Integrating glycosylation in de novo protein design with ReGlyco Binder Design Filter

Dit artikel toont aan dat het integreren van glycosylering als filter in een *de novo* ontwerppijplijn, met behulp van tools zoals ReGlyco en GlycoShape, de efficiëntie aanzienlijk verbetert en laboratoriumkosten verlaagt door niet-bindende eiwitontwerpen al vóór experimenten te identificeren.

De kern

Stel je voor dat je een superkrachtige robot wilt bouwen die een specifiek virus moet verslaan. Je gebruikt de slimste AI ter wereld om de vorm van deze robot te ontwerpen. De AI tekent duizenden prachtige, perfecte ontwerpen. Maar als je ze in het echte laboratorium bouwt, werkt slechts een klein beetje. Waarom?

Omdat de AI een cruciaal detail heeft vergeten: suikers.

In dit wetenschappelijke artikel vertellen Ojas Singh en Elisa Fadda hoe ze een nieuwe "filter" hebben bedacht om dit probleem op te lossen. Hier is het verhaal, vertaald naar gewone taal met een paar leuke vergelijkingen.

1. Het Probleem: De Onzichtbare Suikerjassen

Stel je het virus voor (in dit geval het Nipah-virus) als een enorme, gevaarlijke bol. Maar dit virus draagt geen gewone kleding; het is bedekt met dikke, plakkerige suikermantels (glycosylering). Deze suikermantels zijn als een wazige, dansende mist rondom het virus.

De meeste AI-tools die eiwitten ontwerpen, kijken alleen naar het "kaal" virus. Ze denken: "Oké, hier is een plek om te grijpen!" en ontwerpen een robotarm die daar perfect past.
Maar in de realiteit is die plek bedekt met die suikermantel. De robotarm botst dus tegen de suikers aan en kan het virus niet vastgrijpen. Het is alsof je probeert een deur te openen, maar je vergeet dat er een enorme, onzichtbare muur voor staat.

2. De Oplossing: De "Suiker-Scanner"

De auteurs hebben een nieuwe tool gemaakt, genaamd ReGlyco. Denk hierbij aan een slimme scanner die je door je ontwerpen laat lopen voordat je ze in het lab bouwt.

• Hoe werkt het? De scanner kijkt naar de suikermantels van het virus en zegt: "Hé, op deze plekken is het te druk met suikers. Als je hier een robot ontwerpt, zal die vastlopen."
• Het resultaat: In plaats van 1.200 robots te bouwen en te testen (wat duur en tijdrovend is), gebruikt de scanner de ontwerpen en gooit direct die 250 ontwerpen weg die tegen de suikers zouden botsen.

3. Het Experiment: De "Nipah"-Wedstrijd

Om te bewijzen dat hun idee werkt, hebben ze gekeken naar de resultaten van een recente wedstrijd waar wetenschappers AI-ontwerpen moesten maken om het Nipah-virus te stoppen.

• Er waren 1.201 ontwerpen ingezonden.
• In het lab bleek dat slechts 116 daarvan echt werkten.
• De auteurs namen die 1.201 ontwerpen en lieten ze door hun nieuwe scanner (ReGlyco) gaan.

Wat gebeurde er?
De scanner vond binnen 3 uur (op een simpele computer!) dat 236 van die ontwerpen onmogelijk zouden werken omdat ze tegen de suikers zouden botsen. En het beste deel? Die 236 ontwerpen bleken inderdaad de verkeerde te zijn!

Ze hebben zelfs een extra "flexibiliteit"-knop toegevoegd (ReGlyco Rotamer). Dit is alsof je zegt: "Misschien kan de robotarm zich net iets draaien om toch langs de suikers te komen?" Hierdoor werden nog meer fouten gevonden, maar bleven de echte winnaars over.

