Prediction of ligand-dependent conformational sampling of ABC transporters by AlphaFold3 and correlation to experimental structures and energetics

Deze studie toont aan dat AlphaFold3 nucleotide-afhankelijke conformatieveranderingen van ABC-transporters succesvol kan voorspellen, waarbij de heterogeniteit van de voorspellingen correleert met experimentele dynamische data en zelfs nieuwe, eerder onwaargenomen conformaties onthult.

De kern

De Digitale Voorspeller: Hoe AI de Dans van Eiwitten Voorspelt

Stel je voor dat eiwitten (de bouwstenen van het leven) geen statische blokken zijn, maar levende dansers. Om hun werk te doen, moeten ze van houding veranderen: ze buigen, draaien en openen zich. Voor de ABC-transporters (een specifiek type eiwit dat als een poortwachter fungeert in onze cellen) is dit dansen cruciaal. Ze moeten openen om medicijnen of gifstoffen uit de cel te slepen, en dat doen ze met behulp van energie uit ATP (de brandstof van de cel).

Het probleem voor wetenschappers is dat het vastleggen van al deze danspassen heel moeilijk is. Het is alsof je probeert een danser te fotograferen die razendsnel beweegt; je krijgt vaak maar één statische foto, terwijl je de hele dans wilt zien.

De Sterke Speler: AlphaFold 3
In dit artikel kijken de auteurs naar een nieuwe kunstmatige intelligentie genaamd AlphaFold 3 (AF3).

• AlphaFold 2 (de vorige versie) was al een wonder, maar het kon alleen de "standaard" houding voorspellen. Het was alsof je een danser vroeg om in één pose te staan, maar hij wist niet hoe hij moest dansen als er muziek (een ligand) speelde.
• AlphaFold 3 is de nieuwe versie. Het grote verschil? Het kan moleculen (zoals de brandstof ATP) meenemen in de voorspelling. Het is alsof je de danser nu een cd met muziek geeft en vraagt: "Hoe beweeg je als deze muziek speelt?"

Wat hebben ze ontdekt?

De onderzoekers hebben AF3 gevraagd om te voorspellen hoe vier verschillende soorten "poortwachters" bewegen, afhankelijk van hoeveel brandstof (ATP) en magnesium ze kregen.

1. De Magische Zetel (Liganden)
Toen ze AF3 de brandstof (ATP) gaven, gebeurde er iets wonderlijks. De AI voorspelde niet alleen de bekende houdingen, maar ook de overgangen ertussen.

• Vergelijking: Stel je een auto voor. Zonder brandstof staat hij stil (een bepaalde houding). Als je brandstof toevoegt, weet de AI precies hoe de auto gaat versnellen, remmen en draaien. AF3 heeft laten zien dat het deze "bewegingen" van de eiwitten kan simuleren.

2. Het Voorspellen van Onbekende Danspasjes
Het meest opvallende is dat AF3 houdingen voorspelde die nog nooit met een microscoop zijn gezien.

• Vergelijking: Stel je voor dat je een choreograaf hebt die een dans voorstelt die niemand ooit heeft gezien, maar die logisch past bij de muziek. AF3 heeft een "half-open" houding voorspeld voor het eiwit BmrCD. Het is alsof de AI een nieuwe danspas heeft bedacht die de biologische logica volgt, zelfs als we die nog niet met onze ogen hebben kunnen zien.

3. De Energie van de Dans
De onderzoekers keken ook naar hoe "gemakkelijk" het is voor het eiwit om van houding te veranderen.

• Vergelijking: Sommige danspassen zijn makkelijk (je zakt in een zachte stoel), andere zijn zwaar (je klimt een berg op). AF3 liet zien dat voor sommige eiwitten de overgang naar de "open" stand heel makkelijk is, terwijl voor anderen (zoals Pgp) het moeilijk blijft om volledig open te gaan. Dit klopt precies met wat we in het lab al wisten: sommige poorten zijn koppiger dan andere.

4. De "Schakelaars" (Koppelhelices)
Om te begrijpen waarom sommige eiwitten wel en andere niet open gaan, hebben ze een experiment gedaan met "chimera's" (mengsels). Ze hebben stukjes van het eiwit van de ene soort (BmrCD) verwisseld met stukjes van de andere (TmrAB).

• Vergelijking: Stel je voor dat je de schakelaars van een lamp verwisselt. Als je de schakelaar van een lamp die fel brandt (BmrCD) op een lamp zet die nooit open gaat (TmrAB), gaat die lamp plotseling wel open. De onderzoekers ontdekten dat specifieke stukjes eiwit (de koppelhelices) als deze schakelaars werken. Als je ze verwisselt, verandert het gedrag van het hele eiwit.

Waarom is dit belangrijk?

