Conserved protein sequence-structure signatures identify antibiotic resistance genes from the human microbiome

Dit artikel introduceert ARG-PASS, een nieuwe methode die behouden sequentie-structuurkenmerken gebruikt om tot nu toe onbekende antibiotica-resistentiegenen in het menselijke microbioom te identificeren, waarbij experimentele verificatie bevestigde dat deze methodiek effectief is in het vinden van zowel klinisch relevante als pre-resistentie-genen.

De kern

Titel: De nieuwe "DNA-Scanner" die antibiotica-resistentie opspoort, zelfs als het zich vermomt

Stel je voor dat bacteriën als een enorme, chaotische bibliotheek zijn. In deze bibliotheek liggen boeken (genen) die vertellen hoe bacteriën zich kunnen verdedigen tegen antibiotica. De meeste van deze boeken zijn al bekend en staan in een grote catalogus. Maar er zijn ook nieuwe, nog onbekende boeken die er heel anders uitzien dan de bekende versies. Ze zijn zo anders geschreven dat de oude zoekmachines ze niet kunnen vinden. Dit is een groot probleem, want deze "verborgen" boeken kunnen ervoor zorgen dat medicijnen niet meer werken.

De auteurs van dit onderzoek hebben een slimme nieuwe manier bedacht om deze verborgen boeken te vinden, zelfs als ze er heel anders uitzien. Ze noemen hun methode ARG-PASS.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het probleem: Vermomming en verandering

Normaal gesproken zoeken wetenschappers naar nieuwe resistentie-genen door te kijken naar de tekst (de DNA-volgorde). Ze vergelijken de tekst van een nieuw gen met de tekst van bekende genen. Als de tekst voor 60% hetzelfde is, denken ze: "Ah, dit is een bekende verdediger!"

Maar bacteriën zijn slim. Ze kunnen hun tekst zo veranderen dat hij er heel anders uitziet, terwijl de functie precies hetzelfde blijft. Het is alsof iemand een boek herschrijft in een heel andere taal, maar de verhaallijn (de functie) blijft identiek. De oude zoekmachines zien dit niet en laten deze gevaarlijke boeken liggen.

2. De oplossing: Kijk naar de vorm, niet alleen naar de tekst

De onderzoekers zeggen: "Laten we niet alleen naar de tekst kijken, maar naar de vorm van het boek."
In de wereld van eiwitten (de machines die bacteriën maken) is de vorm cruciaal. Zelfs als de tekst (de aminozuren) heel anders is, kan de 3D-vorm (de structuur) nog steeds heel erg op elkaar lijken.

Stel je voor dat je twee verschillende auto's hebt: een oude Ford en een moderne Tesla. Ze zien er totaal anders uit en hebben andere onderdelen (verschillende tekst), maar als je ze uit elkaar haalt, zie je dat ze allebei vier wielen hebben, een stuur en een motor (dezelfde structuur). Als je alleen naar de kleur kijkt, zie je het verschil niet. Als je naar de structuur kijkt, zie je dat het beide auto's zijn.

ARG-PASS doet precies dit:

• Het kijkt niet naar de hele tekst, maar focust op de belangrijkste onderdelen van het eiwit (de "stuur en motor").
• Het vergelijkt de vorm van deze onderdelen met bekende verdedigers.
• Het gebruikt een slim computerprogramma (een "een-klassige SVM") dat heeft geleerd hoe deze verdedigers eruit moeten zien. Als een nieuw eiwit in de buurt komt van deze vorm, zegt het programma: "Dit is waarschijnlijk ook een verdediger!"

3. De test: Van theorie naar praktijk

De onderzoekers hebben deze methode getest op bacteriën uit het menselijk darmstelsel (de microbiome). Ze vonden 16 nieuwe kandidaten.

• Ze hebben 9 van deze kandidaten in een laboratorium getest door ze in een bacterie te stoppen die normaal gevoelig is voor antibiotica.
• Het resultaat: Alle 9 bleken echt te werken! Ze maakten de bacterie resistent tegen antibiotica zoals penicilline en streptomycine.
• Zelfs als de tekst van deze nieuwe genen maar voor 46% leek op bekende genen (wat voor oude methodes te weinig was), werkte de nieuwe methode perfect.

4. De "Pre-resistentie": De sluimerende dreiging

Een van de meest interessante vondsten is het concept van "pre-resistentie".
Stel je voor dat een bacterie een wapen heeft dat niet helemaal scherp is. Het kan een muntje doorsnijden, maar nog geen zwaard. Dit is nog niet gevaarlijk genoeg om een mens te doden (niet klinisch relevant), maar het is wel een begin.

• De onderzoekers vonden genen die net iets minder sterk waren dan de echte resistentie.
• Ze noemen dit "pre-resistentie". Het zijn degenen die, als ze een beetje meer oefening krijgen (door bijvoorbeeld te veel antibiotica te gebruiken), snel kunnen evolueren tot dodelijke wapens.
• Het is alsof je een vuur ziet dat nog niet brandt, maar wel rook geeft. Je moet het nu al in de gaten houden voordat het een bosbrand wordt.

