Analysis and design of disordered polypeptides with optimized sequence patterning properties

Dit artikel introduceert een genormaliseerde methode en een Monte Carlo-ontwerpalgoritme voor het rationeel ontwerpen van intrinsiek ongeordende proteïnen met geoptimaliseerde sequentiepatronen om hun fasegedrag en samenklontering in oplossing te sturen.

De kern

Titel: Het Recept voor de Perfecte "Zuivel": Hoe wetenschappers nieuwe eiwitten ontwerpen

Stel je voor dat eiwitten niet als statische Lego-blokjes zijn, maar meer als een lange, slingerende sliert spaghetti in een kom soep. Sommige van deze slierten zijn stijf en hebben een vaste vorm (zoals een stevige schroef), maar andere zijn intrinsiek ongeordende eiwitten (IDP's). Die laatste zijn als een losse, dansende sliert die geen vaste vorm heeft. Ze zijn echter heel belangrijk voor het leven: ze kunnen samenklonteren tot kleine druppeltjes, net als olie in water, maar dan in je cellen. Deze druppeltjes worden "biomoleculaire condensaten" genoemd en helpen je cel om dingen te organiseren, zoals een kantoor dat zich in een tijdelijke vergaderruimte verzamelt.

De vraag is: hoe zorg je ervoor dat deze eiwit-sliertjes precies zo gedragen als je wilt? Soms willen we dat ze snel samenkomen (voor een druppel), en soms dat ze uit elkaar blijven (om verstopping te voorkomen).

Dit artikel vertelt over een nieuwe manier om deze eiwitten te ontwerpen, alsof je een chef-kok bent die een nieuw recept uitvindt.

1. Het oude probleem: Het vergelijken van appels en peren

Vroeger hadden wetenschappers regels om te voorspellen hoe een eiwit zou gedragen. Ze keken naar twee dingen:

• De lading: Zijn er veel plus- en min-kantjes?
• De "vetheid" (hydrofobiciteit): Zijn er veel plakkerige, waterafstotende stukjes?

Maar er was een groot probleem. Stel je voor dat je twee verschillende soepen hebt: één met 10 ingrediënten en één met 100. Als je zegt "deze soep is plakkeriger", is dat lastig te vergelijken als de hoeveelheden en soorten ingrediënten totaal verschillend zijn. De oude regels werkten alleen goed als je precies dezelfde soep met een paar andere kruiden maakte. Je kon geen nieuwe, heel andere soep ontwerpen en zeggen: "Deze is net zo plakkerig als die andere."

2. De nieuwe oplossing: Een universele meetlat

De onderzoekers hebben een slimme truc bedacht: normalisatie.
Stel je voor dat je elke soep eerst "willekeurig" door elkaar roert (als een computer die de ingrediënten 1 miljoen keer door elkaar schudt). Dan zie je wat de "gemiddelde" plakkerigheid is voor die specifieke combinatie van ingrediënten.

Vervolgens kijken ze naar jouw echte eiwit en vergelijken ze het met die gemiddelde, willekeurige soep.

• Is jouw eiwit meer plakkerig dan de gemiddelde willekeurige variant? Dan is het een "extreme" variant.
• Is het minder plakkerig? Dan is het heel verspreid.

Door dit te doen, kunnen ze nu elk eiwit vergelijken met elk ander eiwit, ongeacht hoe lang of hoe groot het is. Het is alsof ze een universele "plakkerigheids-schaal" hebben bedacht die voor elke soepsoort werkt. Ze hebben zelfs nieuwe regels toegevoegd voor "aromatische" stukjes (die lijken op bloemen die vaak samenklonteren) en voor hoe goed de eiwitten in een vloeistof oplossen.

3. De ontwerper: Een slimme Monte Carlo-robot

Nu ze deze meetlat hebben, hebben ze een ontwerp-algoritme gebouwd. Dit is een soort robot die in een virtuele keuken werkt.

• Het doel: De robot krijgt een opdracht, bijvoorbeeld: "Maak een eiwit dat heel snel samenkleeft, maar die precies dezelfde ingrediënten heeft als het origineel."
• De methode: De robot begint met een willekeurige sliert. Dan probeert hij kleine veranderingen:
  • Verwisselen: Twee ingrediënten van plek ruilen.
  • Veranderen: Eén ingrediënt vervangen door een ander.
  • Schudden: Een stukje van de sliert helemaal door elkaar halen.
• De beoordeling: Na elke verandering kijkt de robot: "Wordt dit dichter bij mijn doel?" Als ja, houdt hij de verandering. Als nee, gooit hij het misschien toch nog wel eens over (net als een gokker die soms een slechte zet doet om uit een slechte situatie te komen).

Dit proces herhaalt zich duizenden keren totdat de robot het perfecte recept heeft gevonden.