Vroeger moesten wetenschappers wachten tot ze een eiwit konden "bevriezen" en fotograferen (met cryo-EM) om te zien hoe het eruitzag. Dat was als het vastleggen van een moment in de tijd.

Met AlphaFold 3 kunnen we nu simuleren hoe het eiwit beweegt, net als een animatie in een film.

• Het helpt ons te begrijpen hoe medicijnen werken.
• Het helpt ons te zien waarom sommige cellen medicijnen weigeren (resistentie).
• Het laat zien dat AI niet alleen "kijkt" naar bestaande foto's, maar eigenlijk de regels van de natuur heeft geleerd en die kan toepassen op nieuwe situaties.

Kortom:
Deze studie laat zien dat AlphaFold 3 niet alleen een fotograaf is die statische beelden maakt, maar een regisseur die de hele film van het eiwit kan draaien. Het kan voorspellen hoe eiwitten bewegen, welke houdingen ze aannemen en zelfs nieuwe, nog onontdekte houdingen bedenken. Dit is een enorme stap voorwaarts in het begrijpen van hoe ons lichaam werkt en hoe we ziektes kunnen bestrijden.

Technische samenvatting

Probleemstelling

Proteïne functie is afhankelijk van het afwisselend aannemen van meerdere conformaties langs een ruw energielandschap. Het in kaart brengen van deze conformaties, hun relatieve energieën en de kinetiek van hun onderlinge overgang is een centrale uitdaging in de eiwitwetenschap. Hoewel experimentele technieken zoals cryo-elektronenmicroscopie (cryo-EM) structuren bij energieminima kunnen vastleggen, blijft het voorspellen van volledige conformationele landschappen, vooral die afhankelijk van ligandbinding, moeilijk.

De voorganger van het huidige model, AlphaFold2 (AF2), kon weliswaar verschillende conformaties voorspellen door "hacken" van de multiple sequence alignment (MSA) (bijv. subsampling), maar de afgeleide verdelingen correleerden niet goed met thermodynamische energieën. De nieuwste versie, AlphaFold3 (AF3), introduceert de mogelijkheid om proteïneliganden direct in het voorspellingsnetwerk op te nemen. Echter, de ontwikkelaars van AF3 hebben aangegeven dat het model niet van nature robuust is in het voorspellen van alternatieve proteïneconformaties. De centrale vraag van dit onderzoek is of AF3, door de combinatie van zijn diffusie-architectuur en de expliciete integratie van liganden (zoals ATP en Mg2+), in staat is om de conformationele cyclus van ABC-transporters te voorspellen en of deze voorspellingen correleren met experimentele data en energetische principes.

Methodologie

De auteurs hebben AlphaFold3 toegepast op vier representatieve ABC-exporters van type IV, die uitgebreid bestudeerd zijn met experimentele structurele biologie:

1. MsbA: Een homodimeer.
2. TmrAB: Een heterodimeer met een defecte katalytische site.
3. BmrCD: Een heterodimeer met een vergelijkbare defecte site, maar een ander energielandschap dan TmrAB.
4. ABCB1 (P-glycoproteïne/Pgp): Een enkel polypeptideketen met twee half-transporters.

Experimenteel ontwerp:

• Voorspellingen: Er werden 500 modellen gegenereerd per transporter onder verschillende omstandigheden: apo (zonder ligand), en met verschillende combinaties van nucleotiden (ATP, ADP) en magnesiumionen (Mg2+), zoals 1Mg2+/2ATP, 2Mg2+/2ATP, en 2Mg2+/1ATP1ADP.
• Vergelijking: De voorspelde modellen werden geklusterd en vergeleken met experimentele cryo-EM structuren (PDB-bestanden) voor de Inwaarts-gekeerde (IF), Occluded (OC) en Uitwaarts-gekeerde (OF) toestanden.
• Validatie:
  • RMSD-analyse: Root Mean Square Deviation werd gebruikt om de afwijking van voorspelde modellen ten opzichte van experimentele referenties te kwantificeren.
  • DEER-spectroscopie simulatie: Met behulp van de chiLife-software werden afstandsdistributies gesimuleerd voor spin-gelabelde residuen (Cα-Cα afstanden) aan de extracellulaire en intracellulaire zijde. Deze werden vergeleken met experimentele DEER-data en simulaties op basis van cryo-EM structuren.
  • RMSF-analyse: Root Mean Square Fluctuation werd berekend om flexibiliteit te kwantificeren en vergeleken met experimentele B-factoren uit cryo-EM.
  • Chimera-studies: Om de determinanten van conformationele selectie te onderzoeken, werden "coupling helices" (koppelhelices) tussen TmrAB en BmrCD uitgewisseld en opnieuw gepredict.

