Effects of protein interface mutations on protein quality and affinity

Dit onderzoek presenteert een experimenteel en analytisch kader om intrinsieke bindingsaffiniteit van antilichamen te onderscheiden van eiwitkwaliteitsfactoren, waardoor een grootschalig dataset wordt gegenereerd die aantoont dat bestaande modellen voornamelijk eiwitkwaliteit en niet de daadwerkelijke moleculaire interactie voorspellen.

De kern

De Grote Misverstand: Waarom een slechte handdruk niet altijd betekent dat je slecht bent

Stel je voor dat je op een feestje bent en je wilt een gesprek aangaan met iemand. Je stapt naar voren, reikt je hand uit en zegt: "Hoi!"

In de wereld van medicijnen en biologie is dit wat antilichamen (onze verdedigers) doen met virussen of gifstoffen (de indringers). Ze moeten elkaar "vastpakken" om het gevaar te neutraliseren. Wetenschappers willen graag voorspellen: Als ik een klein stukje van het antilichaam verander, zal het dan nog steeds goed vastpakken?

Tot nu toe dachten wetenschappers dat ze dit al goed konden voorspellen met slimme computers. Maar dit nieuwe onderzoek toont aan dat er een groot misverstand is.

1. Het probleem: De "Slechte Hand" vs. De "Slechte Handdruk"

Het onderzoek maakt een belangrijk onderscheid tussen twee dingen die vaak door elkaar worden gehaald:

• De "Handdruk" (Protein-Interaction): Dit is hoe goed het antilichaam eigenlijk past op het virus. Is de vorm perfect? Komen de tanden van de sloten precies overeen? Dit is de echte chemische kracht.
• De "Handkwaliteit" (Protein-Quality): Dit is of de hand überhaupt wel bestaat en stevig genoeg is. Is de hand gebroken? Is hij te slap? Is hij helemaal niet aangemaakt door het lichaam?

De analogie:
Stel je voor dat je een sleutel probeert in een slot te steken.

• Als de sleutel vervormd is (slechte kwaliteit), past hij niet, ook al is het slot perfect.
• Als de sleutel perfect is, maar je verkeerde slot kiest (slechte interactie), past hij ook niet.

Vroeger keken computers alleen naar het resultaat: "De sleutel past niet!" En ze dachten: "Ah, de vorm van de sleutel is verkeerd!"
Maar in werkelijkheid was de sleutel misschien gewoon vervormd (slechte kwaliteit) en had hij een perfecte vorm voor een ander slot.

2. Wat hebben deze onderzoekers gedaan?

De onderzoekers hebben een enorme experiment gedaan met 7.185 variaties van antilichamen en virussen (voornamelijk SARS-CoV-2 en een gifstof).

Ze gebruikten een slimme truc:
Ze hadden twee verschillende "sloten" (antigenen) die op hetzelfde "deurpaneel" zaten, maar op verschillende plekken.

1. De Hoofdsleutel: De sleutel die ze wilden testen.
2. De Controlesleutel: Een tweede sleutel die op een heel ander deel van het deurpaneel paste.

Als ze een gat in het deurpaneel boorden (een mutatie):

• Als de Controlesleutel ook niet meer paste, wisten ze: "Oh, het hele deurpaneel is vervormd! De kwaliteit is slecht."
• Als de Controlesleutel wel paste, maar de Hoofdsleutel niet, wisten ze: "Het deurpaneel is heel, maar de vorm van de Hoofdsleutel is specifiek verkeerd voor dit gat. De interactie is slecht."

3. De Verbluffende Ontdekking

Het resultaat was een schok voor de computerwetenschap:

• 90% van de fouten die ze zagen, kwam niet door een verkeerde vorm (interactie), maar omdat de kwaliteit van het eiwit slecht was. Het eiwit was instabiel, viel uit elkaar of werd niet goed gemaakt door de cel.
• De slimme computermodellen (zoals ESM-IF1 en ThermoMPNN) die we vandaag de dag gebruiken, waren heel goed in het voorspellen van kwaliteit. Ze konden goed zien: "O, dit eiwit is waarschijnlijk instabiel."
• Maar ze waren slecht in het voorspellen van de echte handdruk. Ze konden niet goed zien of de vorm precies paste op het virus, omdat ze verward werden door de kwaliteitsproblemen.