4. Wat hebben ze bereikt? (De proefjes)

De onderzoekers hebben hun robot laten werken met drie verschillende uitdagingen:

1. De extreme LAF-1: Ze namen een bekend eiwit en vroegen de robot: "Maak een variant die extreem plakkerig is, maar gebruik dezelfde ingrediënten." De robot slaagde erin om eiwitten te maken die veel sneller samenklonteren dan het origineel.
2. De FUS-varianten: Ze maakten varianten van een eiwit dat vaak betrokken is bij ziektes (zoals ALS). Ze ontwierpen versies die nog sneller samenkomen, wat helpt om te begrijpen hoe deze eiwitten in het lichaam werken.
3. De mini-NUP: Dit was de meest uitdagende. Ze namen een enorm eiwit (1475 stukjes lang) en probeerden een mini-versie (slechts 30 stukjes) te maken die zich toch gedroeg als het grote eiwit. Normaal gesproken is een kort stukje spaghetti te kort om een knoop te maken. Maar door de "plakkerige" stukjes heel slim te verdelen, lukte het om een mini-eiwit te maken dat zich toch als een druppel gedroeg.

Waarom is dit belangrijk?

Dit onderzoek is als het vinden van de perfecte receptuur voor een nieuwe soort plastic of een medicijn.

• Geneeskunde: Als we begrijpen hoe we eiwitten kunnen laten samenkomen of juist uit elkaar houden, kunnen we misschien medicijnen maken tegen ziektes waarbij deze druppeltjes te hard worden (zoals bij Alzheimer of kanker).
• Technologie: We kunnen kunstmatige "celletjes" bouwen die medicijnen precies op de juiste plek in het lichaam afleveren.
• Snelheid: Vroeger duurde het jaren om te testen of een nieuw eiwit werkte. Nu kan een computer dit in een paar seconden voorspellen en het beste ontwerp leveren.

Kortom: De onderzoekers hebben een universele taal bedacht om de "dans" van eiwitten te beschrijven en een slimme robot gebouwd die nieuwe, perfecte dansers kan ontwerpen voor elke situatie.

Technische samenvatting

Probleemstelling

Intrinsiek ongeordende eiwitten (IDP's) vertonen gedrag dat sterk wordt beïnvloed door hun aminozuursamenstelling en de specifieke volgorde (patterning) waarin deze aminozuren voorkomen. Bestaande kwantitatieve metrieken, zoals Sequence Charge Decoration (SCD) en Sequence Hydropathy Decoration (SHD), beschrijven hoe geladen en hydrofobe residuen over de sequentie zijn verdeeld. Deze metrieken correleren sterk met de compactie van de eiwitketen en de neiging tot vloeistof-vloeistof faseafscheiding (LLPS).

Echter, een belangrijke beperking van deze bestaande metrieken is dat ze moeilijk vergelijkbaar zijn tussen sequenties met verschillende lengtes of samenstellingen. Een absolute SCD- of SHD-waarde voor één eiwit zegt weinig over de "blokkigheid" (degree of blockiness) in vergelijking met een ander eiwit met een andere samenstelling. Dit beperkt het ontwerp van nieuwe IDP's tot mutagenese van bestaande sequenties of randomisatie binnen een zeer beperkt compositiespectrum, in plaats van een universeel ontwerpruimte te kunnen navigeren.

Methodologie

De auteurs hebben een geavanceerd raamwerk ontwikkeld dat bestaat uit drie hoofdbestanden:

1. Genormaliseerde Patterning-parameters:

   • Om de beperkingen van SCD en SHD op te lossen, introduceren de auteurs een shuffle-gebaseerde normalisatieschema. Ze genereren voor een gegeven samenstelling een ensemble van 1 miljoen gerandomiseerde sequenties om de onderliggende kansverdeling van de parameters te bepalen.
   • Ze ontdekten dat deze verdelingen benaderd kunnen worden door Gaussische verdelingen. Hierdoor kunnen ze de gemiddelde ($\mu$) en standaardafwijking ($\sigma$) van SCD en SHD voorspellen op basis van uitsluitend samenstellingsafhankelijke parameters (zoals gemiddelde hydrofobiciteit, standaardafwijking van hydrofobiciteit, fractie geladen residuen, en ketenlengte).
   • Dit leidt tot genormaliseerde waarden: SCD$_{norm}$ en SHD$_{norm}$, die de significantie van een waarde binnen een specifieke samenstellingscontext aangeven.
   • Een nieuwe parameter, Sequence Aromatic Decoration (SAD), werd ontwikkeld voor aromatische residuen, eveneens met een voorspellend model voor $\mu_{SAD}$ en $\sigma_{SAD}$.

