Baktfold: Sensitive protein functional annotation across the microbial tree of life using structural information

Deze paper introduceert Baktfold, een ultrasensitief en taxon-onafhankelijk Python-gedreven commando-line hulpmiddel dat structurele informatie gebruikt om de functionele annotatie van eiwitten in het microbiele leven, met name voor hypothetische eiwitten in bacteriën en archaea, aanzienlijk te verbeteren ten opzichte van bestaande methoden.

De kern

Baktfold: De "Google Translate" voor de onbekende taal van microben

Stel je voor dat de wereld van microben (zoals bacteriën en archaea) een gigantische bibliotheek is. In deze bibliotheek zitten miljarden boeken (DNA), en elk hoofdstuk in die boeken is een eiwit dat een specifieke taak uitvoert in het microbe. De meeste van deze boeken zijn al vertaald en we weten precies wat ze doen. Maar er is een enorm deel van de bibliotheek dat nog in een onleesbare code staat. Wetenschappers noemen deze onbekende stukken "hypothetische eiwitten" of "microbe-donker materie". We weten dat ze er zijn, maar we hebben geen idee wat ze doen.

Tot nu toe. De onderzoekers hebben Baktfold bedacht, een nieuw digitaal gereedschap dat deze onleesbare code kan vertalen.

Hoe werkt het? (De analogie van de bouwtekening)

Traditionele software (zoals Bakta of Prokka) werkt als een woordenboek. Ze kijken naar de letters in een eiwit en zoeken naar andere eiwitten die op die letters lijken. Als ze een match vinden, zeggen ze: "Ah, dit lijkt op dat andere eiwit, dus dit doet waarschijnlijk hetzelfde."

Het probleem is: veel microben zijn zo verschillend dat hun letters totaal niet meer op elkaar lijken. Het is alsof je probeert een Nederlands woord te vertalen naar een taal die al duizenden jaren geleden is uitgestorven; de woorden lijken niet op elkaar, maar de zin is hetzelfde.

Baktfold doet iets slimmers. Het kijkt niet naar de letters, maar naar de bouwtekening (de structuur) van het eiwit.

• De analogie: Stel je voor dat je twee verschillende auto's ziet. De ene is een oude Ford en de andere een moderne Tesla. Ze zien er totaal anders uit (verschillende kleuren, vormen, letters op de motorkap). Maar als je onder de motorkap kijkt, zie je dat ze allebei een wiel, een motor en een stuur hebben. De structuur is hetzelfde, ook al lijken de details niet op elkaar.

Baktfold gebruikt een slimme computer (een kunstmatige intelligentie genaamd ProstT5) om snel een 3D-bouwtekening te maken van de onbekende eiwitten. Vervolgens vergelijkt het die bouwtekening met een gigantische database van bekende bouwtekeningen (zoals de AlphaFold-database).

Wat doet Baktfold precies?

1. Het zoekt naar gelijkenissen in vorm, niet in tekst: Het zoekt naar eiwitten die er qua vorm op lijken, zelfs als hun DNA-letters compleet verschillend zijn. Dit noemen wetenschappers het betreden van de "twilight zone" (de schemerzone), waar traditionele methoden falen.
2. Het is een snelle detective: Het gebruikt een heel snelle zoekmachine (Foldseek) om door miljoenen bouwtekeningen te bladeren.
3. Het werkt voor iedereen: Of het nu gaat om bacteriën, archaea (een heel oud type microbe), plasmiden (kleine DNA-ringen) of zelfs kleine eukaryoten (zoals plankton), Baktfold werkt voor allemaal.