5. Een verrassende vondst: Een "foute" naam

De methode was zo goed dat ze zelfs een gen vonden dat in de database stond als iets heel anders (een gen dat fosfor verwerkt). Maar door naar de vorm te kijken, zagen ze dat het eigenlijk een verdediger tegen antibiotica was. Dit bewijst dat er nog veel meer verborgen gevaarlijke genen zijn die we nu nog niet eens als zodanig herkennen.

Conclusie: Waarom is dit belangrijk?

Deze nieuwe methode is als een superkrachtige metaaldetector die niet alleen reageert op goud, maar ook op de vorm van een sleutel.

• Voor de volksgezondheid: Het helpt ons om nieuwe antibiotica-resistenties te vinden voordat ze een epidemie veroorzaken.
• Voor de toekomst: Het laat zien dat we niet alleen naar de tekst van DNA moeten kijken, maar ook naar de 3D-vorm van de eiwitten.

Kortom: De onderzoekers hebben een nieuwe bril opgezet waarmee we de verborgen verdedigers in onze darmen kunnen zien, zodat we beter voorbereid zijn op de strijd tegen ongeneeslijke bacteriën.

Technische samenvatting

Probleemstelling

Antimicrobiële resistentie (AMR) vormt een wereldwijd volksgezondheidsprobleem. Antibioticumresistentiegenen (ARG's) ontstaan vaak in niet-klinische omgevingen (zoals het menselijk microbioom) en kunnen via horizontale genoverdracht of de novo evolutie een risico vormen voor de menselijke gezondheid. Een groot obstakel bij het bestrijden van AMR is het detecteren van novel (nieuwe) ARG's die een lage homologie hebben met reeds bekende ARG's.

Bestaande computergestuurde methoden voor ARG-discovery vertrouwen voornamelijk op aminozuursequentie-uitlijning (sequence similarity) met hoge drempelwaarden (vaak >60% seqID) of op Hidden Markov Models (HMM's). Deze benaderingen missen vaak divergente sequenties die wel functioneel zijn, omdat ze te weinig lijken op bekende referenties. Machine Learning-modellen die op bestaande databases zijn getraind, vertonen vaak dezelfde bias en missen eveneens deze divergente varianten. Er is dus behoefte aan een methode die verder kijkt dan alleen de sequentie en gebruikmaakt van structurele conservatie om functionele ARG's te identificeren.

Methodologie: ARG-PASS

De auteurs hebben een nieuwe methode ontwikkeld genaamd ARG-PASS (ARG-PAirwise Sequence vs Structure). Deze methode combineert sequentie- en structuuranalyse van functioneel belangrijke eiwitregio's om ARG's te voorspellen.

De kernstappen van de ARG-PASS-pijplijn:

1. Data-voorbereiding en Clustering:
   • Bekende Antibioticum-Resistente Proteïnen (ARP's) uit de CARD-database worden geselecteerd.
   • Deze structuren worden geclusterd op basis van sequentie-identiteit (seqID) op niveaus van 20%, 30% en 50% met behulp van Foldseek.
2. Identificatie van structureel geconserveerde regio's:
   • Voor elke cluster wordt een Multiple Structure Alignment (MSTA) uitgevoerd met FoldMason.
   • Er worden alleen residuen geëxtraheerd die een hoge lokale Difference Distance Test (lDDT) score hebben (Q50, Q75 of Q90, afhankelijk van het aantal structuren in de cluster). Dit creëert "high-lDDT" ARP-structuren die de functioneel cruciale, structureel stabiele kernen van de eiwitten vertegenwoordigen, terwijl disordere regio's worden genegeerd.
3. Training van het Machine Learning-model:
   • Er wordt een tweedimensionale verdeling berekend van seqID (sequentie-identiteit) versus TM-score (Template Modeling score, een maat voor structurele gelijkenis) tussen alle paren high-lDDT ARP-structuren binnen een cluster.
   • Een One-Class Support Vector Machine (SVM) wordt getraind op deze verdeling om de "beslissingsgrens" (decision boundary) van de functionele ruimte te leren. Het model leert wat een typische combinatie van seqID en TM-score is voor een functioneel ARG.
4. Voorspelling van Query-ARG's (qARP's):
   • Een query-eiwitstructuur (qARP) wordt uitgelijnd met de high-lDDT ARP-structuren van de relevante cluster.
   • De seqID en TM-score worden berekend. Als een of meer datapunten van de query binnen de beslissingsgrens van de getrainde SVM vallen, wordt het eiwit voorspeld als functioneel (resistentie-verlenend).
5. Experimentele Validatie:
   • Voorspelde kandidaten werden synthetisch gemaakt en geëxprimeerd in een E. coli-stam (BW25113 ΔbamB ΔtolC) die tekort schiet aan efflux-pompen, om te voorkomen dat verhoogde MIC's (Minimum Inhibitory Concentrations) door pompen worden veroorzaakt.
   • De resistentie werd getest via Broth Microdilution (BM) en Spot Plating Assay (SPA) tegenover diverse antibiotica, met vergelijking tegen klinische breakpoints (CLSI).

