Computed atlas of the human GPCR-G protein signaling complexes

Deze studie presenteert de eerste computationele 3D-atlas van menselijke GPCR-G-eiwitcomplexen, waarbij AlphaFold3 en machine learning worden gebruikt om de signaalmechanismen van het gehele GPCRoom te ontrafelen, nieuwe koppelingen experimenteel te valideren en inzicht te krijgen in de verschillen in signaalrepertoire tussen gezond weefsel en kanker.

De kern

De GPCR-Atlas: Een digitale kaart voor de cellulaire telefooncentrale

Stel je voor dat je lichaam een enorme, drukke stad is. In deze stad zitten miljarden cellen, en elke cel heeft duizenden kleine antennes aan de buitenkant. Deze antennes heten GPCR's (G-proteïne gekoppelde receptoren). Hun werk is als dat van een telefooncentrale: ze ontvangen signalen van buitenaf (zoals hormonen, geuren of medicijnen) en moeten beslissen welk "binnenlandse" team ze moeten bellen om actie te ondernemen.

Die interne teams heten G-eiwitten. Er zijn vier hoofdteams:

1. Team Gs: De versnellers (maken energie los).
2. Team Gi/o: De remmers (vertragen processen).
3. Team Gq/11: De boodschappers (starten chemische reacties).
4. Team G12/13: De structuurmannen (veranderen de vorm van de cel).

Het probleem? We weten voor honderden van deze antennes niet precies welk team ze bellen. Het is alsof je een telefoonboek hebt, maar voor de helft van de nummers staat er "onbekend" bij. Dit maakt het moeilijk om nieuwe medicijnen te ontwerpen, want als je een medicijn op een antenne zet, weet je niet of je de versneller of de remmer activeert.

Wat hebben deze onderzoekers gedaan?

Ze hebben een digitale "super-rekenmachine" gebruikt, genaamd AlphaFold 3. Dit is een kunstmatige intelligentie die heel goed is in het voorspellen van hoe eiwitten eruitzien in 3D, net als een architect die een gebouw ontwerpt op basis van een lijst met materialen.

In plaats van jarenlang in een laboratorium te wachten tot ze een fysiek model van elke combinatie konden maken, hebben ze deze AI laten "dromen" over hoe elke antenne (GPCR) eruitziet als hij vastzit aan elk van de vier interne teams (G-eiwitten).

De creatieve analogie: De sleutel en het slot

Stel je voor dat elke antenne een heel specifiek slot is en elk G-eiwit een sleutel.

• Vroeger moesten wetenschappers duizenden sleutels proberen om te zien welke in welk slot paste.
• Nu hebben de onderzoekers de AI laten kijken naar de vorm van het slot en de sleutel. De AI zegt: "Kijk, deze sleutel past perfect in dit slot, ze klikken goed op elkaar." Of: "Nee, deze sleutel is te groot, hij past niet."

Ze hebben dit voor alle menselijke antennes gedaan (behalve die voor geur, die zijn heel speciaal, maar die hebben ze ook bekeken). Het resultaat is een enorme 3D-atlas. Het is als een Google Maps voor je cellen, waar je kunt zien welke route (signaal) er wordt genomen.

De belangrijkste ontdekkingen

1. De "Remmers" zijn de populairste: Voor de meeste antennes (die niet ruiken) is het team Gi/o (de remmers) de favoriete partner. Vaak bellen ze ook nog even Team Gq/11.
2. Geur is anders: De antennes voor geur (in je neus) werken heel anders. Ze bellen bijna altijd Team Gs (de versneller), maar ze doen het op een heel losse manier. Het is alsof ze de sleutel alleen even aanraken in plaats van hem stevig in het slot te draaien. Dit maakt hun reactie heel snel en gevoelig voor geurtjes.
3. Kanker vs. Gezondheid: Dit is misschien wel het meest spannende deel.
   • In een gezonde cel is de telefooncentrale een drukke, georganiseerde stad. Er worden veel verschillende nummers gebeld, afhankelijk van wat de cel moet doen. Er is een grote verscheidenheid aan verbindingen.
   • In een kankercel is de stad in chaos. Veel van die specifieke verbindingen zijn verdwenen. De kankercel is "vergeten" wie ze normaal gesproken moeten bellen. Ze gebruiken vaak maar één of twee lijnen (vaak de verkeerde) en vergeten de rest.
   • De les: Als we medicijnen kunnen maken die de cellen helpen om hun oude, gezonde "telefoonlijnen" weer te herstellen, zouden we misschien kanker kunnen genezen of vertragen.

