Metagenomic-scale analysis of the predicted protein structure universe

Deze studie presenteert AFESM, een dataset van 820 miljoen voorspelde eiwitstructuren die, door clustering en analyse, duizenden nieuwe domeinvouwen en ongeziene domeincombinaties uit metagenomische data onthult, waarmee een aanzienlijk deel van het onontdekte eiwitstructuuruniversum wordt belicht.

De kern

De Grote Ontdekkingstocht in het "Donkere Materiaal" van het Leven

Stel je voor dat het leven op aarde een gigantische bibliotheek is. Voor honderden jaren hebben wetenschappers alleen de boeken gelezen die op de planken lagen: de organismen die we kunnen kweken in een laboratorium, zoals bacteriën in een petrischaaltje of de mens zelf. Dit is de AlphaFold-database (AFDB). We hebben er al 214 miljoen "boeken" (eiwitten) in staan, en we weten hoe ze eruitzien.

Maar wat als 99% van de bibliotheek in een donkere kelder ligt, waar niemand ooit is geweest? Dat is de wereld van metagenomica: het DNA van microben die we niet kunnen kweken, maar die overal in de natuur voorkomen (in de oceaan, in de grond, in je darmen). Dit is het "donkere materiaal" van het leven.

Deze studie is als een expeditie die die donkere kelder binnenstapt, maar dan met een magische bril.

1. De Magische Brillen (AI)

Twee nieuwe uitvindingen, AlphaFold2 en ESMFold, werken als superkrachtige brillen. Ze kunnen het DNA van deze onbekende microben lezen en direct een 3D-tekening maken van het eiwit, zonder dat we het eiwit ooit fysiek hoeven te zien.

• AlphaFold heeft al 200 miljoen tekeningen gemaakt van bekende organismen.
• ESMFold heeft 600 miljoen tekeningen gemaakt van de "donkere kelder" (ESMatlas).

De onderzoekers hebben deze twee verzamelingen samengevoegd tot één gigantische database genaamd AFESM: 820 miljoen eiwit-structuren. Dat is een berg data die te groot is om met de hand te bekijken.

2. De Grote Sorteerders (Klonen en Groeperen)

Om dit te begrijpen, gebruiken de onderzoekers een slimme truc. Ze gooien niet alle 820 miljoen losse tekeningen in een hoop. In plaats daarvan kijken ze: "Lijken deze twee tekeningen op elkaar?"

• Ze gebruiken een software die Foldseek heet. Dit is alsof je een gigantische bibliotheek hebt waar je alle boeken die op elkaar lijken in één stapel zet.
• Ze vinden 5,12 miljoen unieke stapels (clusters).
• De verrassing: Hoewel er 600 miljoen nieuwe tekeningen uit de "donkere kelder" kwamen, bleek dat de meeste daarvan eigenlijk al bestaande vormen waren die we al kenden. Ze waren net iets anders, maar het waren geen compleet nieuwe uitvindingen.

3. De Nieuwe Gebouwen (Nieuwe Vormen)

De onderzoekers hoopten dat ze in die 600 miljoen nieuwe tekeningen heel nieuwe, vreemde gebouwen zouden vinden (nieuwe "vouwingen" of folds).

• Het resultaat: Ze vonden slechts 12 volledig nieuwe vormen die nog nooit eerder waren gezien.
• De les: Het is alsof je een nieuwe stad bouwt en hoopt op een compleet nieuw type huis, maar je merkt dat mensen eigenlijk alleen maar bestaande huisontwerpen in verschillende kleuren en maten bouwen. De "toolbox" van het leven lijkt al vrij compleet te zijn.

Maar wacht, er is nog meer!
Sommige van die 600 miljoen tekeningen waren van slechte kwaliteit (vaak omdat het stukjes DNA waren). De onderzoekers hebben een deel van deze "slechte tekeningen" opnieuw laten maken met een nog krachtiger AI (ColabFold).

• Het resultaat: Hierdoor vonden ze 33 extra nieuwe vormen.
• Conclusie: Soms moet je een tekening opnieuw maken om te zien wat er echt staat. Kwaliteit is key!

4. De Nieuwe Combinaties (De Eigenlijke Schat)

Hoewel ze weinig nieuwe gebouwen vonden, vonden ze iets nog spannenders: nieuwe combinaties.
Stel je voor dat je LEGO-blokjes hebt. Je hebt de rode blokjes, de blauwe blokjes en de gele blokjes. We wisten al hoe je een huis of een auto kon bouwen.
Maar in deze nieuwe database vonden ze mensen die de rode blokjes combineerden met de blauwe blokjes op een manier die we nog nooit hadden gezien.

