Transforming macromolecular structures into simulations of self-assembly with ioNERDSS

Dit artikel introduceert ioNERDSS, een gebruiksvriendelijke Python-pakket dat statische macromoleculaire structuren omzet in grofkorrelige modellen voor het simuleren van zelfassemblage-trajecten via de NERDSS-software, waarbij thermodynamische en kinetische factoren worden geanalyseerd om complexe structuren zoals virale capsiden te bestuderen.

De kern

Titel: Van Bouwtekening naar Bouwvideo: ioNERDSS legt uit hoe eiwitten zichzelf in elkaar zetten

Stel je voor dat je een enorme, ingewikkelde LEGO-set hebt. Je hebt de doos met de eindfoto (de structuur van het afgewerkte model) en je hebt een zak met losse steentjes. Maar de handleiding ontbreekt. Hoe bouw je dat model? Welke steen moet je eerst vastmaken? En wat als je een verkeerde steen vastmaakt en de hele constructie instort?

In de biologie gebeurt dit elke seconde. Cellen bouwen enorme machines (zoals het ribosoom of virussen) uit losse eiwitten. Wetenschappers weten vaak hoe het eindproduct eruitziet (dankzij databases zoals de PDB), maar ze weten niet precies hoe het in elkaar gezet wordt.

Hier komt ioNERDSS om de hoek kijken. Het is een slim computerprogramma dat de brug slaat tussen een statische foto van een eiwit en een dynamische film van hoe dat eiwit zichzelf bouwt.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Vertaler" (Van Foto naar Speelgoed)

Stel je voor dat je een foto van een complex machine hebt, gemaakt van duizenden kleine onderdelen. Computers vinden het lastig om met die gedetailleerde foto's te werken; het is te veel informatie.
ioNERDSS pakt die foto en maakt er een vereenvoudigde versie van. Het vervangt elk complex eiwit door één stevig blokje (een "rigid body") en markeert precies waar de magneetjes zitten die ze aan elkaar moeten plakken.

• De analogie: Het is alsof je een gedetailleerde architectuurtekening van een kasteel omzet in een set Lego-blokjes met duidelijke stickers op de plekken waar ze moeten klikken.

2. De "Regelboer" (Hoe plakken ze?)

Niet alle blokjes plakken even sterk. Sommige klikken heel makkelijk, andere zijn moeilijk te verbinden.
ioNERDSS gebruikt slimme AI (kunstmatige intelligentie) om te voorspellen hoe sterk die magneten zijn. Het zegt dan: "Oké, blokje A en blokje B plakken heel sterk aan elkaar, maar blokje C en D alleen als ze heel dichtbij zijn."

• De analogie: Het is alsof je een set instructies maakt: "Plak eerst de rode blokken, want die zijn het makkelijkst. Pas als die vastzitten, plak dan de blauwe blokken erop."

3. De "Simulatie" (De Bouwvideo)

Nu het programma de blokjes en de regels heeft, laat het ze in een virtuele ruimte rondzweven. Het kijkt hoe ze botsen, vastklikken, soms weer loslaten en opnieuw proberen.
Dit is heel belangrijk omdat het laat zien of het eindresultaat wel echt wordt bereikt. Soms blijven de blokjes hangen in een verkeerde vorm (een "kinetische val"), net zoals als je een verkeerde LEGO-steen te vroeg vastplakt en je de hele constructie moet uit elkaar halen.

• De analogie: Het is alsof je een video maakt van een kamer vol mensen die proberen een enorme puzzel te leggen. Je ziet wie wie helpt, wie vastloopt en hoe ze uiteindelijk de puzzel compleet maken.

4. De "Herhalers" (Virussen en Grote Machines)

Veel biologische structuren, zoals virussen, bestaan uit honderden identieke stukjes die in een cirkel of bol zitten. Dit is lastig voor computers, want ze moeten onthouden dat "stukje 1" en "stukje 100" precies hetzelfde zijn, maar toch op verschillende plekken moeten zitten.
ioNERDSS is slim genoeg om dit te herkennen. Het zegt: "Ah, dit is een herhalend patroon!" en zorgt ervoor dat alle identieke blokjes precies dezelfde vorm en plakregels hebben, zodat ze een perfecte bol of cilinder vormen.

