AlphaFold Database expands to proteome-scale quaternary structures

De AlphaFold-database is uitgebreid met 1,8 miljoen hoogwaardige voorspellingen van eiwitcomplexen uit bijna 4.800 proteomen, waardoor een schaalbaar structureel overzicht van interacties ontstaat dat fundamenteel is voor functionele en mechanistische ontdekkingen in de biologie.

De kern

Stel je voor dat je een enorme bibliotheek hebt met instructieboeken voor alle eiwitten in het leven. Tot nu toe kenden we alleen de "losse bladzijden" van deze boeken: hoe één eiwit eruitziet als het alleen is. Maar in het echte leven werken eiwitten zelden alleen. Ze zijn meer dan solisten; ze zijn een orkest. Ze vormen complexe teams, knopen handen vast en bouwen samen machines om het leven draaiende te houden.

Deze nieuwe studie is als het toevoegen van een nieuwe, gigantische vleugel aan die bibliotheek. Waar we eerst alleen de solisten kenden, laten we nu zien hoe die eiwitten samenwerken in teams.

Hier is de uitleg, vertaald naar alledaagse taal:

1. Van Solisten naar een Orkest

Vroeger gebruikte het beroemde AlphaFold-programma (een AI die eiwitten kan "voorspellen") vooral om te kijken hoe één eiwit eruitziet. Dat was als kijken naar een solo-pianist. Maar biologie is een orkest. Soms werkt een pianist alleen, maar vaak moet hij samenwerken met een violist of een drummer om een mooi stuk te maken.

De onderzoekers hebben nu de AI getraind om niet alleen naar solisten te kijken, maar naar 1,8 miljoen complexe teams (eiwit-complexen) te voorspellen. Ze hebben gekeken naar meer dan 31 miljoen mogelijke teams, van bacteriën tot mensen, en zelfs van organismen die belangrijk zijn voor de wereldgezondheid (zoals ziekteverwekkers).

2. De "Gok" en de "Filter"

Het voorspellen van teams is lastiger dan het voorspellen van solisten. Het is alsof je probeert te raden hoe twee mensen een danspas maken zonder ze ooit samen te hebben gezien. De AI maakt soms fouten.

Om ervoor te zorgen dat we alleen naar betrouwbare danspasjes kijken, hebben de onderzoekers een strenge filter ontwikkeld. Ze hebben een "kwaliteitsmeter" gebruikt:

• De "Zekerheidsmeter": Hoe zeker is de AI dat dit team echt bestaat?
• De "Botsingsmeter": Komen de atomen van de twee eiwitten niet in de weg van elkaar? (Alsof twee dansers niet tegen elkaar aan lopen).

Alleen de teams die deze tests haalden, zijn opgenomen in de nieuwe database. Dit zijn de "betrouwbare" teams.

3. Waarom is dit zo belangrijk? (De Creatieve Analoge)

Soms ziet een eiwit er als solist raar of onvolledig uit. Het is alsof je een puzzelstukje hebt dat eruitziet als een lelijke, gebroken vorm. Maar zodra je het naast het juiste andere stukje legt (het team), blijkt het een perfect, schoon stukje van een groter plaatje te zijn.

De paper geeft een paar voorbeelden:

• De "Dubbelganger": Soms moet een eiwit met een kopie van zichzelf samenwerken om zijn eigen vorm te krijgen. Als je alleen naar het losse eiwit kijkt, zie je niets. Pas in het team wordt het duidelijk.
• De "Muur": Voor eiwitten die in celmembranen zitten (zoals de muur van een huis), werkt het beter om te kijken hoe ze in een groepje staan. Dan zie je precies waar de muur begint en eindigt.

4. Een Schat aan Nieuwe Inzichten

De onderzoekers hebben ontdekt dat:

• De "Top 1%" de show steelt: Een heel klein aantal van deze teams komt heel vaak voor in de natuur. Ze zijn de "supersterren" van de cel.
• Oude vrienden: Veel van deze teams zijn al miljarden jaren oud en komen voor in heel verschillende soorten leven, van planten tot mensen. Het zijn universele bouwstenen.
• Nieuwe wereld: Voor veel organismen (zoals bepaalde bacteriën of parasieten) hadden we nog nooit een foto van hun teams. Nu hebben we er eindelijk een. Het is alsof we voor het eerst een kaart hebben van een onbekend continent.