Belangrijkste Bijdragen

• Nieuwe Algoritmische Benadering: ARG-PASS is de eerste methode die specifiek gebruikmaakt van de verdeling van sequentie- versus structuurgelijkenis in functioneel geconserveerde regio's (high-lDDT) in plaats van het hele eiwit, gekoppeld aan een One-Class SVM.
• Overcoming Low Homology: De methode is ontworpen om ARG's te vinden met zeer lage sequentie-identiteit (<30%) ten opzichte van bekende genen, waar traditionele methoden falen.
• Concept van "Pre-resistance": De studie introduceert en valideert het concept van "pre-resistance genen": genen die wel activiteit vertonen, maar nog niet voldoen aan klinische resistentie-breakpoints, en die potentieel kunnen evolueren naar klinisch relevante resistentie.

Resultaten

De methode werd toegepast op zes referentiestammen van het Human Microbiome Project (HMP) en direct op de AlphaFold-database (AFDB).

1. Validatie op HMP-stammen:

   • ARG-PASS voorspelde 16 nieuwe qARP's.
   • 9 kandidaten werden geselecteerd voor experimentele verificatie. Alle 9 bleken functioneel actief te zijn.
   • Geïdentificeerde klassen: APH(6') (streptomycine-resistentie), Class B3 en C β-lactamases, dfr-genen (trimethoprim-resistentie), en een β-lactam-resistent Penicillin Binding Protein (PBP).
   • 80% van de geteste genen (8 van de 10, inclusief controles) vertoonde een MIC die de klinische resistentie-breakpoints (CLSI) overschreed.
   • De gemiddelde sequentie-identiteit van de bevestigde genen met bekende ARG's was slechts 46%, wat aantoont dat ARG-PASS zeer divergente genen kan vinden.

2. Ontdekking van een divergent MBL-fold eiwit (AFDB):

   • Door de drempels te versoepelen en direct in de AlphaFold-database te zoeken, werd een phnP-gen (een fosfonaat-metabolisme gen) geïdentificeerd dat een metaal-β-lactamase (MBL) vouw heeft.
   • Dit gen (Bla04) had slechts 17,3% sequentie-identiteit met bekende MBL's.
   • Experimenteel vertoonde het activiteit tegen ampicilline (MIC 32 µg/mL in spot assays), hoewel het in vloeibare media minder sterk was. Dit bevestigt dat ARG-PASS zelfs genen kan vinden die structureel lijken op ARG's maar functioneel anders zijn geannoteerd.

3. Pre-resistance Genen:

   • Twee geïdentificeerde metallo-β-lactamases (Bla02 en Bla03) vertoonden activiteit tegen ampicilline, maar de MIC's lagen onder de klinische resistentie-breakpoints.
   • De auteurs classificeren deze als "pre-resistance": ze hebben een detecteerbare activiteit en een fitnesskost die laag genoeg is om in populaties te blijven, maar zijn nog niet klinisch relevant. Ze vormen een potentiële reservoir voor toekomstige klinische resistentie.

4. Vergelijking met bestaande methoden:

   • Bij validatie op een bestaande dataset (PCM-studie) steeg de precisie van ARG-PASS van 0,64 (PCM) naar 0,81, met name bij lage sequentie-identiteit (<31%).

Betekenis en Conclusie

De studie demonstreert dat het integreren van sequentie- en structuurinformatie in geconserveerde eiwitregio's een krachtige strategie is om nieuwe antibioticumresistentiegenen te ontdekken die door traditionele sequentie-based methoden worden gemist.

• Surveillance: ARG-PASS biedt een nauwkeurige tool voor het monitoren van het resistoom in het menselijk microbioom en de omgeving, zelfs voor zeer divergente genen.
• Klinisch belang: Het onderscheid tussen "resistentie" en "pre-resistance" helpt bij het begrijpen van de evolutie van resistentie en het identificeren van potentiële bedreigingen voordat ze klinisch relevant worden.
• Toekomstperspectief: De methode kan worden uitgebreid naar andere ARG-klassen en andere eiwitdatabases. Het benadrukt de noodzaak om structurele conservatie te gebruiken als een filter om valse positieven te verminderen en valse negatieven te minimaliseren in de zoektocht naar nieuwe resistentiemechanismen.

Kortom, ARG-PASS is een doorbraak in in silico ARG-discovery, die de kloof overbrugt tussen computationele voorspelling en experimentele validatie voor genen met lage homologie.