• Ze vonden 11.941 unieke combinaties van bestaande onderdelen.
• Voorbeeld: Ze vonden een eiwit dat een deel heeft dat normaal gesproken in de celwand zit, gekoppeld aan een deel dat normaal in het cytoplasma werkt. Dit is als een auto die een bootmotor heeft. Het is een heel nieuwe manier om een probleem op te lossen.

5. De Speciale Wijken (Leefomgevingen)

De onderzoekers keken ook waar deze microben wonen.

• Sommige eiwitten zijn alleen te vinden in thermale bronnen (heet water). Deze lijken op "brandwerende pakjes".
• Andere zijn alleen in zout meren te vinden. Deze lijken op "zoutbestendige pakken".
• Ze ontdekten dat de natuur specifieke "outfits" heeft ontworpen voor elke extreme omgeving.

Samenvatting in één zin

Deze studie toont aan dat hoewel we misschien geen hele nieuwe bouwstenen voor het leven vinden in de onbekende delen van de natuur, we wel miljoenen nieuwe manieren ontdekken om die bestaande bouwstenen samen te plakken. Het leven is creatiever dan we dachten, niet door nieuwe onderdelen te vinden, maar door ze op verrassende manieren te combineren.

Waarom is dit belangrijk?
Omdat deze nieuwe combinaties ons kunnen vertellen hoe bacteriën overleven in extreme omstandigheden, hoe ze ziektes kunnen bestrijden, of hoe we nieuwe medicijnen kunnen ontwerpen. Het is een schatkist van biologische innovatie die we net beginnen te openen.

Technische samenvatting

Probleemstelling

De recente doorbraken in eiwitstructuurvoorspelling, met name AlphaFold2 en ESMFold, hebben geleid tot een ongeëvenaarde stroom van computationeel afgeleide structuren. De AlphaFold Database (AFDB) bevat meer dan 214 miljoen voorspellingen, terwijl het ESM Metagenomic Atlas (ESMatlas) meer dan 600 miljoen voorspellingen bevat van eiwitten afkomstig uit ongekweekte microben (metagenomen).
Hoewel deze datasets de kennis van de eiwitwereld uitbreiden, blijft het potentieel van ESMatlas grotendeels onontgonnen. Er is een dringende behoefte aan efficiënte computationele tools om deze enorme hoeveelheid data te organiseren, te clusteren en te interpreteren. Specifiek is het onduidelijk in hoeverre metagenomische data nieuwe eiwitvouwingen (folds) en unieke domeincombinaties onthult die niet aanwezig zijn in bestaande databases, en hoe deze structuren zich verhouden tot specifieke ecologische niches (biomen).

Methodologie

De auteurs hebben een schaalbaar computatiekader ontwikkeld om een geïntegreerde dataset genaamd AFESM te creëren, bestaande uit 820 miljoen voorspelde structuren (AFDB + ESMatlas). De methodologie omvat de volgende stappen:

1. Dataverwerking en Clustering:

   • Sequentie-Clustering: Gebruik van MMseqs2 om fragmenten (vooral veel voorkomend in ESMatlas) te groeperen met hun volledige lengte-varianten.
   • Representatieve Selectie: Voor elke cluster werd een representatief eiwit geselecteerd op basis van de langste lengte en de hoogste voorspelde lokale afstandsdifferentietest (pLDDT) score. Clusters met een lage voorspellingkwaliteit (pLDDT < 60) werden verwijderd.
   • Structuur-Clustering: De geselecteerde representatieve eiwitten werden geclusterd op basis van structurele gelijkenis met behulp van Foldseek. Dit resulteerde in 72,6 miljoen structurele clusters, waarvan 5,12 miljoen niet-singleton clusters (clusters met meer dan één lid).

2. Annotatie en Taxonomie:

   • Taxonomische Toewijzing: Omdat ESMatlas geen taxonomische labels heeft, werden deze voorspeld door sequenties te vergelijken met UniRef90 en de Genome Taxonomy Database (GTDB) via MMseqs2 Taxonomy.
   • Biome-Annotatie: MGnify-biome-annotaties (milieu-informatie) werden gemapt op de clusters. Voor elke cluster werd de "Lowest Common Biome" (LCB) berekend om biome-specifieke structuren te identificeren.