Waarom is dit belangrijk?

Voorheen was het gissen naar welke medicijnen wel of niet werken. Nu hebben we een blauwdruk.

• Als een arts een patiënt heeft met een zeldzame ziekte, kan hij in deze atlas kijken: "Welke antenne is kapot? Welk team belt hij normaal, en welk team belt hij nu?"
• Farmaceutische bedrijven kunnen nu medicijnen ontwerpen die precies op de juiste plek in het slot passen, zonder de verkeerde teams te activeren (wat minder bijwerkingen betekent).

Kortom:
De onderzoekers hebben met een slimme computer een complete kaart gemaakt van hoe onze cellen communiceren. Ze hebben laten zien dat gezonde cellen een rijk, gevarieerd gesprek voeren, terwijl kankercellen in een eenzaam, herhaaldelijk gesprek verstrikt raken. Deze kaart helpt ons om die gesprekken weer gezond te maken.

Technische samenvatting

Probleemstelling

G-proteïnegekoppelde receptoren (GPCR's) vormen de grootste familie van celoppervlaktereceptoren in de mens en zijn cruciaal voor het reguleren van fysiologische processen zoals neurotransmissie, hormoonsignalering en immuunrespons. Hoewel honderden GPCR-G-eiwit koppelingen experimenteel zijn in kaart gebracht, blijft de koppelspecificiteit voor een groot deel van deze receptorfamilie onbekend. Dit gebrek aan kennis belemmert de ontwikkeling van nieuwe, gerichte therapieën. Traditionele methoden voor het bepalen van de 3D-structuur van GPCR-complexen zijn tijdrovend en beperkt in schaal, waardoor er een enorme kennislacune bestaat, vooral voor verwaarloosde klassen zoals orfane receptoren en reukreceptoren (olfactory receptors, OR's).

Methodologie

De auteurs hebben een geavanceerde computationele workflow ontwikkeld om de volledige menselijke GPCR-ome (GPCRome) in complex met heterotrimeer G-eiwitten te modelleren:

1. Structuurvoorspelling (AlphaFold 3):

   • Er werden 3D-structuren voorspeld voor alle mogelijke complexe van 180 niet-olfactorische GPCR's en 408 olfactorische receptoren (OR's) met 13 verschillende $\alpha$-subunits van G-eiwitten (in complex met $\beta$- en $\gamma$-subunits).
   • Hiervoor werd AlphaFold 3 (AF3) gebruikt, de state-of-the-art algoritme voor eiwitstructuurvoorspelling.
   • De voorspellingen werden gefilterd op kwaliteit; 98,4% van de modellen toonde een plausibele docking van het G-eiwit aan de intracellulaire zijde van de receptor.

2. Validatie en Kwaliteitscontrole:

   • De voorspellingen werden gevalideerd tegen experimentele structuren die na de trainingscutoff van AF3 zijn opgelost (DockQ-score mediane 0,73).
   • Er werd aangetoond dat AF3-predicties structurele kenmerken kunnen onderscheiden tussen "positieve binders" (koppeling) en "negatieve binders" (geen koppeling).

3. Machine Learning (Precog3D):

   • Een supervised machine learning-model, genaamd Precog3D, werd getraind op basis van 184 structurele kenmerken afgeleid van de AF3-voorspellingen (zoals interactieprobabiliteit, pLDDT-scores van specifieke residuen, en Rosetta-energie-scores).
   • Het model werd getraind op experimentele data uit GproteinDb en getest op een onafhankelijke dataset (IUPHAR/GTPDB).
   • SHAP-analyse (SHapley Additive exPlanations) werd gebruikt om de feature importance te interpreteren en universele versus specifieke determinanten van koppeling te identificeren.

4. Experimentele Validatie:

   • Voorspellingen voor onbekende of slecht bestudeerde receptoren (zoals QRFPR, GPR50, GPR37, GPRC5A) werden experimenteel getest met behulp van TGF$\alpha$-shedding assays en luciferase reporter assays (CRE, NFAT, SRF) in HEK293-cellen.

5. Transcriptoom-analyse:

   • De gegenereerde koppelsatlas werd geïntegreerd met bulk-RNAseq-data (GTEx voor gezond weefsel en TCGA voor kanker) om co-expressiepatronen van GPCR-G-eiwitparen te analyseren.

