PHASE: encoding global protein ensembles with local Hamiltonians and all-atom backmapping
Het artikel introduceert PHASE, een raamwerk dat atomistische proteïne-conformatie-ensembles omzet in compacte, interpreteerbare statistische modellen met behulp van lokale Hamiltonia en all-atom backmapping, wat de reconstructie van complexe activatielandschappen en directe codering voor klassiek en kwantum annealing mogelijk maakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Eiwitten zijn geen starre standbeelden; het zijn flexibele machines die voortdurend van vorm veranderen om hun werk te doen. Een enkel eiwitmolecuul bestaat niet in slechts één vorm, maar eerder als een wolk van vele licht verschillende vormen, bekend als een conformationeel ensemble. Deze vormen veranderen wanneer het eiwit interageert met andere moleculen, zoals medicijnen of signaalpartners, en deze verschuivingen bepalen of het eiwit een signaal aan- of uitzet. Decennialang hebben wetenschappers geprobeerd deze verschuivende vormen te begrijpen door massale computersimulaties uit te voeren die elke atoom in het molecuul door de tijd heen volgen. Hoewel deze simulaties terabytes aan gegevens produceren, is de ruwe output vaak slechts een lange lijst met posities, wat het moeilijk maakt om de onderliggende regels te zien die het bewegen van het eiwit beheersen of om te voorspellen welke nieuwe vormen het in de toekomst zou kunnen aannemen. De uitdaging is geweest om deze chaotische stroom van atomaire posities om te zetten in een heldere, compacte kaart die de statistische relaties tussen de verschillende delen van het eiwit verklaart.
Een team van onderzoekers aan het Euler Instituut in Zwitserland heeft een nieuwe methode ontwikkeld genaamd PHASE om dit probleem op te lossen. Ze creëerden een systeem dat de complexe, atoom-voor-atoom bewegingen van een eiwit neemt en deze omzet in een eenvoudig, interpreteerbaar statistisch model. Om hun aanpak te testen, richtten ze zich op de adenosine A2A-receptor, een eiwit dat in het menselijk lichaam voorkomt en een sleutelrol speelt in hoe cellen reageren op signalen en hoe bepaalde medicijnen werken. De onderzoekers analyseerden ongeveer 37 microseconden aan computersimulatiegegevens voor deze receptor, die een breed scala aan condities besloeg, waaronder wanneer de receptor leeg was, wanneer deze gebonden was aan verschillende medicijnen, en wanneer deze verbonden was met een signaalproteïne.
De kern van de PHASE-methode bestaat uit het opdelen van het eiwit in zijn individuele bouwstenen, de aminozuurresiduen, en het beschrijven van de vorm van elk onderdeel met behulp van een kleine set standaardcategorieën. In plaats van de exacte positie van elk atoom te volgen, groepeert het systeem vergelijkbare lokale vormen in onderscheidende "microtoestanden". Door het gehele eiwit te bekijken als een sequentie van deze microtoestanden, waren de onderzoekers in staat een wiskundige kaart, of Hamiltonian, op te bouwen die beschrijft hoe waarschijnlijk het is dat het eiwit zich in een bepaalde combinatie van vormen bevindt. Cruciaal is dat deze kaart alleen interacties hoefde te overwegen tussen aminozuren die fysiek dicht bij elkaar liggen, binnen een afstand van ongeveer 6 angström. Ondanks het gebruik van alleen deze lokale verbindingen, slaagde het model erin de complexe, langetermijnpatronen van beweging te reproduceren die in de oorspronkelijke simulaties werden gezien. Dit betekent dat het globale gedrag van het eiwit natuurlijk voortkomt uit de eenvoudige, lokale regels die de delen met elkaar verbinden.
Een van de meest opmerkelijke bevindingen was dat het model in staat was om verschillende functionele toestanden van de receptor te onderscheiden zonder dat het ooit verteld werd wat die toestanden waren. De onderzoekers trainden aparte modellen voor de receptor in zijn inactieve staat en in zijn actieve staat. Wanneer ze deze modellen gebruikten om nieuwe, ongeziene configuraties te analyseren, sorteerde het systeem deze automatisch langs een spectrum van inactief naar actief. Deze sortering werkte correct, zelfs voor condities die het model nog niet had gezien, zoals wanneer de receptor gebonden was aan een medicijn dat een intermediaire vorm stabiliseert. Het model bereikte dit door de statistische "voorkeur" van het eiwit voor bepaalde vormen te leren, waardoor het effectief een coördinatensysteem creëerde dat het gedrag van het eiwit organiseert op basis van de interne structuur in plaats van externe labels.
De onderzoekers ontdekten ook dat de activatie van deze receptor geen uniforme verandering is over het hele molecuul. Door het statistische model op te splitsen in twee regio's — het deel van het eiwit dat naar de buitenkant van de cel wijst en het deel dat naar de binnenkant wijst — ontdekten zij dat verschillende medicijnen en signaalpartners deze regio's op verschillende manieren beïnvloeden. Sommige condities veranderden de vorm van de buitenste regio aanzienlijk terwijl de binnenste regio relatief onveranderd bleef, terwijl andere het tegenovergestelde effect hadden. Dit vermogen om precies in kaart te brengen waar in het eiwit een verandering optreedt, biedt een gedetailleerde vingerafdruk van hoe de receptor reageert op verschillende stimuli, wat een nieuwe manier biedt om te begrijpen hoe medicijnen specifieke cellulaire reacties kunnen triggeren.
Om deze abstracte statistische modellen bruikbaar te maken voor praktische toepassingen, voegde het team een laatste stap toe die de vereenvoudigde microtoestandbeschrijvingen terugvertaalt naar volledige, driedimensionale atomaire structuren. Ze trainden een apart computermodel om de sequentie van microtoestanden gegenereerd door de statistische kaart te nemen en de precieze posities van elk atoom in het eiwit te reconstrueren. Dit proces, bekend als backmapping, stelde hen in staat om nieuwe, fysiek realistische eiwitvormen te generen die de geleerde statistische regels volgden. De gereconstrueerde structuren waren zeer nauwkeurig, waarbij de posities van de ruggengraatatomen minder dan één angström afweken van de oorspronkelijke simulatiegegevens. Dit sloot de cirkel: wetenschappers konden beginnen met een complexe simulatie, deze distilleren tot een eenvoudige set regels, en vervolgens nieuwe, geldige atomaire structuren genereren vanuit die regels.
De betekenis van dit werk ligt in het vermogen om een enorme, onhandelbare dataset om te zetten in een compact en manipuleerbaar model. Door het gedrag van het eiwit weer te geven als een set lokale interacties, creëerden de onderzoekers een instrument dat gemakkelijk kan worden onderzocht, vergeleken en gesampled. Het statistische model is eenvoudig genoeg om direct te analyseren, waardoor zichtbaar wordt welke delen van het eiwit het belangrijkst zijn voor de functie, maar het is gedetailleerd genoeg om nieuwe atomaire structuren te genereren die consistent zijn met de wetten van de fysica. Deze aanpak biedt een krachtige nieuwe manier om te bestuderen hoe eiwitten bewegen en interageren, wat potentieel kan helpen bij het ontwerpen van betere medicijnen door precies te begrijpen hoe een molecuul van vorm verandert om zijn werk te doen. De methode is niet beperkt tot deze enkele receptor; het biedt een algemeen kader dat kan worden toegepast op elk eiwit waarvoor simulatiegegevens beschikbaar zijn, waardoor de chaotische dans van atomen wordt omgezet in een helder en begrijpelijk verhaal.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.