sie in einem Komplex sind. Man kann das ganze Bild nicht verstehen, indem man nur die Einzelteile isoliert betrachtet.

Was die Zahlen uns sagen

Das Team hat nicht nur schöne Bilder gemacht; sie haben die Mathematik betrieben, um zu sehen, wie zuverlässig diese Vorhersagen sind. Sie legten strenge Regeln fest, was als „hochkonfidentes“ Team zählt. Sie fanden heraus, dass:

• Homodimere (identische Paare): Etwa 9,1 % der vorhergesagten identischen Paare den Hochkonfidenz-Test bestanden. Das ist viel! Es deutet darauf hin, dass der Computer sehr gut darin ist zu erkennen, wie zwei der gleichen Proteine zusammenpassen, wenn sie ein Team bilden.
• Heterodimere (verschiedene Paare): Nur etwa 1,0 % der vorhergesagten verschiedenen Paare bestanden den Test. Dies ist niedriger, und die Autoren vermuten, dass dies daran liegt, dass sie ein sehr weites Netz auswarfen, um potenzielle Partner zu finden, was bedeutet, dass viele der getesteten Paare in der Realität möglicherweise gar nicht interagieren.
• Uralte Teams: Wenn sie diese Strukturen nach Ähnlichkeit gruppierten, fanden sie, dass die obersten 1 % der häufigsten Strukturen etwa 44 % aller hochkonfidenten Komplexe ausmachten. Noch faszinierender war, dass etwa 8,3 % dieser häufigen Strukturen über völlig unterschiedliche Zweige des Lebens hinweg (wie Bakterien, Pflanzen und Tiere) zu finden waren. Dies deutet darauf hin, dass einige dieser Proteinteams uralt sind und über Milliarden von Jahren erhalten blieben, weil sie so gut funktionieren.

Jenseits der bekannten Welt

Eines der wichtigsten Ergebnisse ist, wie viel von dieser neuen Welt auch wirklich neu ist. Als sie ihre 1,81 Millionen hochkonfidenten Modelle mit der bestehenden Bibliothek experimentell bestimmter Strukturen (PDB) verglichen, fanden sie heraus, dass 31,3 % der individuellen Vorhersagen mit nichts übereinstimmten, was wir jemals unter einem Mikroskop gesehen haben. Auf der Ebene von Gruppen (Clustern) hatten 63,6 % der einzigartigen Strukturen keinen bekannten experimentellen Match.

Das bedeutet, dass die Datenbank nicht nur Lücken füllt, sondern auch völlig neue Gebiete entdeckt. Während viele dieser Vorhersagen in dem verwurzelt sind, was wir bereits wissen (was Wissenschaftlern Vertrauen gibt, sie zu nutzen), reicht ein großer Teil in unkartiertes Terrain vor und bietet Hypothesen für Strukturen, die Experimentatoren bisher noch nicht gefunden haben.

Das Fazit

Dieses Paper ist ein massiver Schritt nach vorn, der die AlphaFold Database von einer Sammlung von Solo-Porträts in eine dynamische Galerie molekularer Teamarbeit verwandelt. Indem die Autoren 1,81 Millionen hochkonfidente Modelle von Proteinpaaren bereitstellen, haben sie Biologen ein neues Werkzeug gegeben, um Hypothesen darüber zu generieren, wie Proteine interagieren, wie Krankheiten diese Teams stören könnten und wie man neue Medikamente entwickelt. Sie behaupten nicht, jede Proteininteraktion im Universum gelöst zu haben, aber sie haben einen skalierbaren, zuverlässigen Rahmen geschaffen, der die Lücke zwischen dem, was wir wissen, und dem, was wir entdecken müssen, schließt. Die Bibliothek ist nun geöffnet, und die Gruppenfotos liegen bereit zur Erkundung.