Unavailability of experimental 3D structural data on protein folding dynamics and necessity for a new generation of structure prediction methods in this context

Titel

Onbeschikbaarheid van experimentele 3D-structurele data over eiwitvouwingdynamica en de noodzaak voor een nieuwe generatie voorspellingsmethoden in deze context.

1. Het Probleem

Eiwitvouwing is een dynamisch proces waarbij een aminozuursequentie een reeks 3D-conformatieveranderingen doorloopt (vouwingintermediairen) voordat het de stabiele, native 3D-structuur bereikt. Hoewel er een overvloed aan data bestaat over de native (voltooide) structuren van eiwitten, is er een kritisch gebrek aan experimentele 3D-structurele data voor niet-native intermediairen.

Dit gebrek is tweeledig:

• Post-translationele vouwing: Eiwitten die volledig gesynthetiseerd zijn en dan vouwen.
• Co-translationele vouwing: Eiwitten die vouwen terwijl ze nog door het ribosoom worden gesynthetiseerd (vectoriële groei).

De beperkingen van huidige experimentele technologieën (zoals NMR, cryo-EM en X-ray kristallografie) maken het moeilijk om deze snel fluctuerende, onstabiele intermediairen in real-time vast te leggen. Zonder deze 3D-structurele data is het onmogelijk om atomaire interacties en structurele overgangen tijdens het vouwproces volledig te begrijpen, wat essentieel is voor het bestuderen van misvouwing en bijbehorende ziektes.

2. Methodologie

De auteurs hebben een uitgebreide literatuurstudie uitgevoerd en eigen analyses gedaan om de huidige staat van het veld te beoordelen:

• Literatuurzoekopdracht: Systematisch zoeken naar bestaande experimentele 3D-structuren van vouwintermediairen (zowel post- als co-translationeel) in databases zoals de Protein Data Bank (PDB).
• Data-analyse:
  • Inventarisatie van het aantal studies, eiwitten en intermediairen.
  • Berekening van structurele gelijkenissen tussen intermediairen en tussen verschillende conformeren van hetzelfde intermediair, gebruikmakend van de TM-score (Template Modeling score). Een score < 0,5 duidt op een andere globale vouwing.
• Evaluatie van bestaande voorspellingsmethoden:
  • AlphaFold2: De auteurs hebben getest of AlphaFold2 (ontworpen voor native structuren) de 3D-structuren van co-translationele intermediairen kan voorspellen. Ze voerden de experimentele sequenties van deze intermediairen in bij AlphaFold2 en vergeleken de voorspelde structuren met de experimentele data.
  • Vergelijking met "Proxy"-intermediairen: Ze vergeleken de AlphaFold2-resultaten met een eerder ontwikkelde methode van hun eigen groep: "proxy" intermediairen. Deze worden afgeleid uit de native structuur door progressief langere sequentiedelen te extraheren, zonder rekening te houden met echte dynamica.
• Review van gespecialiseerde methoden: Analyse van recente methoden die specifiek zijn ontworpen voor vouwpadvoorspelling (zoals Pathfinder, FoldPAthreader, en nieuwe simulaties).

3. Belangrijkste Bijdragen

1. Centrale Resource: De auteurs hebben een overzicht gecreëerd van alle beschikbare experimentele 3D-structurele data voor vouwintermediairen, wat een centrale bron vormt voor de gemeenschap.
2. Bevestiging van Data-tekort: Ze kwamen tot de conclusie dat de data extreem schaars is:
   • Post-translationeel: Slechts 2 studies (2 eiwitten) met experimentele 3D-structuren van intermediairen.
   • Co-translationeel: Slechts 4 studies (4 eiwitten) met in totaal 11 distincte intermediairen (17 conformeren).
3. Evaluatie van AlphaFold2: Het eerste systematische bewijs dat AlphaFold2, hoewel uitstekend voor native structuren, falen in het voorspellen van co-translationele intermediairen.
4. Vergelijking met Baselines: Ze tonen aan dat AlphaFold2 niet beter presteert dan simpele "proxy"-modellen (die puur op de native structuur zijn gebaseerd) bij het voorspellen van niet-native intermediairen.

4. Resultaten

• Schaarste aan Data: De huidige datasets zijn beperkt tot korte eiwitten (<100 aminozuren) en een klein aantal intermediairen (2-4 per eiwit). Er is geen centraal register voor kinetische of thermodynamische data van co-translationele intermediairen.
• AlphaFold2 Prestaties:
  • Voor native conformeren (de laatste stap in de vouwing) presteerde AlphaFold2 uitstekend (TM-scores tussen 0,80 en 0,96).
  • Voor niet-native intermediairen (de tussenstappen) faalde AlphaFold2 grotendeels. Van de 11 geteste niet-native conformeren hadden er 9 een TM-score onder de 0,5 (0,14 - 0,47), wat aangeeft dat de voorspelde globale vouwing compleet anders is dan de experimentele structuur.
  • AlphaFold2 neigt ertoe om de meest stabiele native structuur te voorspellen, ongeacht of de inputsequentie een intermediair is.
• Vergelijking met Proxy: De "proxy" intermediairen (afgeleid van de native structuur) presteerden vergelijkbaar slecht als AlphaFold2 bij het matchen van experimentele intermediairen. Dit bevestigt dat het simpelweg het voorspellen van de native structuur of het nemen van subdelen daarvan niet volstaat om de vouwdynamica te modelleren.
• Bestaande Gespecialiseerde Methoden: Methodes zoals Pathfinder en FoldPAthreader (voor post-translationeel) en nieuwe Monte Carlo/Moleculaire Dynamica simulaties (voor co-translationeel) tonen belofte, maar worden vaak geëvalueerd op grofkorrelige data (bijv. contactorde) in plaats van directe 3D-structuurvergelijking, vanwege het gebrek aan experimentele 3D-referenties.

5. Betekenis en Conclusie

De studie concludeert dat er een fundamentele barrière bestaat in het begrijpen van eiwitvouwingdynamica: het gebrek aan experimentele 3D-structuren van intermediairen.

• Noodzaak voor een nieuwe generatie: Bestaande AI-methoden die zijn getraind op native structuren (zoals AlphaFold2) generaliseren niet naar niet-native toestanden. Er is een nieuwe generatie voorspellingsmethoden nodig die expliciet rekening houden met de biophysica van vouwdynamica, zoals de vectoriële aard van translatie, de rol van het ribosoom, en tijdsafhankelijke interacties.
• Rol van de Gemeenschap: Net zoals de groei van de PDB en CASP-competities de vroege eiwitstructuurvoorspelling stimuleerden, kan het systematisch organiseren van bestaande data en het genereren van nieuwe experimentele 3D-structuren voor intermediairen de ontwikkeling van gespecialiseerde voorspellingsalgoritmen en evaluatiekaders stimuleren.
• Toekomstrichting: De auteurs pleiten voor een gecoördineerde inspanning tussen experimentele wetenschappers (voor het ontwikkelen van snellere, hogere-resolutie technieken om intermediairen vast te leggen) en computationele wetenschappers (voor het ontwikkelen van methoden die specifiek zijn ontworpen voor vouwpaden, niet alleen voor eindresultaten).

Kortom: Zonder experimentele 3D-data voor intermediairen blijven onze beste voorspellingsmodellen blind voor het dynamische proces van eiwitvouwing.