De metafoor:
Het is alsof je een voetbaltrainer hebt die heel goed kan zeggen: "Deze speler is gewond en kan niet hard lopen" (kwaliteit). Maar hij is slecht in het zeggen: "Deze speler mist de juiste techniek om de bal in de hoek te schieten" (interactie). Omdat de speler gewond is, ziet de trainer alleen de gewonde speler en denkt hij dat het een techniekprobleem is.

4. Wat betekent dit voor de toekomst?

Dit onderzoek is een wake-up call voor het ontwikkelen van nieuwe medicijnen en AI-modellen:

1. We moeten schoner data verzamelen: Als we AI willen trainen om nieuwe medicijnen te ontwerpen, moeten we de "kwaliteit" (is het eiwit stabiel?) en de "interactie" (past het op het virus?) uit elkaar halen. Nu zijn ze door elkaar gehaald.
2. De volgende generatie modellen: De huidige slimme modellen zijn geweldig voor het voorspellen of een eiwit stabiel is. Maar om echt nieuwe, krachtige medicijnen te ontwerpen, moeten we modellen bouwen die specifiek leren kijken naar de vorm en de pasvorm, niet alleen naar de stabiliteit.
3. Nieuwe experimenten: In plaats van alleen te kijken of een eiwit werkt, moeten we ook meten of het eiwit "gezond" is, zodat we de twee effecten kunnen scheiden.

Samenvatting in één zin:

Deze wetenschappers hebben ontdekt dat onze slimste computers vaak denken dat een slechte binding komt door een verkeerde vorm, terwijl het eigenlijk vaak komt omdat het eiwit gewoon "ziek" of instabiel is; om betere medicijnen te maken, moeten we deze twee problemen eindelijk uit elkaar halen.

Technische samenvatting

Probleemstelling

Het nauwkeurig modelleren van antilichaam-antigeen-interacties vereist het onderscheiden van twee fundamenteel verschillende effecten van mutaties:

1. Protein-interaction (Proteïne-interactie): De intrinsieke thermodynamische affiniteit tussen de twee bindende partners (de specifieke verandering in interface-energie).
2. Protein-quality (Proteïne-kwaliteit): De biophysieke eigenschappen van het gemuteerde eiwit zelf, zoals vouwing (folding), stabiliteit en expressie.

Huidige datasets voor diep leren (deep learning), vaak gegenereerd via Deep Mutational Scanning (DMS), verwarren deze twee effecten. De experimenteel gemeten "waargenomen affiniteit" (observed affinity, oKD) wordt beïnvloed door zowel de echte binding als door het percentage eiwitten dat correct gevouwen en stabiel is. Als een mutatie de stabiliteit vermindert, daalt de waargenomen affiniteit, zelfs als de intrinsieke bindingsterkte van het resterende, correct gevouwen eiwit onveranderd blijft. Dit "vervuilen" van datasets maakt het moeilijk om te bepalen of bestaande modellen echt leren hoe eiwitten aan elkaar binden, of dat ze slechts de stabiliteit van het eiwit voorspellen.

Methodologie

De auteurs ontwikkelden een experimenteel en analytisch raamwerk om deze effecten te ontkoppelen:

• Datasets: Ze gebruikten een grote-scale DMS-dataset van vier VHH-antigeen-complexen (waarbij VHH een enkel-domein antilichaam is). De antigenen waren SARS-CoV-2 RBD en Botulinum neurotoxin A. Er werden zowel enkel- als dubbelmutaties geïntroduceerd in zowel de paratope (antibody) als de epitope (antigeen).
• Controle-strategie: Voor elk complex werd een "Control VHH" gebruikt die bindt aan een niet-overlappende epitope op hetzelfde antigeen.
  • Mutaties in het antigeen die de binding van de Control VHH beïnvloeden, worden geïnterpreteerd als veranderingen in proteïne-kwaliteit (stabiliteit/vouwing), omdat de interface niet direct wordt geraakt.
  • Mutaties die de binding van de Primary VHH beïnvloeden, maar niet (of minder) die van de Control VHH, worden geïnterpreteerd als veranderingen in proteïne-interactie.
• Analyse: De waargenomen affiniteit ($\Delta$oKD) werd ontbonden in componenten:
  • $\Delta$oKD (Primary) = Verandering in interactie + Verandering in kwaliteit.
  • $\Delta$oKD (Control) = Verandering in kwaliteit.
  • $\Delta\Delta$oKD = Het verschil tussen Primary en Control, wat dient als maatstaf voor de specifieke interface-verandering.
• Modelvalidatie: Verschillende state-of-the-art modellen werden getest op hun vermogen om deze gescheiden componenten te voorspellen, waaronder:
  • Inverse folding-modellen: ESM-IF1, ProteinMPNN, AbMPNN.
  • Stabiliteitsvoorspellers: ThermoMPNN, RaSP, KORPM.
  • Interface-voorspellers: Rosetta Flex.
  • Taalmodellen: ESM2.