3. Novelty Detection (Opnieuw Voorspellen):

   • Een pijplijn voor het identificeren van nieuwe vouwingen werd toegepast op "ESM-only" clusters (clusters die geen leden uit AFDB hebben).
   • Domains werden gesegmenteerd en vergeleken met CATH en de Encyclopedia of Domains (TED).
   • Domains die oorspronkelijk als laagkwalitatief werden verworpen (lage pLDDT), werden opnieuw voorspeld met ColabFold om te zien of dit nieuwe vouwingen opleverde.

4. Domeincombinatie Analyse:

   • Multi-domein eiwitten (MDPs) werden geanalyseerd om te bepalen of er unieke combinaties van bekende CATH-domeinen voorkomen die niet in AFDB zijn waargenomen.

Belangrijkste Bijdragen

• AFESM Dataset: De creatie van de grootste geïntegreerde dataset van voorspelde eiwitstructuren tot nu toe (820 miljoen entries).
• Schaalbare Pijplijn: Een robuuste methode voor het clusteren van bijna een miljard structuren op basis van zowel sequentie als structuur, inclusief het filteren van fragmenten en lage-kwaliteit voorspellingen.
• Biome-Specifieke Inzichten: Een systematische analyse van hoe eiwitstructuren verspreid zijn over verschillende ecologische niches, met een focus op extreme omgevingen.
• Kwaliteitsafhankelijkheid: Het aantonen dat de kwaliteit van de voorspelling cruciaal is voor het ontdekken van structurele noviteit; hervoorspelling met geavanceerdere methoden (ColabFold) leidde tot een aanzienlijke toename in ontdekte nieuwe vouwingen.

Resultaten

• Structuurdiversiteit: Uit de 820 miljoen entries werden 5,12 miljoen niet-singleton structurele clusters gegenereerd. De meeste clusters (78%) zijn geconserveerd op het niveau van superkingdom of hoger, wat wijst op brede evolutionaire behoud.
• Biome-Specificiteit: Hoewel 90% van de clusters niet specifiek is voor één biome, werden 290.239 clusters geïdentificeerd die uniek zijn voor specifieke omgevingen (bijv. thermische bronnen, zoutwater, menselijk darmstelsel).
  • Voorbeeld: Thermische bronnen-gerelateerde clusters waren sterk geassocieerd met het archaeale phylum Thermoproteota.
  • Voorbeeld: Marine clusters toonden een overvloed aan EF-hand calcium-bindende domeinen.
• Novel Folds (Nieuwe Vouwingen):
  • Vanuit de ESM-only clusters werden aanvankelijk 12 nieuwe domeinvouwingen geïdentificeerd.
  • Na het opnieuw voorspellen van ~45% van de oorspronkelijk verworpen, laagkwalitatieve domeinen met ColabFold, werden 33 extra nieuwe vouwingen gevonden. Dit onderstreept dat voorspellingskwaliteit een beperkende factor is bij het ontdekken van noviteit.
  • De totale hoeveelheid nieuwe vouwingen is relatief klein vergeleken met de schaal van de dataset, wat suggereert dat de "toolbox" van eiwitvouwingen voor recurrente eiwitten bijna verzadigd is.
• Novel Domeincombinaties:
  • De grootste innovatie werd gevonden in nieuwe combinaties van bestaande domeinen. Er werden 11.941 unieke multi-domein architecturen geïdentificeerd die niet in AFDB voorkomen.
  • Deze nieuwe combinaties omvatten vaak zeldzame domeinen en soms onverwachte koppelingen (bijv. een membraan-gebonden domein gekoppeld aan een cytosolisch aminotransferase-domein), wat wijst op nieuwe functionele mechanismen.

Betekenis en Conclusie

De studie concludeert dat hoewel het ontdekken van volledig nieuwe eiwitvouwingen (novel folds) in metagenomische data zeldzaam is, de ware waarde van deze data ligt in de recombinatie van bestaande domeinen. Metagenomische data blootlegt een enorme, onontgonnen diversiteit aan domeincombinaties die de evolutionaire innovatie drijven.

De resultaten benadrukken dat:

1. De kwaliteit van structuurvoorspelling (pLDDT) kritiek is; lage kwaliteit maskert potentiële noviteit.
2. De "donkere materie" van het eiwituniversum (ongekweekte microben) voornamelijk nieuwe functionele combinaties levert in plaats van fundamenteel nieuwe vouwingen.
3. De interactieve webserver en de data (beschikbaar op afesm.foldseek.com) een waardevol hulpmiddel vormen voor toekomstig onderzoek naar eiwitevolutie, ecologie en functionele annotatie.

De auteurs waarschuwen echter voor beperkingen, zoals de hoge mate van fragmentatie in metagenomische data en mogelijke bias in taxonomische en biome-annotaties, wat verdere verfining van de methoden vereist.