Cataloging cysteines in ECOD domains using a protein language model

De auteurs ontwikkelden TriCyP, een op taalmodellen voor eiwitten gebaseerde tool die functionele toestanden van cysteïne (disulfidebindingen, metaalcoördinatie en vrije thiolen) nauwkeurig voorspelt op basis van voorspelde structuren, waardoor een catalogus op proteoomschaal van 2,7 miljoen cysteïnes over ECOD-domeinen mogelijk wordt die duidelijke biologische patronen blootlegt en nieuwe metaalbindende families en potentiële eiwit-eiwitinteracties identificeert.

De kern

Stel je het menselijk lichaam voor als een enorme bibliotheek met miljoenen verschillende instructiehandleidingen (eiwitten). In deze handleidingen komt een speciaal karakter voor genaamd Cysteïne. Denk aan Cysteïne als een veelzijdig "Zweitsers zakmes"-aminogezuur. Afhankelijk van de situatie kan dit gereedschap drie heel verschillende taken uitvoeren:

1. De metaalanker: Het grijpt metaaldelen (zoals zink) vast om de structuur bij elkaar te houden.
2. De veiligheidsnaald: Het klikt samen met een ander Cysteïne om een "disulfidebrug" te vormen, en fungeert als een veiligheidsnaald die twee delen van het eiwit op hun plaats vergrendelt.
3. De vrije agent: Het blijft los en ongebonden, klaar om chemisch te reageren.

Het probleem:
Wetenschappers zijn er heel goed in geworden om te voorspellen hoe deze eiwit-handleidingen eruitzien met behulp van computermodellen (zoals AlphaFold). Maar alleen kijken naar een afbeelding van de handleiding vertelt niet altijd welke "taak" het Zweitsers zakmes uitvoert. Houdt het een metaal vast? Is het vastgepind aan een ander stuk? Of is het vrij? Het is moeilijk te zeggen door alleen naar een gegenereerd 3D-computermodel te kijken.

De oplossing: TriCyP
De onderzoekers bouwden een nieuw gereedschap genaamd TriCyP (Tri-state Cysteïne Predictor). Denk aan TriCyP als een superslimme, high-tech bibliothecaris die miljoenen van deze handleidingen heeft gelezen. Het maakt gebruik van een "taalmodel" (een type AI dat de grammatica van eiwitten begrijpt) om de tekst van het eiwit te bekijken en direct te raden welke van de drie taken het Cysteïne uitvoert.

Hoe goed werkt het?
Het gereedschap is ongelooflijk nauwkeurig. Bij testen op nieuwe voorbeelden gaf het bijna elke keer het juiste antwoord (99% nauwkeurigheid) en deed het het beter dan eerdere methoden bij het opsporen van die "veiligheidsnaalden" en "metaalankers".

Wat ze ontdekten:
Het team gebruikte TriCyP om een enorme verzameling van 2,7 miljoen Cysteïnes te scannen over 0,9 miljoen verschillende eiwitfamilies. Hier is wat de "kaart" die ze maakten onthulde:

• Locatie maakt uit: De "veiligheidsnaalden" (disulfidebruggen) worden voornamelijk aangetroffen in eiwitten die buiten de cel leven (extracellulair), waarschijnlijk omdat ze extra bescherming nodig hebben in het ruige buitenmilieu.
• De nucleaire cluster: De "metaalankers" worden voornamelijk aangetroffen in het controlecentrum van de cel (de kern). Dit is logisch, omdat veel van de eiwitten daar "zinkvinger"-schakelaars zijn die metaal nodig hebben om te werken.
• Verrijking bij eukaryoten: Deze veelzijdige Cysteïnes komen veel vaker voor bij complexe organismen (zoals mensen en dieren) dan bij eenvoudigere.

Twee coole ontdekkingen:
De onderzoekers gebruikten deze nieuwe kaart om twee interessante dingen op te merken:

1. Ontbrekende veiligheidsnaalden: Soms toont het computermodel een Cysteïne dat klaarstaat om een "veiligheidsnaald" te zijn, maar ziet het niet het andere halve deel van de naald waarmee het verbonden zou moeten zijn. Dit kan betekenen dat het computermodel op dat punt wat wankel is, of het kan betekenen dat het eiwit uitreikt om een ander eiwit vast te grijpen om een binding te vormen (zoals twee mensen die elkaar de hand schudden).
2. Verborgen metaalarbeiders: Door te kijken naar de patronen van metaalcoördinerende Cysteïnes, vonden ze hele families van eiwitten waarvan we niet wisten dat ze metaal vasthielden.

