Binding Paths: Describing Small Molecule Interactions with Disordered Proteins via a Markov State Model

Stel je voor dat je een gladde, vormveranderende kwal probeert te vangen met een net. Dat is ongeveer wat medicijnontwerpers ervaren wanneer ze proberen "ongeordende eiwitten" aan te pakken. In tegen tegenstelling tot de meeste eiwitten, die lijken op stijve, solide sleutels met specifieke gaten (holtes) waar medicijnen precies in passen, zijn ongeordende eiwitten slapper, veranderen ze constant van vorm en missen ze een vaste structuur. Omdat ze geen stabiel "gat" hebben om in te vergrendelen, hebben wetenschappers het moeilijk gehad met het bedenken van medicijnen die zich aan hen kunnen hechten.

Dit artikel introduceert een nieuwe manier om te begrijpen hoe kleine medicijnmoleculen erin slagen zich vast te grijpen aan deze wiebelige eiwitten. In plaats van te zoeken naar een statisch gat, keken de onderzoekers naar de reis die het medicijn aflegt.

De "Wandelpad"-analogie
Beschouw het ongeordende eiwit niet als een solide object, maar als een uitgestrekt, mistig landschap waarvan het terrein voortdurend verschuift. Het medicijnmolecuul is als een wandelaar die probeert dit landschap over te steken. De wandelaar springt niet simpelweg direct naar een bestemming; hij dwaalt rond en neemt vele verschillende mogelijke routes. Onderweg houdt hij misschien even vast aan een rots hier, dan een struik daar, en dan een tak van een boom, voordat hij zich uiteindelijk settelt.

De onderzoekers noemen deze dwaalroutes "bindingspaden" (binding paths). Hoewel het eiwit rommelig is en het pad willekeurig is, volgt het medicijnmolecuul in werkelijkheid een specifieke set regels terwijl het over het oppervlak diffundeert, waarbij het kleine, tijdelijke verbindingen maakt met verschillende groepen aminozuren (de bouwstenen van het eiwit).

De "Kaart en Kompas" (Het Markov State Model)
Om orde te scheppen in dit chaotische dwalen, bouwden de wetenschappers een digitale kaart genaamd een Markov State Model (MSM).

• De Kaart: Stel je voor dat je de reis van de wandelaar opdeelt in duidelijke "controlepunten" of toestanden. Zelfs als het landschap verandert, identificeert het model de meest voorkomende plaatsen waar het medicijn stopt en de waarschijnlijkheid dat het van de ene plek naar de volgende beweegt.
• Het Kompas: Dit model werkt als een kompas dat de kansen berekent. Het vertelt ons welke routes het populairst zijn en welke "hotspots" op het eiwit het medicijn het meest waarschijnlijk zal bezoeken.

De Reis Visualiseren
Om deze complexe data begrijpelijk te maken, hebben ze de kaart omgezet in een knowledge graph (kennisgrafiek). Beschouw dit als een metrokaart. In plaats van de fysieke vorm van het eiwit te tonen, toont het de "stations" (waar het medicijn stopt) en de "lijnen" (de paden die het medicijn aflegt om daar te komen). Dit geeft een helder beeld van hoe het medicijn door de wanorde navigeert.

De Theorie Testen
Het team heeft dit niet slechts op één voorbeeld getest. Ze bewezen dat hun methode werkt door het toe te passen op:

1. A{beta}42: Een eiwit dat gelinkt is aan Alzheimer, in interactie met een medicijn genaamd 10074-G5.
2. {alpha}-synucleïne: Een eiwit dat gelinkt is aan Parkinson, getest met drie verschillende medicijnen.
3. Een lang 140-residue peptide: Getest met een medicijn genaamd fasudil.

De Belangrijkste Conclusie
De belangrijkste conclusie is een verschuiving in perspectief. Voorheen dachten wetenschappers dat je een solide, onveranderlijke "holte" nodig had om een medicijn te ontwerpen. Dit artikel betoogt dat voor slappe, ongeordende eiwitten de "holte" eigenlijk een dynamisch pad is. Door deze dwaalende paden in kaart te brengen, kunnen we identificeren welke delen van deze chaotische eiwitten daadwerkelijk "druggable" zijn (in staat om doelwit te zijn voor medicijnen), waardoor systemen die ooit als onmogelijk te behandelen werden beschouwd, worden omgevormd tot levensvatbare doelwitten voor toekomstig medicijnontwerp.