Belangrijkste Resultaten

• Discriminatie van Binders: AF3-predicties tonen significante correlatie met experimentele koppelingdata. Kenmerken zoals interactieprobabiliteit en de pLDDT-score van het G-eiwit-residu H5.11 kunnen positieve en negatieve binders betrouwbaar onderscheiden.
• Voorspellende Kracht van Precog3D: Het model presteerde beter dan bestaande tools (zoals PRECOGx) met een ROC AUC van 0,82. Het kan zowel de sterkte van de koppeling als de specificiteit voor specifieke G-eiwitfamilies (Gs, Gi/o, Gq/11, G12/13) voorspellen.
• Koppelpatronen in de GPCR-ome:
  • Niet-olfactorische GPCR's: Gi/o is de meest voorkomende koppeling, vaak in combinatie met Gq/11. Gs-koppeling is zeldzamer en beperkt tot specifieke fylogenetische clusters (bijv. trace amine-geassocieerde receptoren, $\beta$-adrenerge receptoren).
  • Olfactorische Receptoren (OR's): OR's koppelen voornamelijk aan Gs (specifiek GNAL/Golf), maar tonen ook zwakkere neigingen tot Gq/11 en Gi/o. Structuuranalyse toont aan dat OR-Gs-complexen een eenvoudiger interface hebben en energetisch minder stabiel zijn dan die van niet-OR GPCR's, mogelijk gerelateerd aan de unieke signaaltransductie van geur.
• Atypische Receptoren: Het model identificeerde 87 receptoren die waarschijnlijk niet koppelen aan G-eiwitten, waaronder atypische chemokine-receptoren (ACKR1, ACKR3) en bepaalde orfane receptoren (GPRC5A, GPR37).
• Experimentele Bevestiging: De voorspellingen werden succesvol gevalideerd voor diverse receptoren, waaronder de bevestiging van Gi/o-koppeling voor GPR50 en de ontdekking van nieuwe secundaire koppelingen voor GPR3, GPR6 en GPR12.
• Gezond vs. Kanker Weefsel:
  • Gezonde weefsels vertonen een veel rijker en diverser repertoire aan GPCR-G-eiwit koppelingen dan kankercellen.
  • Kankerweefsels tonen vaak een verlies van specifieke koppelingen (de-differentiatie) of een verschuiving naar specifieke pathways (bijv. verhoogde SMO-koppeling in kanker).
  • Receptoren zoals ADORA2B verliezen hun koppelspecificiteit in kanker, terwijl receptoren zoals SMO en GPR161 nieuwe koppelingen aangaan die in gezond weefsel afwezig zijn.

Bijdragen en Significatie

1. Eerste Computationele Atlas: Dit onderzoek levert de eerste 3D-atlas van het menselijke GPCR-G-eiwit transductoom, waardoor duizenden onbekende koppelingen in kaart worden gebracht.
2. Validatie van AI in Structural Biology: Het bewijst dat AlphaFold 3 niet alleen structuren kan voorspellen, maar ook gebruikt kan worden om functionele interacties (koppeling vs. geen koppeling) te discrimineren, zelfs voor systemen zonder experimentele structuur.
3. Inzicht in Signaalmechanismen: De studie onthult structurele determinanten die de specificiteit van G-eiwitbinding bepalen, zoals de rol van transmembrane helices (TM5, TM6) en specifieke residuen op het interface.
4. Klinische Relevantie: Door de koppelsatlas te integreren met transcriptoomdata, biedt het een nieuwe lens om ziekteprocessen (zoals kanker) te begrijpen. Het suggereert dat het herstel van het "gezonde" koppelspectrum via geneesmiddelen (bijv. "nudge drugs") een potentiële therapeutische strategie kan zijn.
5. Richting voor Toekomstig Onderzoek: De atlas dient als een waardevolle bron voor het ontwerpen van gerichte therapieën, het interpreteren van 'omics'-datasets en het prioriteren van receptoren voor experimenteel onderzoek.

Samenvattend biedt deze studie een fundamentele stap in het begrijpen van de complexe signaleringsnetwerken van GPCR's, waarbij computationele kracht wordt gecombineerd met experimentele validatie om de "donkere materie" van de menselijke GPCR-ome te verlichten.