Het resultaat:
Het team heeft deze enorme catalogus van Cysteïne-taken omgezet in een publieke bron. Het is als een nieuwe, gedetailleerde index voor de bibliotheek van het leven die wetenschappers helpt om niet alleen te begrijpen hoe eiwitten eruitzien, maar precies wat hun speciale gereedschappen doen.

Technische samenvatting

Technische Samenvatting: Catalogiseren van Cysteïnes in ECOD-domeinen met een Proteïne-taalmodel

Probleemstelling
Cysteïneresiduen zijn chemisch veelzijdig en functioneren in drie distincte toestanden: metaalcoördinatie, covalente disulfidebinding en bioactieve vrije thiolen. Hoewel deze functionele toestanden in experimenteel bepaalde proteïnestructuren nauwkeurig kunnen worden toegewezen aan de hand van eenvoudige geometrische criteria, blijft het annoteren ervan in voorspelde structuren een aanzienlijke uitdaging. De kloof tussen de beschikbaarheid van voorspelde structuren en hun functionele interpretatie vereist een methode die cysteïnetoestanden nauwkeurig kan afleiden zonder afhankelijk te zijn van experimentele coördinaten.

Methodologie
Om dit aan te pakken, ontwikkelden de auteurs TriCyP (Tri-state Cysteine Predictor), een efficiënt tweelaags neuronaal netwerk. Het model maakt gebruik van embeddings afgeleid van het ESM-2 proteïne-taalmodel als invoerfeatures. TriCyP is ontworpen om cysteïneresiduen te classificeren in de drie bovengenoemde functionele toestanden. De auteurs valideerden het model op een onafhankelijke benchmarkset en pasten het vervolgens op grote schaal toe om cysteïneresiduen te classificeren in een massieve dataset van 0,9 miljoen ECOD F70-representatieve domeinen, omvattend 2,7 miljoen cysteïneresiduen.

Belangrijkste Resultaten

• Voorspellende Prestaties: Op de onafhankelijke benchmark behaalde TriCyP een bijna perfecte nauwkeurigheid met een AUROC van 0,99. Het toonde superieure prestaties ten opzichte van bestaande benaderingen voor het voorspellen van zowel disulfidebinding als metaalcoördinatie.
• Proteoombrede Patronen: De toepassing van TriCyP op de ECOD-domeinen herhaalde gevestigde biologische patronen:
  • Cysteïnes zijn over het algemeen verrijkt in eukaryoten.
  • Disulfide-gebonden toestanden zijn geconcentreerd in extracellulaire proteïnen.
  • Metaal-coördinerende cysteïnes pieken in nucleaire proteïnen, een verdeling die wordt toegeschreven aan de overvloed aan zinkvinger-transcriptiefactoren.
• Pilot-toepassingen: De auteurs demonstreerden de bruikbaarheid van deze annotatie via twee specifieke analyses:
  1. Disulfide-analyse: Zij identificeerden voorspelde disulfide-vormende cysteïnes in AlphaFold-modellen die geen overeenkomstig structureel partner hebben. Deze gevallen kunnen wijzen op gebieden met verhoogde structurele onzekerheid of latente inter-proteïne disulfidebindingen die proteïne-proteïne-interacties stabiliseren.
  2. Ontdekking van metaalbinding: Een systematische analyse van bekende en voorspelde metaal-coördinerende cysteïnes over ECOD-homologe groepen heen, onthulde eerder niet-herkende metaalbindende proteïne-families.

Betekenis en Bijdragen
De primaire bijdrage van dit werk is het creëren van een proteoombrede catalogus van cysteïnetoestanden, die dient als een gemeenschapsresource beschikbaar op http://prodata.swmed.edu/tricyp. Deze resource is bedoeld voor integratie in toekomstige ECOD-releases. Door de kloof te overbruggen tussen voorspelde structuren en functionele interpretatie, stelt TriCyP de systematische annotatie van cysteïnechemie over enorme aantallen proteïne-domeinen mogelijk, wat de ontdekking van nieuwe proteïne-families en de verfijning van structurele voorspellingen faciliteert.