4. De Demo: Een Koffiezetapparaat voor Iedereen

Om te laten zien dat dit voor iedereen te gebruiken is, hebben ze een gratis "demo" gemaakt (een soort online werkblad).
Stel je voor dat je een klein robotje wilt bouwen dat aan een hormoon (EPO) plakt. In de demo kun je zelf:

1. Het doelwit kiezen.
2. De suikermantels toevoegen.
3. De AI laten ontwerpen.
4. De scanner laten controleren of het past.

Het is alsof je een simulator hebt waarmee je kunt zien of je nieuwe auto past in je garage, voordat je de auto überhaupt bouwt.

Waarom is dit belangrijk?

• Tijd en Geld: Het bouwen van eiwitten in het lab is duur en duurt lang. Door eerst te filteren met deze "suiker-scanner", besparen onderzoekers duizenden euro's en maanden tijd.
• Efficiëntie: Je bouwt alleen nog maar de ontwerpen die een echte kans van slagen hebben.
• Toekomst: Het helpt bij het maken van betere medicijnen tegen virussen en ziektes, omdat we eindelijk rekening houden met de suikermantels die de natuur zelf heeft aangebracht.

Kort samengevat:
De auteurs hebben een slimme "suiker-detectie" toegevoegd aan het proces van het ontwerpen van medicijnen. Het is alsof je een brilletje opzet om de onzichtbare suikers te zien, zodat je niet meer tegen muren loopt die er eigenlijk niet zijn. Hierdoor worden nieuwe medicijnen sneller, goedkoper en slimmer.

Technische samenvatting

Titel: Integratie van glycosylatie in de novo proteïneontwerp met ReGlyco Binder Design Filter

1. Het Probleem

Huidige methoden voor AI-gedreven 3D-structuurvoorspelling en de novo proteïneontwerp (zoals AlphaFold 3 en RosettaFold) zijn grotendeels "proteïne-centric". Ze negeren vaak post-translationele modificaties (PTM's), specifiek glycosylatie.

• Complexiteit: Glycosylatie is een heterogeen proces (macro- en microheterogeniteit) waarbij suikergroepen (glycanen) de oppervlakte van eiwitten bedekken.
• Gevolg: Het negeren van deze suikers leidt tot een groot aantal vals-positieven in het ontwerp van binders. Ontworpen proteïnes lijken in silico te binden, maar falen in het laboratorium omdat ze steriche conflicten hebben met de suikergroepen op het doelwit.
• Kosten: Dit resulteert in inefficiënte experimentele cycli, hoge kosten en lage opbrengsten, omdat duizenden ontwerpen worden getest waarvan velen structureel onmogelijk zijn om te binden vanwege de glycosylatie.

2. Methodologie

De auteurs introduceren een nieuwe workflow die glycosylatie expliciet integreert als een filter in het ontwerpproces, gebruikmakend van de GlycoShape-database en ReGlyco-tools.

• GlycoShape & ReGlyco:

  • GlycoShape: Een open-access database met 3D-structuren van glycanen afgeleid uit moleculaire dynamica (MD) simulaties (ongeveer 2 ms sampling), wat de schaarste aan experimentele glycan-structuren in de PDB compenseert.
  • ReGlyco: Een computerefficiënt hulpmiddel dat glycan-structuren selecteert en koppelt aan het proteïne op de gewenste site door een verliesfunctie te minimaliseren.
  • ReGlyco Rotamer: Een nieuw hulpmiddel dat de flexibiliteit van de Asparagine (Asn) zijketen toestaat (rotamer-vrijheid) om steriche conflicten op te lossen die puur door de oriëntatie van de zijketen worden veroorzaakt.

• Case Study 1: Nipah-virus (NiV-G)

  • De auteurs herschreven de resultaten van een open competitie van Adaptyv Bio voor het ontwerpen van binders tegen het zwaar geglycosyleerde NiV-Glycoproteïne (NiV-G).
  • Data: 1.201 ontwerpen die waren geselecteerd voor expressie in E. coli.
  • Proces: De 3D-structuren van de binders werden voorspeld met Boltz-2. Vervolgens werden deze gebundeld gefilterd met ReGlyco en ReGlyco Rotamer tegen een volledig geglycosyleerd model van NiV-G (gebaseerd op cryo-EM data en glycoproteomics).