• De analogie: Stel je een dansgroep voor waar iedereen hetzelfde kostuum draagt. De regisseur (ioNERDSS) zorgt ervoor dat iedereen precies dezelfde danspas maakt, zodat ze samen een perfecte cirkel vormen in plaats van een rommelige hoop.

Waarom is dit zo cool?

Vroeger moest een wetenschapper maandenlang handmatig uitzoeken hoe ze deze modellen moesten bouwen. Met ioNERDSS kan je nu een PDB-bestand (een digitale blauwdruk) uploaden, en binnen enkele seconden heb je een volledig werkend simulatiemodel.

Het stelt ons in staat om te experimenteren:

• "Wat gebeurt er als we minder blokjes hebben?"
• "Wat als we de plakkracht van één stukje veranderen?"
• "Hoe lang duurt het om dit virus te bouwen?"

Kortom: ioNERDSS is de magische vertaler die een statische foto van een biologisch wonder omzet in een interactieve bouwvideo, zodat we kunnen zien hoe het leven zich in elkaar zet, steen voor steen.

Technische samenvatting

Titel: Transforming macromolecular structures into simulations of self-assembly with ioNERDSS

Auteurs: Yue Moon Ying, Mankun Sang, et al. (Correspondentie: Margaret E. Johnson, Johns Hopkins University)
Publicatie: bioRxiv preprint (April 2026)

---

1. Het Probleem

Macromoleculaire zelfassemblage is een fundamenteel proces in levende systemen (bijv. ribosomen, virale capsiden) en ingenieursystemen. Hoewel de eindstructuren van deze complexen vaak bekend zijn dankzij bronnen zoals de Protein Data Bank (PDB) en AlphaFold3, bieden deze statische structuren geen inzicht in het dynamische zelfassemblageproces zelf.

Bestaande computationele modellen kampen met twee hoofdproblemen:

1. Rekenkracht: Atomaire moleculaire dynamica (MD) simulaties zijn te duur om zelfassemblage op relevante tijdschalen (minuten tot uren) te simuleren.
2. Coarse-graining (CG) complexiteit: Het handmatig omzetten van atomaire structuren naar vereenvoudigde CG-modellen voor zelfassemblage is een tijdrovend en foutgevoelig proces. Er ontbreekt een tool die automatisch 3D-structuren omzet in uitvoerbare modellen die zowel geometrische beperkingen (oriëntatie, steric exclusion) als thermodynamische haalbaarheid respecteren, zonder dat alle mogelijke tussenstappen handmatig moeten worden opgesomd.

2. Methodologie: ioNERDSS

De auteurs presenteren ioNERDSS, een gebruiksvriendelijke Python-library die fungeert als een "structure-in, simulation-out" pipeline. Deze tool automatiseert de conversie van atomaire PDB/mmCIF-bestanden naar uitvoerbare modellen voor NERDSS (Nonequilibrium Simulator for Multibody Self-Assembly), een software voor stochastische reactie-diffusie (RD) simulaties.

Kernstappen in de pipeline:

• Structuurverwerking: De tool leest PDB-bestanden, identificeert polypeptideketens en berekent geometrische eigenschappen (massamiddelpunt, straal) voor elke subeenheid.
• Interface Detectie: Gebruikmakend van KD-bomen worden residu-residu contacten geïdentificeerd binnen een afstandsdracht. Contacten worden gedefinieerd als "echte" interacties als ze voldoende residuen omvatten.
• Coarse-Graining: Elke eiwitketen wordt gemodelleerd als een starre subeenheid met discrete interface-punten. De relatieve oriëntatie tussen subeenheden wordt beperkt door rigide lichaamswinkels (drie hoeken en drie dihedrale hoeken), wat zorgt voor gestructureerde assemblage zonder onfysische overlappingen.
• Omgaan met Herhalingen: Voor complexen met identieke subeenheden (bijv. virale capsiden) regulariseert ioNERDSS de structuur. Het identificeert homotyperende (zelfde interface) en heterotyperende (verschillende interface) interacties en past een enkele rigide template toe op alle kopieën, terwijl het rekening houdt met lokale variaties in de moleculaire omgeving.
• Kinetic Parameters:
  • Associatiesnelheden ($k_{on}$) worden ingesteld op de diffusielimiet.
  • Dissociatiesnelheden ($k_{off}$) worden afgeleid uit voorspelde bindingsaffiniteiten ($\Delta G$) met behulp van ProAffinity-GNN (een deep-learning tool voor eiwit-eiwit interacties).
  • Dit garandeert dat de modellen thermodynamisch reversibel zijn en een evenwichtstoestand bereiken.
• Validatie en ODE: Voor kleine complexen (<12 subeenheden) genereert ioNERDSS automatisch een deterministisch ODE-model (Ordinary Differential Equations) om de stochastische RD-resultaten te valideren.

