A protein interactome for the last eukaryotic common ancestor illuminates the biochemical basis of modern genetic diseases

Dit onderzoek reconstrueert het interactome van de laatste eukaryotische gemeenschappelijke voorouder door duizenden proteomics-data te integreren, waardoor nieuwe inzichten worden verkregen in de biochemische oorsprong van moderne menselijke genetische aandoeningen.

De kern

De Oer-Interactiekaart: Hoe een 1,8 miljard jaar oude 'vriendjeslijst' ons helpt bij moderne ziektes

Stel je voor dat je een enorme, oude familiefoto hebt van de alleroudste voorouder van alle eukaryoten (dat zijn organismen met een celkern, zoals wij, planten, schimmels en zelfs algen). Deze voorouder, die we LECA noemen (de Last Eukaryotic Common Ancestor), leefde ongeveer 1,8 miljard jaar geleden. Hij of zij was een eencellig wezen, maar had al een ingewikkeld 'gereedschapskistje' vol met eiwitten.

Deze studie is als een detectiveverhaal waarbij wetenschappers proberen te reconstrueren hoe die oude gereedschapskist eruitzag, en vooral: hoe de gereedschappen samenwerkten.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Grote Puzzel: Wie zat er in de oude gereedschapskist?

De onderzoekers keken naar 156 verschillende soorten levende wezens, van mens tot gist, van algen tot wormen. Ze zochten naar de gereedschappen (eiwitten) die bij alle deze soorten hetzelfde zijn.

• De Analogie: Stel je voor dat je 156 verschillende gereedschapskisten van verschillende timmermannen uit de hele wereld vergelijkt. Je merkt dat ze allemaal een hamer, een schroevendraaier en een zaag hebben. Die drie gereedschappen waren dus al in de kist van de 'oer-timmerman' (LECA) aanwezig.
• Het resultaat: Ze vonden ongeveer 10.000 van deze 'oergereedschappen'. Ongeveer de helft van de eiwitten in ons menselijk lichaam is vandaag de dag nog steeds een van deze oude stukken!

2. De 'Groepsfoto' van de Eiwitten (Het Interactoom)

Het is niet genoeg om te weten welke gereedschappen er zijn; je moet ook weten hoe ze samenwerken. Sommige gereedschappen werken alleen, maar de meeste werken in teams (complexen).

• De Methode: De wetenschappers gebruikten een techniek genaamd massaspectrometrie. Stel je voor dat je een grote pot met honderden verschillende ballen (eiwitten) hebt. Je gooit ze door een reeks tralies met verschillende openingen. Ballen die aan elkaar plakken (interacteren), rollen er samen uit.
• De Grote Sprong: Ze deden dit experiment niet één keer, maar 26.000 keer met 31 verschillende soorten. Ze keken naar ballen die in alle deze soorten samen uit de tralies rollen.
• De Analogie: Het is alsof je 31 verschillende orkesten hoort spelen. Als je hoort dat de viool, de cello en de fluit in elk orkest exact op hetzelfde moment spelen, dan weten je: "Deze drie muzikanten maken vast een vaste band, al sinds de oudste voorouder van alle orkesten!"

3. Waarom is dit zo belangrijk? (De 'Fouten' in de Oude Machine)

De kern van dit onderzoek is dat deze oude teams (eiwitcomplexen) zo belangrijk zijn voor het leven, dat ze nauwelijks veranderen. Als er iets misgaat met een van deze oude teams, krijg je vaak een ernstige ziekte.

• De Analogie: Stel je voor dat LECA een oude, perfecte auto is. De motor, de remmen en de wielen werken al 1,8 miljard jaar perfect samen. Als je vandaag een moderne auto bouwt (een mens), gebruik je nog steeds diezelfde motor en remmen. Als die remmen kapot gaan, crasht de auto, ongeacht of het een oude of nieuwe auto is.

4. De Drie Grote Ontdekkingen

De onderzoekers gebruikten deze oude 'vriendjeslijst' om drie nieuwe dingen te ontdekken over menselijke ziektes:

• A. Nierproblemen en 'Haar' op de cellen (Cilia):
  Ze vonden een mannetje met ernstige nierproblemen. Ze zagen dat een gen genaamd EFHC2 kapot was. Dit gen maakt een eiwit dat normaal gesproken in de 'haren' (cilie) van cellen zit.

  • De ontdekking: Door te kijken naar de oude kaart zagen ze dat dit eiwit al 1,8 miljard jaar samenwerkt met andere eiwitten die zorgen voor beweging in die haren. Zelfs al hebben nieren geen 'haren' die bewegen, het blijkt dat dit oude team hier toch een cruciale rol speelt. De ziekte kwam door een fout in dit oude team.