2. Monte Carlo (MC) Ontwerpalgoritme:

   • Een Metropolis Monte Carlo-algoritme werd ontwikkeld om nieuwe sequenties te genereren met gewenste eigenschappen.
   • Het algoritme gebruikt een verliesfunctie (loss function) die de afwijking van de doelwaarden voor de parameters (SCD$_{norm}$, SHD$_{norm}$, SAD, $\Delta G$, en compositiesimilariteit) kwantificeert.
   • De verliesfunctie wordt gewogen met de inverse van de standaardafwijking ($1/\sigma$) van elke parameter, waardoor alle parameters een gelijke weging krijgen in het optimalisatieproces, ongeacht hun schaal.
   • Drie soorten bewegingen ("moves") worden gebruikt om de sequentie te veranderen: mutaties (veranderen van residu-type), swaps (uitwisselen van posities) en gedeeltelijke shuffle's (randomiseren van een segment).
   • Nieuwe parameters zoals Compositional RMSD (om afwijking van een referentiesamenstelling te controleren) en een voorspeller voor de overdrachtsvrije energie ($\Delta G$) van faseafscheiding (gebaseerd op het werk van von Büllow et al.) werden geïntegreerd.

3. Validatie via Coarse-Grained Simulaties:

   • De ontworpen sequenties werden gevalideerd met behulp van HPS-Urry coarse-grained moleculaire dynamica (MD)-simulaties.
   • De simulaties berekenden de binodale krommen en kritieke temperaturen ($T_c$) om de faseafscheidingsneiging te kwantificeren.

Belangrijkste Bijdragen

• Universele Normalisatie: De ontwikkeling van een wiskundig raamwerk om SCD, SHD en SAD te normaliseren, waardoor sequenties met totaal verschillende lengtes en samenstellingen direct met elkaar vergeleken kunnen worden op basis van hun "blokkigheid".
• Voorspellende Modellen: Empirische formules die de statistische verdeling van patterning-parameters voorspellen op basis van slechts een paar samenstellingsparameters, wat de noodzaak van miljoenen shuffle-simulaties voor elke nieuwe sequentie elimineert.
• Geautomatiseerd Ontwerp: Een robuust MC-algoritme dat in staat is om sequenties te ontwerpen met specifieke, doelgerichte waarden voor meerdere fysieke eigenschappen tegelijkertijd, inclusief het behoud van de oorspronkelijke aminozuursamenstelling.

Resultaten

De auteurs toonden het succes van hun methode aan in drie scenario's:

1. Extreme Variatie in LAF-1 RGG:

   • Ze ontwierpen varianten van het LAF-1 RGG-eiwit met extreem negatieve SCD-waarden (tot -15), wat verder gaat dan wat eerder bereikbaar was via willekeurige shuffle's.
   • MD-simulaties toonden aan dat een negatievere SCD leidt tot een stijging van de kritieke temperatuur ($T_c$) en een sterkere neiging tot faseafscheiding, wat de voorspellende kracht van de genormaliseerde parameters bevestigt.

2. Ontwerp van FUS LC Variant met Verbeterde $\Delta G$:

   • Door de $\Delta G$-voorspeller en compositional RMSD te integreren, werden varianten van het FUS LC-eiwit ontworpen die een lagere vrije energie van faseafscheiding hebben dan het wildtype.
   • De ontworpen sequenties behielden een zeer vergelijkbare aminozuursamenstelling (lage compRMSD), wat aantoont dat de verbeterde fasegedrag voornamelijk het gevolg is van geoptimaliseerde residu-patterning en niet van veranderingen in de totale samenstelling.

3. Miniaturisatie van Nup153:

   • De auteurs ontwierpen korte peptiden (30 residuen) die de eigenschappen van het grote Nucleoporin 153 (1475 residuen) nabootsen.
   • Hoewel korte ketens normaal gesproken minder geneigd zijn tot faseafscheiding, slaagden ze erin om door de toevoeging van aromatische residuen en optimalisatie van de patterning sequenties te creëren die wel faseafscheiden. Dit demonstreert de kracht van het ontwerp om de "kleefkracht" van sequenties te compenseren voor een verminderde lengte.

Betekenis en Toekomstperspectief

Dit werk legt de fundering voor een rationeel ontwerp van IDP's voor biomedische en biotechnologische toepassingen, zoals drug delivery via biomoleculaire condensaten of het bestuderen van ziekteprocessen gerelateerd aan eiwitaggregatie.

De belangrijkste doorbraak is de verschuiving van een "trial-and-error" benadering naar een voorspellend en gestuurd ontwerpruimte. Door de normalisatie van parameters kunnen onderzoekers nu snel grote bibliotheken van eiwitsequenties screenen en ontwerpen met specifieke, gewenste fysische eigenschappen. Toekomstige uitbreidingen van dit werk kunnen andere parameters omvatten, zoals voorspellers voor secundaire structuur of specifieke eigenschappen van de condensaten (bijv. vloeibaar versus gel-achtig gedrag), wat de precisie van het eiwitontwerp verder zal verhogen.