Structural motif search across the protein-universe with Folddisco

Folddisco is een snelle, efficiënte en nauwkeurige softwaretool die de zoektocht naar structurele motieven in grote verzamelingen van 53 miljoen eiwitstructuren mogelijk maakt door gebruik te maken van een geïndexeerd systeem op basis van positie-onafhankelijke geometrische kenmerken.

De kern

De "Google Afbeeldingen" voor de 3D-vormen van eiwitten: Een uitleg van Folddisco

Stel je voor dat je een enorme bibliotheek hebt, maar dan niet met boeken, met miljoenen 3D-puzzels. Deze puzzels zijn eiwitten, de bouwstenen van het leven. Sommige stukjes van deze puzzels zijn heel klein en heel specifiek, zoals een sleutelgat dat precies past bij een bepaalde sleutel. Deze kleine stukjes worden structurele motieven genoemd. Ze zijn vaak de sleutel tot wat een eiwit doet: een virus blokkeren, een gen aan- of uitschakelen, of een chemische reactie versnellen.

Het probleem? In de oude bibliotheek (de bestaande software) duurde het zoeken naar zo'n klein, specifiek stukje eeuwen. Het was alsof je in een berg met 50 miljoen losse puzzelstukken moest zoeken naar één heel klein, onopvallend stukje, terwijl je blindelings door de stapel moest wroeten.

Enter Folddisco: De slimme zoekmachine

De onderzoekers (onder leiding van Martin Steinegger) hebben Folddisco bedacht. Dit is een nieuw, supersnel programma dat deze zoektocht in seconden kan doen. Hier is hoe het werkt, vertaald in alledaagse taal:

1. De "Vingerafdruk" in plaats van de hele foto

Stel je voor dat je op zoek bent naar een specifiek type schoen in een berg met 50 miljoen schoenen.

• De oude methode: Je pakt elke schoen, kijkt er van alle kanten naar, meet de lengte, de breedte en de kleur, en vergelijkt die met je eigen schoen. Dit duurt eeuwen.
• Folddisco's methode: Folddisco kijkt niet naar de hele schoen. Het kijkt alleen naar de unieke combinatie van de veters, de zool en de hak. Het maakt een soort "vingerafdruk" van deze kleine combinatie. Omdat deze combinaties zeldzaam zijn (net als een specifieke vingerafdruk), kan Folddisco direct zien: "Ah, deze schoen heeft precies die rare veters! Die moet ik controleren."

2. De slimme index (Het telefoonboek)

Folddisco bouwt eerst een gigantisch, maar supercompact indexboek (een soort telefoonboek) van alle 53 miljoen eiwitten in de wereld.

• In plaats van de hele 3D-structuur op te slaan, slaat het alleen de "vingerafdrukken" van de kleine stukjes op.
• Dit boek is zo slim samengesteld dat het 4 keer kleiner is dan de boeken van andere methodes, maar toch alles bevat. Het is alsof je een hele bibliotheek in één koffer kunt proppen zonder dat je iets mist.

3. De "Zeldzaamheidsscore"

Niet alle stukjes zijn even belangrijk. Een rechte lijn (zoals een rechte ruggengraat) komt in bijna elk eiwit voor. Dat is niet interessant. Maar een geknikt stukje met een specifieke hoek? Dat is zeldzaam.
Folddisco geeft zeldzame patronen een hoge score. Het denkt: "Als ik dit rare, zeldzame patroon zie, is de kans groot dat dit eiwit precies hetzelfde doet als mijn zoekopdracht." Hierdoor springt het direct naar de juiste resultaten, in plaats van tijd te verspillen aan de saaie, alledaagse stukken.

Wat kan Folddisco nu doen? (De Magie)

• Zoeken in een flits: Waar het voorheen dagen duurde om een database te doorzoeken, doet Folddisco dit in seconden. Je kunt nu in 53 miljoen eiwitten zoeken alsof je in Google zoekt.
• Gedeeltelijke matches: Soms is het motief niet perfect. Misschien is één stukje een beetje gedraaid of is een aminozuur veranderd. Folddisco is zo slim dat het zegt: "Dit is bijna hetzelfde, het telt ook!" Het herkent motieven zelfs als ze niet helemaal perfect passen.
• Nieuwe ontdekkingen: In het artikel zien we hoe Folddisco een "zinc finger" (een soort klemmetje dat DNA vasthoudt) vond in een eiwit van een oester dat niemand eerder had kunnen identificeren. Het was alsof je een sleutel vond in een zee van onbekende objecten en plotseling wist: "Oh, dit opent de deur naar een nieuwe functie!"
• Actieve vs. Inactieve standen: Het kan zelfs zien of een eiwit "aan" of "uit" staat. Net als een lichtschakelaar die twee verschillende posities heeft, herkent Folddisco de kleine vormveranderingen die aangeven of een receptor actief is.