• B. Te harde botten (Osteopetrose):
  Ze zochten naar de oorzaak van een ziekte waarbij botten te hard en broos worden. Ze zagen dat een specifiek onderdeel van een 'zoutpomp' (een eiwit genaamd ATP6V1A) in hun oude kaart een sterke band had met botvorming.

  • De test: Ze maakten muizen met een gebroken versie van dit eiwit. Die muizen kregen inderdaad superharde botten. De oude kaart had de juiste verdachte gevonden!

• C. Een verborgen rol voor een 'Postkantoor'-eiwit:
  Ze zochten naar de oorzaak van een ziekte waarbij ribben en longen niet goed ontwikkelen. Ze vonden een eiwit genaamd GLG1. Dit eiwit zit normaal in het 'postkantoor' van de cel (het Golgi-apparaat) en heeft niets te maken met de 'haren' (cilie) van de cel.

  • De verrassing: Maar op de oude kaart zat GLG1 vastgeplakt aan de 'haren'. Ze testten dit in kikkercellen en zagen dat als je GLG1 uitschakelde, de 'haren' verdwenen. Het postkantoor bleek dus ook de 'vervoersdienst' voor de haren te zijn!

Conclusie: De Kracht van de Oude Wijsheid

Deze studie laat zien dat we niet hoeven te raden hoe moderne ziektes werken. We hoeven alleen maar terug te kijken naar de 'oer-teams' die 1,8 miljard jaar geleden al perfect samenwerkten.

• De Les: Als je wilt weten waarom een moderne machine (ons lichaam) kapot gaat, kijk dan naar de blauwdruk van de oer-motor. Als een onderdeel daar al 1,8 miljard jaar samenwerkt met een ander onderdeel, dan is de kans groot dat als dat onderdeel faalt, de hele machine crasht.

Door te kijken naar de 'vriendjeslijst' van onze oudste voorouder, kunnen artsen nu sneller de juiste geneesmiddelen vinden voor ziektes die we vandaag de dag nog niet begrijpen. Het is alsof we een oude schatkaart hebben gevonden die ons leidt naar de oplossing voor moderne medische mysteries.

Technische samenvatting

Probleemstelling

De laatste eukaryotische gemeenschappelijke voorouder (LECA), die ongeveer 1,5 tot 1,8 miljard jaar geleden leefde, vormt de basis van alle huidige eukaryoten. Hoewel er uitgebreide fylogenomische studies zijn die de geninhoud van LECA reconstrueren, ontbreekt er een geïntegreerd beeld van hoe deze eiwitten functioneren in hogere-orde complexen (interactomen).
De kernproblemen zijn:

1. Gebrek aan interactiegegevens: Genomische reconstructies vertellen niet hoe eiwitten fysiek samenwerken in macromoleculaire complexen, terwijl de meeste cellulaire processen afhankelijk zijn van dergelijke assemblages.
2. Onbekende functies: Ongeveer 25% van de geschatte genfamilies van LECA heeft een onbekende functie, wat het moeilijk maakt om hun rol in moderne ziekten te begrijpen.
3. Ziekte-mechanismen: Veel moderne genetische ziekten (zoals nierfalen en botdichtheidsstoornissen) worden veroorzaakt door verstoringen in zeer geconserveerde systemen, maar de moleculaire oorsprong en interacties van deze ziekteverwekkende eiwitten zijn vaak onduidelijk.

Methodologie

De auteurs hebben een geavanceerde, datagedreven aanpak ontwikkeld om het interactome van LECA te reconstrueren:

1. Reconstructie van het LECA-genoom:

   • Er werden 156 organismen geanalyseerd (van bacteriën en archaea tot diverse eukaryoten).
   • Met behulp van Dollo-parsimonie (en ter validatie Wagner-parsimonie en fylogenetische reconciliatie) werd een kernset van 10.091 orthogroepen (OG's) geïdentificeerd die waarschijnlijk in LECA aanwezig waren. Een "core" subset van 6.429 OG's werd geselecteerd die door meerdere methoden wordt ondersteund.

2. Integratie van Massaspectrometrie-data (CFMS):

   • De studie integreerde >26.000 massaspectrometrie-experimenten (co-fractionation mass spectrometry of CFMS) van 31 verschillende eukaryotische soorten, variërend van unicellulaire protisten tot zoogdieren.
   • Er werden nieuwe data gegenereerd voor vier slecht gekarakteriseerde soorten (o.a. Brachionus rotundiformis, Euglena gracilis) en ciliaire weefsels (varkens en kikkers) om de dekking te vergroten.
   • De data omvatte bijna 380 miljoen peptiden, toegewezen aan orthogroepen.

