AlphaConformers: Structure-guided sampling enables prediction of multiple protein conformations

Eiwitten zijn de werkpaarden van het leven, kleine machines die cellen opbouwen, infecties bestrijden en de chemische reacties uitvoeren die ons in leven houden. Lange tijd beschouwden wetenschappers deze moleculen als statische objecten, zoals rigide standbeelden met een enkele, onveranderlijke vorm. Nu weten we dat dit beeld onvolledig is. Eiwitten zijn dynamisch; ze ademen, buigen en veranderen van vorm om verschillende taken uit te voeren. Een eiwit kan er op één manier uitzien wanneer het in rust is, en er volkomen anders uitzien wanneer het actief is of gebonden is aan een medicijn. Het begrijpen van deze verschuivingen is cruciaal, omdat de vorm van een eiwit de functie bepaalt. Als een wetenschapper een medicijn wil ontwerpen om een ziekte te stoppen, moet hij precies weten welke vorm het doelwitteiwit aanneemt wanneer het aan het werk is, en niet alleen de vorm die het aanneemt wanneer het rust.

Tot voor kort veranderde een krachtig computerprogramma genaamd AlphaFold2 de regels van het spel door eiwitvormen met ongelooflijke nauwkeurigheid te voorspellen. Dit programma heeft echter een blinde vlek: het heeft de neiging om slechts één versie van een eiwit te produceren, meestal de meest stabiele of meest voorkomende vorm. Het mist vaak de alternatieve vormen die een eiwit kan aannemen, met name de vormen die verschijnen wanneer het eiwit interactie heeft met andere moleculen. Deze beperking laat onderzoekers achter met een onvolledig beeld, waarbij ze niet in staat zijn om het volledige bereik van beweging te zien dat bepaalt hoe deze biologische machines daadwerkelijk werken.

Om dit op te lossen, heeft een team van onderzoekers een nieuwe aanpak ontwikkend genaamd AlphaConformers. In plaats van het computerprogramma te vragen om een vorm vanuit het niets te raden, stuurt deze nieuwe methode het programma aan met behulp van echte voorbeelden uit de natuur. De kern van het idee is simpel maar krachtig: als een eiwit eerder van vorm is veranderd, is het waarschijnlijk dat andere, vergelijkbare eiwitten hetzelfde hebben gedaan. De onderzoekers bouwden een systeem dat door enorme databases van bekende eiwitstructuren zoekt om deze vergelijkbare verwanten te vinden. Eenmaal gevonden, worden deze gerelateerde structuren op één lijn gezet en georganiseerd in groepen die verschillende mogelijke vormen vertegenwoordigen. Deze groepen worden vervolgens als specifieke hints, of hypothesen, over wat het doelwitteiwit in verschillende toestanden zou kunnen lijken, in het voorspellingsprogramma gevoed.

Het systeem voert het voorspellingsprogramma vervolgens meerdere keren uit, waarbij het telkens in de richting van een van deze door de database gesuggereerde alternatieve vormen wordt gestuwd. Het resultaat is een verzameling verschillende modellen voor hetzelfde eiwit, in plaats van slechts één antwoord. De onderzoekers sorteren deze modellen vervolgens, waarbij ze vergelijkbare modellen bij elkaar groeperen en de minder waarschijnlijke opties wegfilteren. Dit proces stelt hen in staat om een spectrum van vormen te zien, waardoor de subtiele bewegingen zichtbaar worden die een eiwit maakt terwijl het schakelt tussen de rusttoestand en de actieve, aan een ligand gebonden toestand.

Het team testte deze methode op een zorgvuldig geselecteerde set van 88 eiwitten waarvan wetenschappers zowel de rustvorm als de vorm die wordt aangenomen wanneer het gebonden is aan een molecuul, al kenden. In deze tests faalde het standaard voorspellingsprogramma vaak om de alternatieve vorm te vinden, omdat het vasthield aan de enkele, meest voorkomende vorm. AlphaConformers slaagde er echter in om de zoektocht uit te breiden en deze ontbrekende toestanden te herstellen. Het presteerde beter dan andere momenteel beschikbare geavanceerde methoden en rangschikte als eerste in het vermogen om de kleine, delicate verschuivingen te modelleren die optreden tussen de twee toestanden.

Deze bevindingen laten zien dat de structurele informatie die al in wetenschappelijke databases is opgeslagen, gebruikt kan worden om krachtige voorspellingsinstrumenten te sturen naar een completer begrip van eiwitgedrag. Door gebruik te maken van de collectieve kennis over hoe vergelijkbare eiwitten bewegen, hebben de onderzoekers aangetoond dat het mogelijk is om een computer te begeleiden om het volledige bereik van het leven van een eiwit te zien, en niet slechts een enkel bevroren moment. Dit betekent niet dat het probleem van het voorspellen van elke mogelijke eiwitvorm is opgelost, maar het bewijst dat de weg vooruit ligt in het gebruiken van de rijke geschiedenis van bekende structuren om de voorspelling van het onbekende te informeren.