5. Wat betekent dit voor jou?

Stel je voor dat je een arts bent die een ziekte moet bestrijden. Als je weet hoe de "machines" in de ziekteverwekker werken (hoe de eiwitten samenwerken), kun je een medicijn ontwerpen dat precies in dat team past en het blokkeert.

Of stel je voor dat je een ingenieur bent die nieuwe materialen wilt maken. Door te kijken naar hoe de natuur deze teams bouwt, kun je inspiratie opdoen voor nieuwe technologieën.

Kortom:
Deze studie is als het openen van een nieuwe, enorme schatkist. We hebben niet alleen de losse onderdelen van het leven in kaart gebracht, maar we hebben nu ook de handleidingen voor hoe die onderdelen samenwerken. Dit helpt wetenschappers om ziektes beter te begrijpen, nieuwe medicijnen te vinden en de geheimen van het leven op een dieper niveau te ontrafelen. En het beste van alles? Deze kennis is gratis beschikbaar voor iedereen ter wereld om te gebruiken.

Technische samenvatting

Probleemstelling

Hoewel de AlphaFold Protein Structure Database (AFDB) een revolutie teweeg heeft gebracht in de voorspelling van monomere (enkele keten) eiwitstructuren, blijft de structurele dekking van eiwit-eiwitinteracties beperkt. Biologische functie wordt grotendeels bepaald door quaternaire structuren (complexen van meerdere eiwitten), maar experimenteel bepaalde complexen in de Protein Data Bank (PDB) dekken slechts een fractie van de bekende interacties. Bestaande methoden voor het voorspellen van complexen zijn vaak beperkt tot specifieke organismen, missen consistente betrouwbaarheidskalibratie, of zijn niet geïntegreerd in een stabiele publieke infrastructuur. Dit vormt een knelpunt voor het begrijpen van mechanismen op systeemniveau.

Methodologie

De auteurs hebben een grootschalige studie uitgevoerd om de AFDB uit te breiden met voorspellingen van quaternaire structuren. De aanpak omvatte de volgende stappen:

1. Dataverzameling:

   • Homodimeren: Er werden ~23,4 miljoen homodimeren gegenereerd door 4.777 proteomen (waaronder 16 modelorganismen en 30 WHO-prioritaire gezondheidsproteomen) te dupliceren.
   • Heterodimeren: Ongeveer 7,6 miljoen kandidaat-paren voor heterodimeren werden geëxtraheerd uit de "physical protein–protein interaction" set van de STRING-database, gefilterd op dezelfde proteomen. Er werden geen extra filters (zoals STRING-score drempels) toegepast om de dekking te maximaliseren.

2. Voorspellingspipeline:

   • MSA-Generatie: Multiple Sequence Alignments (MSA's) werden gegenereerd met MMseqs2-GPU. Voor homodimeren werd een strategie gebruikt waarbij alleen de beste hit per taxon werd behouden om paralogie te verminderen. Voor heterodimeren werden de MSA's van de individuele ketens geconcateneerd zonder koppeling.
   • Structuurvoorspelling: De voorspellingen werden uitgevoerd met AlphaFold-Multimer, gebruikmakend van versnelde implementaties via ColabFold en OpenFold (geoptimaliseerd met NVIDIA TensorRT en cuEquivariance).
   • Schaling: De pipeline draaide op een DGX H100 superpod, waarbij Slurm-pipelines en batch-verwerking werden gebruikt om de doorvoer te maximaliseren.

3. Kwaliteitsmetrieken en Filtering:

   • Naast de standaard metrics (pLDDT, ipTM) werden nieuwe metrieken berekend, waaronder ipSAE (interaction prediction Score from Aligned Errors), pDockQ2, LIS en clash-scores (bot- en zware-atoom botsingen).
   • Drempelwaarden: Op basis van validatie tegen een "ground truth" dataset van PDB-homodimeren (gepubliceerd na september 2021) werden de volgende criteria voor "hoog vertrouwen" vastgesteld:
     • ipSAEmin ≥ 0.6
     • pLDDTavg ≥ 70
     • Aantal bot-botsingen (clashbackbone) ≤ 10
   • Deze filtering resulteerde in een set van 1,75 miljoen hoog-vertrouwens homodimeren en 56.959 tentatief hoog-vertrouwens heterodimeren.