Waarom is dit belangrijk?

Vroeger keken wetenschappers vooral naar de lettertjes (het DNA) om te zien wat een eiwit doet. Maar dat is als proberen te raden wat een auto doet door alleen naar de letters op de bumper te kijken.
Folddisco kijkt naar de vorm (de 3D-structuur). Omdat de vorm direct bepaalt wat een eiwit doet, kunnen we nu veel sneller ontdekken wat nieuwe eiwitten doen, zelfs als we hun DNA niet begrijpen.

Kortom:
Folddisco is de superheld die de enorme berg van 53 miljoen eiwitten in een handomdraai doorzoekt. Het pakt de kleinste, belangrijkste stukjes eruit, vergelijkt ze met een slimme vingerafdruk, en vertelt je in een seconde: "Hier zit precies wat je zoekt!" Dit opent de deur tot snellere medicijnontwikkeling en een beter begrip van het leven zelf.

Technische samenvatting

Probleemstelling

Het identificeren van vergelijkbare structurele motieven in eiwitten (kort, functioneel cruciale 3D-patronen zoals actieve sites of bindingsplaatsen) in grote collecties van structuren is computationeel zeer intensief. Bestaande methoden hebben te kampen met ernstige beperkingen:

• Schaalbaarheid: Methoden zoals die van de RCSB en pyScoMotif vereisen enorme opslagruimte en tijd om te indexeren. Het indexeren van de huidige AlphaFold-database (AFDB) met 53 miljoen structuren zou met deze methoden onpraktisch lang duren en terabytes aan opslag vereisen.
• Flexibiliteit: Bestaande tools zijn vaak beperkt tot zeer korte motieven (bijv. maximaal 10 residuen) of kunnen geen discontinu motieven (niet-lineaire paden) effectief zoeken.
• Niet-lineaire aard: Motieven bestaan vaak uit residuen die ver uit elkaar liggen in de sequentie maar dicht bij elkaar in de 3D-structuur. Traditionele sequentie-gebaseerde of lineaire structurele aligners (zoals Foldseek) zijn hier niet voor ontworpen.

Methodologie: Folddisco

Folddisco is een nieuw algoritme dat is ontworpen om deze beperkingen te overwinnen door een index te gebruiken van positie-onafhankelijke geometrische kenmerken gecombineerd met een zeldzaamheid-gebaseerd scoresysteem.

1. Kenmerkextractie en Indexering:

• In plaats van volledige structuren te vergelijken, analyseert Folddisco paren van nabije residuen (binnen een straal van 20 Å).
• Het extrahert een set van 7 kenmerken per residupaar:
  • 5 kenmerken overgenomen van de RCSB-methode: aminozuuridentiteit van beide residuen, afstand tussen Cα-atomen, afstand tussen Cβ-atomen, en de snijhoek tussen de Cα-Cβ vectoren.
  • 2 nieuwe kenmerken: Dihedrale hoeken (torsiehoeken) tussen N–Cα–Cβ-atomen. Deze vangen de oriëntatie van de zijketens op en verbeteren de zoeknauwkeurigheid aanzienlijk.
• Deze kenmerken worden binaire gecodeerd als een compacte 32-bit unsigned integer.
• De index is positie-onafhankelijk: deze koppelt alleen de gecodeerde kenmerken aan structuur-ID's, niet aan specifieke posities in de structuur. Dit maakt de index extreem compact.