3. Belangrijkste Bijdragen

1. Geautomatiseerde Pipeline: De eerste tool die direct PDB-structuren omzet in volledig geparameteriseerde, uitvoerbare CG-modellen voor zelfassemblage, inclusief het definiëren van bindingskinetiek en oriëntatiebeperkingen.
2. Integratie met AI: Naadloze integratie met ProAffinity-GNN voor het voorspellen van bindingsaffiniteiten op basis van structuur, wat de noodzaak voor experimentele kinetische data voor de initiële setup elimineert.
3. Omgaan met Complexiteit: Robuste algoritmen voor het behandelen van herhalende subeenheden en complexe topologieën (zoals virale lattices) door het regulariseren van interfaces en het toepassen van symmetrie-voorwaarden (bijv. sferische kromming).
4. Validatie-infrastructuur: Een uitgebreide benchmarking-suite en tutorials om te valideren of de gegenereerde modellen de doelstructuur correct assemblen, inclusief het oplossen van veelvoorkomende fouten (zoals "under-assembly" of kinetische valkuilen).
5. Toegankelijkheid: Beschikbaar als open-source Python-bibliotheek, met een online server (nerdssdemo.org) en visualisatie-integratie (Simularium, OVITO), waardoor het toegankelijk is voor niet-experts.

4. Resultaten

• Benchmarking: De tool is getest op meer dan 44.000 PDB-structuren.
  • Voor volledig heteromere complexen (alle subeenheden uniek) assembleerden >99% van de gesimuleerde modellen succesvol tot de doelstructuur.
  • Voor complexen met herhalende subeenheden was het succespercentage ook hoog, hoewel hier meer aandacht nodig was voor het regulariseren van interfaces.
• Voorbeelden:
  • Proteasoom (28 subeenheden): ioNERDSS slaagde erin het complexe, pseudo-symmetrische proteasoom te modelleren. Door langzame titratie van monomeren werden kinetische valkuilen vermeden en werd de volledige 28-mer gevormd.
  • Actine filamenten: De tool reproduceerde de karakteristieke helicale twist en persistentie van groei van actine filamenten, zelfs buiten de grootte van de invoer-PDB.
  • Platonische Vastestoffen: Een bibliotheek voor ideale structuren (zoals dodecaëders) toonde aan dat de tool kan worden gebruikt voor de novo ontwerp van zelfassemblage met instelbare stralen en bindingskrachten.
• Validatie: Er werd een sterke overeenkomst gevonden tussen de stochastische NERDSS-simulaties en de gegenereerde ODE-modellen voor kleine complexen, wat de thermodynamische consistentie bevestigt.

5. Betekenis en Toekomstperspectief

ioNERDSS overbrugt een kritieke kloof tussen structurele biologie (statica) en systeembiologie (dynamica). Het stelt onderzoekers in staat om:

• Hypothesen te testen over zelfassemblagepaden en kinetische valkuilen zonder diepgaande programmeerkennis.
• De invloed van subeenheidconcentraties, bindingsaffiniteiten en stoichiometrie op de opbrengst van functionele complexen te optimaliseren.
• De weg te effenen voor grootschalige "whole-cell" modellen die macromoleculaire assemblage in een ruimtelijke context simuleren.

De tool maakt het mogelijk om de "ontwerpruimte" van zelfassemblage systematisch te verkennen, wat essentieel is voor het begrijpen van ziektemechanismen (bijv. virale assemblage) en voor het ontwerp van nieuwe nanomaterialen en synthetische biologie-systemen. De open-source aard en de integratie met AI-tools positioneren ioNERDSS als een fundamenteel instrument voor de toekomstige studie van mesoscale biologische processen.