4. Clustering en Analyse:

   • De voorspellingen werden geklaust met Foldseek Multimercluster op basis van structurele gelijkenis en interface-similariiteit.
   • Taxonomische analyse werd uitgevoerd om de evolutionaire conservatie van complexen te bepalen.

Belangrijkste Bijdragen

• Uitbreiding van de AFDB: De database is uitgebreid met 1,8 miljoen hoog-vertrouwens eiwitcomplexen, wat een enorme sprong is ten opzichte van de experimenteel bepaalde structuren in de PDB.
• Gestandaardiseerde Kwaliteitskalibratie: De auteurs hebben robuuste drempelwaarden (ipSAEmin, pLDDT, clash-scores) ontwikkeld en gevalideerd om de betrouwbaarheid van complexvoorspellingen objectief te beoordelen.
• Open Data: De volledige dataset van ~31 miljoen voorspellingen (inclusief de 1,8 miljoen hoog-kwaliteit) is beschikbaar via de AlphaFold Database en FTP, inclusief metadata en MSA's.
• Software-innovatie: Integratie van GPU-versnelde tools (MMseqs2-GPU, ColabFold, OpenFold met TensorRT) om de schaalbaarheid van complexvoorspelling mogelijk te maken.

Resultaten

• Aantal en Dekking: De hoog-vertrouwens voorspellingen overtreffen het aantal experimentele multimeren in de PDB met één tot drie orden van grootte voor bijna alle proteomen, met name voor minder bestudeerde organismen (bacteriën, archaea, planten).
• Betrouwbaarheid: De gekozen drempelwaarden (ipSAEmin ≥ 0.6) tonen een duidelijke scheiding tussen echte dimers en monomeren (negatieve controle).
• Structuurkwaliteit:
  • Voor homodimeren met hoge sequence-identiteit binnen clusters is de structurele consistentie zeer hoog (95,9% heeft een complex TM-score > 0,8).
  • Voor heterodimeren correleert de voorspellingssuccesrate sterk met de STRING-score, maar ook met de sequentie-identiteit en lengteverschil tussen de ketens. Complexen met grotere verschillen in lengte of sequentie hebben een lagere kans op een hoge betrouwbaarheidsscore.
• Clustering: Van de ~1,8 miljoen hoog-kwaliteit complexen vormt de kleinste 1% van de clusters (de grootste clusters) ongeveer 25% van alle entiteiten. Ongeveer 9% van de niet-singleton clusters is geconserveerd over superkingdommen, wat wijst op universele bouwstenen van het leven.
• Nieuwe inzichten: Case studies tonen aan dat oligomere context cruciaal kan zijn:
  • Sommige vouwingen (zoals domein-swapping) verschijnen alleen in complexen en worden gemist in monomere voorspellingen.
  • Complexvoorspelling verbetert de definitie van membraangrenzen en inter-domein oriëntatie, zelfs bij al betrouwbare monomere modellen.

Significantie

Deze studie markeert een paradigmaverschuiving van monomere naar proteoomschaal quaternaire structurele dekking. Het biedt een fundamentele resource voor:

1. Functionele Ontdekking: Het onthullen van interactie-landschappen en oligomere toestanden die essentieel zijn voor biologische functie.
2. Medisch Onderzoek: Het faciliteren van onderzoek naar verwaarloosde ziekten en WHO-prioritaire organismen door structurele inzichten te bieden waar experimentele data ontbreekt.
3. AI en Bio-informatica: Het leveren van een groot trainings- en validatiebestand voor de volgende generatie AI-modellen voor eiwitdesign en interactie-analyse.

Kortom, de uitbreiding van de AlphaFold Database met quaternaire structuren maakt het mogelijk om de interactome op een schaal te bestuderen die voorheen onbereikbaar was, en vormt een brug tussen voorspelling en mechanistisch biologisch inzicht.