Seed-Guided De Novo Design Expands the Structural Diversity of Antitoxin Protein Binders

Stel je het menselijk lichaam voor als een bruisende stad waar piepkleine, onzichtbare werkers genaamd eiwitten constant in beweging zijn. Sommige van deze werkers zijn de goeden, die alles soepel laten verlopen, terwijl anderen probleemmakers zijn—zoals bacteriële toxines—die proberen de elektriciteitsvoorziening van de stad plat te leggen. Om hen te stoppen, moet het lichaam (of wetenschappers) op maat gemaakte "sloten" bouwen die perfect passen op de "sleutels" van deze probleemmakers. Een lange tijd was het ontwerpen van deze op maat gemaakte sloten vanaf nul met behulp van computers als het proberen te bouwen van een huis door willekeurig stenen in de lucht te gooien en te hopen dat ze aan elkaar blijven plakken. De computers eindigden vaak met vormen die allemaal hetzelfde waren—voornamelijk spiralen en spoelen—en ze hadden moeite om de grote, platte of hobbelige oppervlakken te bedekken waar de probleemmakers zich verschuilen. Dit is een groot probleem, want als we niet betere sloten kunnen ontwerpen, kunnen we de slechteriken niet stoppen met het veroorzaken van infecties.

Stel je nu een team wetenschappers voor die besloten te stoppen met gokken en in plaats daarvan een beetje hulp te halen uit het verleden. Ze realiseerden zich dat in plaats van een slot vanuit het niets te bouwen, ze een "kiem" konden gebruiken—een pieklein, vooraf gemaakt stukje van een echt eiwit dat in de natuur voorkomt—dat al perfect in een specifieke nis van de probleemmaker past. Denk aan het proberen te maken van een op maat gemaakt puzzelstukje om een gat in een muur te vullen. In plaats van een heel nieuw stuk uit een blok hout te snijden, namen ze een klein, perfect scherfje van een bestaande puzzel die al in die plek paste, en bouwden ze de rest van het puzzelstukje rondom dat scherfje. Dit artikel gaat over hoe zij deze "kiem-geleide" truc gebruikten om hun computerprogramma's te leren om veel creatievere, diversere en effectievere nieuwe eiwitbinders te ontwerpen die een specifiek bacterieel toxine genaamd RelE stoppen.

De onderzoekers testten deze "kiem-geleide" methode tegen de oude manier van doen. Ze richtten zich op een bacterieel toxine genaamd RelE en zijn natuurlijke partner, RelB, die fungeert als het ingebouwde tegengif van het lichaam. RelB is een uitstekende testcase omdat het zich aan het toxine vastklampt op twee verschillende plekken, wat een complexe, multi-site handdruk creëert. Wanneer de wetenschappers hun computerontwerp zonder hulp lieten maken, waren de resultaten een beetje saai: de ontwerpen waren voornamelijk gewoon helicale spiralen en maakten weinig contact met het toxine. Maar wanneer ze de kiem-geleide aanpak gebruikten, begon de computer ruggengraten te genereren met veel meer structurele variëteit en maakte het veel meer verbindingen met het doelwit.

Om te zien of deze computerontwerpen in de echte wereld daadwerkelijk werkten, hebben ze ze niet alleen op een scherm bekeken; ze hebben ze gebouwd. Ze creëerden 1.402 verschillende ontwerpen en testten deze in een high-throughput bacteriële overlevingsassay. De resultaten waren opwindend: ze vonden meerdere functionele binders die het toxine daadwerkelijk konden stoppen. Sommige van deze ontwerpen waren ongelooflijk sterk en vertoonden affiniteiten in het nanomolaire tot lage micromolaire bereik. Eén specifiek ontwerp was zo goed dat het het RelE-toxine net zo goed neutraliseerde als het natuurlijke antitoxine-peptide (RelBpep).

Het artikel duikt dieper in om te begrijpen waarom deze ontwerpen werkten. Door middel van computationele structuurvoorspelling en mutatieanalyses ontdekten de auteurs dat de succesvolle binders vertrouwden op de contacten die door de kiemen werden geleverd en bindingsmodi aannamen die verschillend waren van de natuurlijke RelB. Dit suggereert dat de computer niet simpelweg de natuur kopieerde, maar de kiemen gebruikte als startpunt om iets nieuws te creëren. Bovendien suggereren moleculaire dynamica-simulaties en hydrogen-deuterium uitwisselingsexperimenten dat een van de hoog-affiene ontwerpen daadwerkelijk van vorm verandert (een conformationele verandering ondergaat) wanneer het bindt aan het toxine.

Een van de meest interessante bevindingen heeft betrekking op precisie. Het natuurlijke antitoxine, RelBpep, reageert de neiging heeft met andere vergelijkbare toxines (orthologen) die het niet hoeft te stoppen, wat is als een beveiligingsbeambte die de verkeerde persoon grijpt. Echter, de succesvolle ontwerpen die met de kiem-geleide methode zijn gemaakt, vertoonden een verminderde kruisreactiviteit met deze RelE-orthologen. Dit suggereert dat door deze uitgebreide interfaces te bouwen onder begeleiding van kiemen, de wetenschappers in staat waren om binders met verbeterde selectiviteit te creëren—ze zijn beter in het gericht aanpakken van de specifieke slechterik zonder de onschuldige omstanders te grijpen.

Kortom, dit artikel stelt vast dat het gebruik van motief-scaffolding van oppervlakte-complementerende kiemen een effectieve strategie is om de beperkingen van huidige generatieve modellen te overwinnen. Het suggereert dat door de generatie van eiwitruggegraat te sturen met deze geometrisch complementaire fragmenten, we eiwitten kunnen ontwerpen die uitdagende interface-sites benaderen met meer structurele diversiteit en specificiteit dan voorheen. Hoewel het artikel bewijst dat de ontwerpen in het laboratorium werken en suggereert dat ze selectiever zijn, laat het de deur open voor toekomstige exploratie naar hoe deze methoden kunnen worden toegepast op nog complexere doelwitten.