Belangrijkste Bijdragen

1. Ontkoppeling van Signalen: De eerste systematische kwantificering van de bijdrage van proteïne-kwaliteit versus proteïne-interactie in een grote DMS-dataset van antilichaam-antigeen interacties.
2. Ontwikkeling van een Benchmark: Een dataset waarin mutaties zijn geclassificeerd als "kwaliteit-dominant" of "interactie-dominant", wat een nieuwe standaard biedt voor het evalueren van affiniteitsvoorspellende modellen.
3. Kritische Evaluatie van AI-modellen: Het aantonen dat huidige toonaangevende modellen (zoals ESM-IF1 en ThermoMPNN) voornamelijk leren om veranderingen in proteïne-kwaliteit (stabiliteit) te voorspellen, en slechts beperkt in staat zijn om specifieke interface-interacties te modelleren.

Resultaten

• Dominantie van Kwaliteitseffecten: Bij het muteren van antigenen bleek dat 83,6% - 93,2% van de enkelmutaties en 89,4% - 98,9% van de dubbelmutaties voornamelijk de waargenomen affiniteit beïnvloedden via veranderingen in proteïne-kwaliteit, en niet via directe interface-storing.
• Modelprestaties:
  • Modellen zoals ESM-IF1 en ThermoMPNN toonden een sterke correlatie met de veranderingen in proteïne-kwaliteit (gemeten via de Control VHH).
  • Deze modellen presteerden echter slecht bij het voorspellen van specifieke proteïne-interactie veranderingen (gemeten via $\Delta\Delta$oKD).
  • Rosetta Flex (ontworpen voor $\Delta\Delta$G-interactie) had een betere correlatie met VHH-mutaties (waar kwaliteitseffecten kleiner zijn) dan met antigeen-mutaties, maar presteerde overall minder goed dan de stabiliteitsmodellen op de totale dataset.
• Structuur en Biochemie:
  • Mutaties die de interactie beïnvloeden, komen vaak voor op posities met directe waterstofbruggen, polaire of ionische contacten en vaak met veranderingen in lading.
  • Mutaties die de kwaliteit beïnvloeden, zijn vaak conservatief (behoud van hydrofobiciteit, grootte) en komen voor op posities zonder directe interface-contacten, maar die cruciaal zijn voor de globale vouwing.
• Limitaties bij Dubbelmutaties: De correlatie van modellen met experimentele data nam af voor dubbelmutaties, wat wijst op een gebrek aan vermogen om epistase (niet-additieve effecten) te modelleren.

Significantie en Conclusie

De studie concludeert dat de huidige "state-of-the-art" modellen voor affiniteitsvoorspelling grotendeels stabiliteitsmodellen zijn in plaats van echte bindingsmodellen. Ze leren de biophysieke "kwaliteit" van een eiwit beter dan de specifieke moleculaire herkenning tussen twee partners.

Implicaties voor de toekomst:

• Het trainen van nieuwe generatie modellen op bestaande datasets zal waarschijnlijk leiden tot modellen die opnieuw vooral stabiliteit voorspellen.
• Voor het ontwikkelen van modellen die echte affiniteit kunnen voorspellen, is het essentieel om datasets te gebruiken waarbij proteïne-kwaliteitseffecten experimenteel of computationeel zijn verwijderd (bijv. door gebruik van controle-binders zoals in deze studie).
• De auteurs pleiten voor het integreren van stabiliteitsexperimenten in high-throughput assays om de "echte" interactie-energie te isoleren, wat de basis vormt voor de volgende generatie rationeel ontworpen therapeutische antilichamen.