• Case Study 2: Demo voor hEPO

  • Een open-access Colab-notebook werd ontwikkeld om de workflow te demonstreren voor het ontwerpen van "mini-binders" tegen het zwaar geglycosyleerde humane erytropoëtine (hEPO), geïntegreerd met de RFdiffusion3 (RFD3) pipeline.

3. Belangrijkste Bijdragen

1. Expliciete Integratie van Glycosylatie: Het bewijs dat het toevoegen van glycanen als een filter in de vroege ontwerpfase de efficiëntie drastisch verbetert.
2. ReGlyco Rotamer Tool: Een innovatie die steriche conflicten oplost door de flexibiliteit van de proteïne-zijketen (Asn) te modelleren, waardoor minder goede ontwerpen onnodig worden afgekeurd.
3. Open Science: Publicatie van een volledig werkende Colab-notebook en een database met de gefilterde resultaten van de NiV-competitie, zodat onderzoekers hun eigen workflows kunnen testen.
4. Kostenefficiëntie: Het aantonen dat deze filtering op een dual-core CPU in ongeveer 3 uur kan worden uitgevoerd, wat laboratoriumkosten bespaart.

4. Resultaten

• NiV-G Competitie Analyse:

  • Van de 1.201 ontwerpen werden er 251 (21%) direct gefilterd door ReGlyco vanwege steriche conflicten met glycanen.
  • Van deze 251 waren er 236 experimenteel bevestigde niet-binders. Dit betekent dat het filter 236 mislukte experimenten had kunnen voorkomen.
  • Na toepassing van ReGlyco Rotamer (die rotamer-vrijheid toestaat) daalde het aantal gefilterde ontwerpen naar 138.
  • Cruciaal: Het filter behield de meeste echte binders. Slechts 5 van de bevestigde binders (0,4%) werden nog steeds als conflicterend gemarkeerd. Visuele inspectie en herberekening met AlphaFold 3 toonden aan dat in ten minste één geval ('Soft Panda Snow') een alternatieve, niet-conflicterende bindingshouding mogelijk was, wat suggereert dat het gebruik van meerdere voorspellingsalgoritmen nuttig kan zijn.
  • Efficiëntie: Het filteren van 1.201 complexe structuren duurde slechts 3 uur en 16 minuten op een dual-core CPU.

• hEPO Demo:

  • De demo toonde aan dat het systeem succesvol mini-binders kan genereren en filteren. Van de gegenereerde ontwerpen werden 14 als "pass" (geen conflicten), 1 als "borderline" (oplosbaar met rotameren) en 5 als "fail" (onoplosbare conflicten) geclassificeerd.

5. Betekenis en Conclusie

Dit werk onderstreept dat glycosylatie een kritieke beperkende factor is voor de ruimtelijke toegankelijkheid van proteïne-oppervlakken en niet langer genegeerd mag worden in de novo ontwerpprocesen.

• Voorspellende Kracht: Het integreren van glycosylatie als filter kan tot 20% van de potentiële mislukkingen in het laboratorium elimineren voordat er ook maar een druppel reagens wordt gebruikt.
• Toekomstperspectief: De methode biedt een schaalbare, goedkope en snelle oplossing voor het optimaliseren van biopharmaceutica. Het stelt onderzoekers in staat om alleen die ontwerpen te synthetiseren en testen die structureel haalbaar zijn in een fysiologische context (waar glycosylatie aanwezig is).
• Tooling: De beschikbaarheid van de GlycoShape-database en de ReGlyco-tools via een open platform democratiseert de toegang tot geavanceerd glyco-ontwerp, zelfs voor labs zonder zware computercapaciteit.

Kortom, de auteurs bewijzen dat het "glyco-aware" maken van AI-gedreven proteïneontwerp een essentiële stap is om de kloof tussen computationeel ontwerp en experimentele succes te verkleinen.