2. Zoekpipeline:
De zoekopdracht verloopt in vier stappen:

1. Kenmerkextractie: Het query-motief wordt omgezet in dezelfde gecodeerde integers.
2. Pre-filtering: De tool zoekt in de index naar structuren die ten minste één kenmerkend paar delen met het query-motief. Hierbij worden toleranties voor aminozuursubstituties en kleine afwijkingen in afstand/hoek toegestaan ("Extended search").
3. Ranking (Coverage Score): Kandidaten worden gerangschikt op basis van een Inverse Document Frequency (IDF) score. Zeldzame kenmerken (bijv. specifieke actieve sites) krijgen een hogere score dan veelvoorkomende patronen (bijv. alfa-helices). Een lengte-straf wordt toegepast om toevallige matches in grote eiwitten te voorkomen.
4. Residu-matching en Superpositie: Voor de top-kandidaten wordt een graaf opgebouwd waarbij knopen residuen zijn en randen bestaan tussen paren die overeenkomen met het query-motief. Verbindingen (connected components) worden gedetecteerd om het motief te reconstrueren, waarna een superpositie en RMSD-berekening plaatsvindt.

Belangrijkste Bijdragen

• Schaalbaarheid: Folddisco kan een index van 53 miljoen structuren (AFDB50) bouwen in minder dan 25 uur, met een totale opslaggrootte van slechts 1,45 TB. Dit is 4 keer kleiner en 11 keer sneller te bouwen dan de state-of-the-art methode (pyScoMotif).
• Snelheid: Het zoeken in deze enorme database gebeurt binnen seconden. Het is 20 keer sneller in het uitvoeren van zoekopdrachten dan bestaande methoden.
• Veelzijdigheid: Het is de eerste tool die zowel korte, discrete motieven (zoals zinkvingers) als lange, discontinu segmenten (zoals actieve sites die verspreid liggen over de sequentie) effectief kan zoeken.
• Zelfstandige beschikbaarheid: Folddisco is vrij open-source software en beschikbaar via een webserver, met voorgebouwde indexen voor grote databases zoals AFDB50, PDB en ESM30.

Resultaten

De auteurs hebben Folddisco getest op diverse benchmarks:

• Nauwkeurigheid: Bij het zoeken naar zinkvinger-motieven en serine-peptidase-motieven in het menselijke proteoom presteerde Folddisco beter dan RCSB, pyScoMotif en MASTER. Vooral bij het vinden van volledige (4-residue) zinkvinger-motieven scoorde Folddisco aanzienlijk hoger op recall dan de concurrenten.
• SCOPe Benchmark: Op een dataset van 5.753 query's gebaseerd op evolutionaire families (SCOPe40) behaalde Folddisco een AUC (Area Under the Curve) van 0,837, vergeleken met 0,285 voor pyScoMotif. Folddisco bleef sensitiever naarmate meer informatie (meer residuen) in de query werd gegeven, terwijl pyScoMotif daar niet op verbeterde.
• M-CSA Benchmark: Bij het zoeken naar handmatig gecurateerde katalytische sites verbeterde Folddisco de AUC met 25,6% ten opzichte van pyScoMotif.
• Toepassingen:
  • Detectie van zinkvinger-motieven in ongekarakteriseerde eiwitten (o.a. uit oesters en metagenomische data) waar sequentie-methoden faalden.
  • Onderscheid tussen actieve en inactieve toestanden van G-proteïne-gekoppelde receptoren (GPCR's) op basis van specifieke motieven.
  • Detectie van eiwit-eiwit interactie-interface patronen.

Betekenis

Folddisco markeert een doorbraak in structurele bio-informatica. Door de combinatie van een compacte index, geavanceerde geometrische kenmerken (inclusief zijketensoriëntatie) en een slimme ranking op basis van zeldzaamheid, maakt het het mogelijk om functionele motieven te screenen in de volledige "proteïne-universum" (honderden miljoenen structuren) in real-time.

Dit stelt onderzoekers in staat om:

1. Functionele inzichten te verkrijgen voor eiwitten met onbekende functie, zelfs als ze weinig sequentie-homologie hebben.
2. De conformationele landschappen van voorspelde structuren (zoals AlphaFold) te analyseren op functionele toestanden.
3. Mechanistische inzicht te krijgen in katalyse, complexvorming en regulatie over diverse taxonomische groepen heen.

Kortom, Folddisco vult de cruciale kloof tussen de explosie aan voorspelde eiwitstructuren en de noodzaak om deze functioneel te annoteren op basis van 3D-motieven.