3. Machine Learning voor Interactievoorspelling:

   • Een toezicht op machine learning-pijplijn werd getraind op bekende eiwitcomplexen (uit CORUM en Complex Portal).
   • Drie classificatie-algoritmen werden getest: ExtraTreesClassifier, LinearSVC en SGDClassifier.
   • Een cruciale innovatie was een data-stratificatie-aanpak om overfitting te voorkomen, waarbij complexe supergroepen als eenheid werden behandeld in de trainings- en testsets.
   • De modellen voorspellen interacties op basis van co-elutiepatronen (proteïnen die samen uit de kolom komen) over meerdere soorten en supergroepen heen.

4. Validatie en Toepassing:

   • Het resulterende netwerk werd gevalideerd tegen onafhankelijke datasets (Yeast-2-hybrid, mRNA-co-expressie, cross-linking MS).
   • Het netwerk werd gebruikt voor "guilt-by-association" analyse om nieuwe ziekte-eiwitrelaties te voorspellen voor 109 menselijke ziekten.
   • Voorspellingen werden experimenteel gevalideerd in Xenopus laevis (kikker) en muismodellen (CRISPR-Cas9 knockouts).

Belangrijkste Bijdragen en Resultaten

• Het LECA Interactome:

  • De auteurs hebben een hoogwaardig interactome opgeleverd met 109.466 paren van eiwitinteracties tussen 3.193 unieke orthogroepen (waarvan 98% tot de kernset behoort).
  • Deze interacties zijn hiërarchisch geklusterd in 199 tot 2.014 eiwitcomplexen, afhankelijk van de granulariteit.
  • Het netwerk bevestigt bekende complexe systemen (zoals het spliceosoom, COPI/COPII vesikelcoaten en mitochondriale translocases) en onthult nieuwe, diep geconserveerde interacties.

• Nieuwe Inzichten in Celbiologie:

  • Vesikel-tethering: Er werden onverwachte, oude interacties ontdekt, zoals de binding van EIPR1 aan GARP/EARP-complexen en de aanwezigheid van TRAPPC12 in het kern-TRAPP-complex (voorheen gedacht als metazoan-specifiek).
  • Fagocytose: De aanwezigheid van een uitgebreid cytoskelet-systeem (inclusief ARP2/3, forminen en coronines) in LECA ondersteunt de hypothese dat de laatste eukaryotische voorouder in staat was tot fagocytose en pseudopodia-vorming.

• Koppeling aan Menselijke Ziekten:

  • Nierfalen (EFHC2): Een patiënt met end-stage nierfalen bleek een mutatie te hebben in EFHC2. Het interactome toonde aan dat dit eiwit geconserveerd is in ciliaire complexen. Experimenten toonden aan dat de mutatie de lokalisatie van het eiwit in cilia verhindert, wat de ziekte verklaart.
  • Osteopetrose (ATP6V1A): Het netwerk voorspelde dat een specifieke subunit van de V-ATPase (ATP6V1A) betrokken is bij osteopetrose (abnormaal dichte botten). Knockout-muizen bevestigden dit met een significante toename in botmineraalinhoud.
  • Korte-rib thoracale dysplasie (GLG1): Het netwerk voorspelde een rol voor het Golgi-eiwit GLG1 in ciliogenese. Knockdown in Xenopus resulteerde in een verlies van cilia en accumulatie van IFT-eiwitten, wat een nieuw mechanisme voor deze dodelijke ziekte onthult.

• Voorspellende Kracht:

  • De "guilt-by-association" methode op het LECA-netwerk voorspelde succesvol ziektegenen voor ongeveer 35% van de geteste Mendeliaanse aandoeningen (AUROC > 0.7), wat aanzienlijk beter is dan willekeurige voorspellingen.

Significantie

Deze studie is baanbrekend omdat het voor het eerst een functioneel, biochemisch snapshot biedt van het leven van 1,8 miljard jaar geleden, niet alleen op gen-niveau, maar op het niveau van eiwitcomplexen.

1. Evolutionair Inzicht: Het bevestigt dat LECA al een uiterst complexe cel was met geavanceerde systemen voor intracellulair transport, cytoskelet-dynamiek en energiemetabolisme. Het lost debatten op over de oorsprong van fagocytose en de samenstelling van vesikel-tethering complexen.
2. Medische Toepassing: Het demonstreert dat diep geconserveerde eiwitinteracties een krachtig hulpmiddel zijn om de moleculaire oorzaken van moderne menselijke ziekten te ontrafelen, zelfs voor genen waarvan de functie onbekend was.
3. Methodologische Doorbraak: De integratie van massieve proteomics-data uit diverse soorten met machine learning biedt een robuust raamwerk voor het bestuderen van eiwitinteracties over de hele eukaryotische boom des levens, waardoor het mogelijk wordt om ziektemechanismen te voorspellen die niet direct zichtbaar zijn in huidige modelorganismen.

Kortom, het artikel levert een fundamentele kaart op van de "bedrijfsvoering" van de eerste eukaryotische cel en toont aan dat deze oude netwerken direct relevant zijn voor het begrijpen en behandelen van genetische aandoeningen vandaag de dag.