Belangrijkste Bijdragen en Resultaten

1. Ligand-afhankelijke conformationele sampling
In tegenstelling tot MSA-subsampling (die in AF3 weinig variatie opleverde), leidde de toevoeging van nucleotiden en Mg2+ tot duidelijke en reproduceerbare verschuivingen in de voorspelde conformaties.

• MsbA en BmrCD: AF3 slaagde erin om zowel IF- als OF-conformaties te voorspellen die sterk overeenkwamen met experimentele structuren, afhankelijk van de nucleotide-omgeving. Bijvoorbeeld, bij MsbA verschuift het ensemble van IF (apo) naar OF (met 2Mg2+/2ATP).
• TmrAB: Een opvallende uitzondering was dat AF3 de OF-conformatie van TmrAB niet voorspelde, zelfs niet toen de experimentele structuur beschikbaar was als template. Dit suggereert dat de sequentie-informatie of de koppelmechanismen in TmrAB anders zijn dan in BmrCD.
• Pgp: Toonde een heterogeen ensemble dat zelfs bij 2Mg2+/2ATP nog steeds een aanzienlijke populatie van de IF-conformatie behield, wat overeenkomt met experimentele observaties dat de OF-toestand bij Pgp zeldzaam is.

2. Correlatie met experimentele dynamiek en energetiek

• De heterogeniteit van de AF3-ensembles correleerde sterk met experimentele DEER-data. De verhouding tussen IF- en OF-populaties in de voorspellingen weerspiegelde de experimenteel waargenomen energetische voorkeuren.
• De voorspelde fluctuaties (RMSF) kwamen kwalitatief overeen met experimentele B-factoren: NBDs waren flexibeler in IF-modellen, terwijl extracellulaire domeinen flexibeler waren in OF-modellen.

3. Voorspelling van onbekende tussenstadia
AF3 voorspelde conformaties die nog niet experimenteel waren waargenomen:

• Asymmetrische OC: Bij BmrCD (onder 1Mg2+/2ATP) werd een asymmetrische OC-toestand voorspeld waarbij het degeneratieve nucleotide-bindingsplaats (NBS) losgekoppeld is, terwijl de consensus-site gebonden blijft.
• Semi-OF: Er werden modellen gevonden die leken op de OF-toestand maar met een sterk gesloten extracellulaire poort (verkleining van de kamer van ~4995 ų naar ~2239 ų). Dit zou kunnen wijzen op een herstelroute (reset path) na het vrijgeven van het substraat.

4. Rol van koppelhelices (Coupling Helices)
De studie identificeerde de koppelhelices als cruciale determinanten voor conformationele selectie:

• Door de koppelhelices van TmrAB te vervangen door die van BmrCD (chimera TmrAB12DC), slaagde AF3 er plotseling in om de OF-conformatie te voorspellen, die voor het wilde type (WT) TmrAB ontbrak.
• Omgekeerd leidde het vervangen van BmrCD-helices door TmrAB-helices tot een verschuiving naar de OC-conformatie.
• Dit bewijst dat AF3 de sequentiedeterminanten in deze specifieke regio's herkent die de stabiliteit van bepaalde conformaties bepalen, en dat het model niet louter afhankelijk is van templates.

Betekenis en Conclusie

Dit onderzoek toont aan dat AlphaFold3, ondanks de beperkingen in het voorspellen van alternatieve conformaties zonder liganden, een krachtig instrument is geworden om de ligand-gedreven conformationele cyclus van complexe membraaneiwitten te modelleren.

De belangrijkste conclusies zijn:

1. Context-sensitiviteit: De voorspellingen zijn sterk afhankelijk van de specifieke ligand-omgeving (ATP/Mg2+ combinaties) en de specifieke sequentie van de transporter.
2. Extrapolatie van principes: Hoewel honderden ABC-transporterstructuren in de trainingsdata zaten, voorspelde AF3 nieuwe, niet-gesamplede toestanden (zoals de asymmetrische OC en semi-OF), wat suggereert dat het model fundamentele principes van conformationele overgangen heeft geleerd en kan extrapoleren.
3. Validatie van energetiek: De heterogeniteit van de voorspelde ensembles correleert met experimentele maatstaven voor dynamiek en energetiek, wat AF3 een bruikbaar hulpmiddel maakt om de thermodynamische balans van proteïneconformaties te testen.
4. Mechanistisch inzicht: De chimera-experimenten bevestigen dat specifieke sequentieregio's (koppelhelices) de conformationele keuze sturen, en dat AF3 deze determinanten kan detecteren.

Samenvattend biedt deze studie een robuust raamwerk voor het gebruik van AI-gedreven structurele voorspelling om de functionele dynamiek van ABC-transporters te ontrafelen, waarbij voorspellingen direct worden gekoppeld aan experimentele validatie en energetische principes.