De resultaten: Een enorme sprong voorwaarts

De onderzoekers hebben Baktfold getest tegen de beste bestaande tools:

• Bij bacteriën: Traditionele tools konden ongeveer 73% van de eiwitten benoemen. Baktfold kwam uit op 88%. Dat betekent dat Baktfold veel meer van die "raadsel-eiwitten" kon oplossen.
• Bij archaea: Dit was de echte doorbraak. Traditionele tools konden slechts 36% van de archaea-eiwitten benoemen. Baktfold schoot dit omhoog naar 72%. Voor archaea is Baktfold dus bijna tweemaal zo goed als wat we daarvoor hadden.
• Snelheid: Het werkt razendsnel. Waar het maken van een 3D-model van een eiwit vroeger uren kon duren, doet Baktfold dit in minuten, dankzij slimme software die de zware rekenkracht omzeilt.

Waarom is dit belangrijk?

Voor de wetenschap is dit als het vinden van de sleutel tot een gesloten deur.

• Nieuwe medicijnen: Veel nieuwe antibiotica of medicijnen worden gevonden door te kijken naar wat deze onbekende eiwitten doen.
• Milieu: We kunnen beter begrijpen hoe microben onze planeet schoonmaken of hoe ze reageren op klimaatverandering.
• Biotechnologie: Misschien zitten er in die "hypothetische" eiwitten de sleutels tot nieuwe biobrandstoffen of plastic-afbrekende enzymen.

Kortom: Baktfold is als een superkrachtige vertaler die niet kijkt naar de woorden, maar naar de bedoeling en de vorm. Het helpt ons de "donkere materie" van het microbische leven te verlichten, zodat we eindelijk kunnen lezen wat deze kleine organismen eigenlijk allemaal uitspoken.

Technische samenvatting

Probleemstelling

Ondanks de enorme vooruitgang in de functionele annotatie van eiwitsequenties, blijft een aanzienlijk deel van de microbiële proteomen (geschat op ongeveer 30% bij bacteriën en nog meer bij archaea en micro-eukaryoten) ongekarakteriseerd als "hypothetische eiwitten". Bestaande state-of-the-art annotatiepijplijnen (zoals Bakta, Prokka en DFAST) vertrouwen voornamelijk op sequentie-homologie (zoals BLAST, DIAMOND, HMMER). Deze methoden bereiken echter hun limieten in de "twilight zone" van sequentie-identiteit (20-35% identiteit), waar sequentie-overeenkomsten verwaarloosbaar zijn, maar structurele en functionele eigenschappen vaak nog sterk geconserveerd zijn. Bovendien zijn bestaande structurele voorspellingsmethoden (zoals AlphaFold2/ColabFold en ESMFold) computationally te zwaar voor grootschalige genoom- of metagenoom-annotatie.

Methodologie

Baktfold is een nieuw command-line softwaretool dat structurele informatie integreert in een snelle, taxon-onafhankelijke annotatiepijplijn voor micro-organismen. De kern van de methode bestaat uit de volgende stappen:

1. Invoer: Baktfold accepteert genoomannotaties (in Bakta JSON-formaat) of eiwit-FASTA-bestanden. Het richt zich specifiek op eiwitten die door eerdere tools als "hypothetisch" zijn gemarkeerd.
2. Structuurvoorspelling via pLM: In plaats van volledige 3D-structuren te berekenen (wat traag is), gebruikt Baktfold het ProstT5 protein language model (pLM). ProstT5 voorspelt snel Foldseek 3Di-tokens (een discrete representatie van eiwitstructuren) direct vanuit de aminozuursequentie. Dit is orders van grootte sneller dan traditionele structurele voorspellers.
3. Structurele Zoekopdrachten: De gegenereerde 3Di-tokens worden vervolgens gebruikt door Foldseek om structurele homologie te zoeken tegen vier complementaire databases:
   • Swiss-Prot: Voor hooggekwalificeerde, curatie annotaties.
   • AlphaFold Database (AFDB) clusters: Voor een brede dekking van voorspelde structuren.
   • Protein Data Bank (PDB): Voor experimenteel opgeloste structuren.
   • CATH: Voor domein-niveau classificatie.
   • Optioneel: Gebruikers kunnen eigen aangepaste databases toevoegen.
4. Uitvoer: De resultaten worden geëxporteerd in GFF3, INSDC-compatibele platte bestanden en uitgebreide JSON-bestanden. Dit zorgt voor 100% interoperabiliteit met bestaande tools zoals Bakta en maakt automatische downstream-analyse mogelijk.

Belangrijkste Bijdragen

• Integratie van Structuur in Pijplijnen: Baktfold is de eerste tool die structurele homologie (via pLM-voorspellingen) naadloos integreert in een snelle, schaalbare genoomannotatiepijplijn voor het hele microbiële leven.
• Efficiëntie: Door gebruik te maken van ProstT5 in plaats van volledige structurele voorspelling, behoudt Baktfold de sensitiviteit van structurele zoekopdrachten maar vermindert de rekentijd aanzienlijk (minuten in plaats van uren/dagen voor grote datasets).
• Taxonomische Dekking: De tool is getest op bacteriën, archaea, plasmiden en micro-eukaryoten, waarbij het aantoont dat het superieur is aan bestaande methoden, vooral voor archaea waar Bakta niet voor is ontworpen.
• Open Source en Toegankelijkheid: De software is beschikbaar via GitHub, Bioconda, PyPI en Google Colab, en is vrijgegeven onder de MIT-licentie.

Resultaten

De prestaties van Baktfold werden getest op diverse datasets, waaronder 305.825 bacteriële en 14.812 archaeale genoomrepresentanten uit GlobDB, plasmiden uit IMG/PR en micro-eukaryote genoomsets.

• Bacteriën: Baktfold bereikte een mediaan annotatiepercentage van 87,8% voor alle CDS (Coding Sequences), vergeleken met 72,9% voor Bakta. Voor de moeilijkst te annoteren hypothetische eiwitten (die Bakta niet kon oplossen) kon Baktfold 50,1% functioneel annoteren.
• Archaea: Hier was het verschil het meest opvallend. Baktfold bereikte een mediaan annotatiepercentage van 71,5%, terwijl Prokka slechts 35,8% haalde. Voor hypothetische eiwitten bij archaea kon Baktfold 68,0% annoteren.
• Plasmiden: Baktfold verbeterde de annotatie van plasmide-eiwitten met 29,5% ten opzichte van Bakta, met name voor eiwitten langer dan 100 aminozuren.
• Micro-eukaryoten: Bij protisten (Ensembl Protists) verbeterde Baktfold de functionele annotatie van 60,7% (GO-termen in referentie) naar 70,0%. Bij plankton-MAGs/SAGs (SMAG dataset) bereikte Baktfold 50,6% functionele annotatie tegenover 39,6% voor eggNOG-mapper.
• Snelheid: Met GPU-versnelling voltooide Baktfold annotaties voor datasets met duizenden hypothetische eiwitten in enkele minuten (bijv. 30 seconden tot 457 seconden), met een lineaire correlatie tussen runtime en het aantal eiwitten.
• Kwaliteit: Analyses toonden aan dat Baktfold sterke structurele homologen kan detecteren diep in de "twilight zone" (20-35% sequentie-identiteit), waarbij het bijvoorbeeld RecBCD-enzymen en transporteiwitten correct identificeerde met zeer lage E-waarden en lage RMSD-waarden.

Betekenis

Baktfold vult een cruciale leemte in de microbiële genoomanalyse. Het biedt een oplossing voor het probleem van "microbiële donkere materie" door structurele informatie toegankelijk te maken voor grootschalige annotatie. Door de sensitiviteit van structurele vergelijkingen te combineren met de snelheid van taalmodellen, stelt Baktfold onderzoekers in staat om functionele hypothesen te genereren voor eiwitten die voorheen onbekend waren. Dit is vooral waardevol voor het bestuderen van archaea en zeldzame micro-organismen, wat leidt tot een beter begrip van microbiële diversiteit en functionele capaciteiten in verschillende ecosystemen.