Rapid classification of β-lactamase activity through AI-based structure prediction and electric field analysis

Bacteriën vechten al decennia lang terug tegen onze medicijnen door de evolutie van minuscule moleculaire machines die antibiotica kunnen afbreken voordat ze hun doel bereiken. Onder de gevaarlijkste van deze verdedigers behoren enzymen genaamd bètalactamasen, die werken als moleculaire scharen die de chemische verbindingen van een belangrijke klasse medicijnen, bekend als bètalactamen, doorknippen. Wanneer deze medicijnen falen, kunnen veelvoorkomende infecties dodelijk worden, en worden de weinige resterende "laatste redmiddel"-antibiotica, zoals carbapenems, nutteloos. De uitdaging voor wetenschappers is dat bacteriën snel muteren, waardoor nieuwe versies van deze enzymen ontstaan die zelfs de sterkste medicijnen kunnen doorsnijden. Om voorop te blijven lopen, hebben onderzoekers een manier nodig om te voorspellen hoe goed een nieuwe bacteriële variant een medicijn zal vernietigen, idealiter door enkel naar de genetische code te kijken, zonder te hoeven wachten op trage en dure laboratoriumexperimenten.

Een team van onderzoekers heeft nu een snelle, computergestuurde methode ontwikkeld om precies te voorspellen hoe efficiënt deze bacteriële enzymen carbapenem-antibiotica kunnen afbreken. In plaats van te wachten tot bacteriën in een lab groeien, gebruikten ze kunstmatige intelligentie om een 3D-model te bouwen van het enzym dat het medicijn vasthoudt, wat een momentopname vormt van het tijdstip vlak voordat het medicijn wordt vernietigd. Vanuit deze momentopname berekenden ze de onzichtbare elektrische krachten binnen de actieve site van het enzym. Ze ontdekten dat de sterkte en richting van deze elektrische velden fungeren als een betrouwbare vingerafdruk van de kracht van het enzym. Als het elektrische veld sterk genoeg is in de juiste richting, zal het enzym het medicijn waarschijnlijk vernietigen; als dat niet het geval is, zal het medicijn overleven. Deze aanpak stelt wetenschappers in staat om nieuwe bacteriële sequenties te scannen en onmiddellijk hun resistentieniveaus in te schatten, wat een cruciaal instrument biedt voor het volgen van de verspreiding van superbugs.

Het verhaal van antibioticaresistentie is een race tussen menselijke vindingrijkheid en bacteriële evolutie. Bètalactam-antibiotica, waaronder penicilline en zijn moderne verwanten, werken door de machinerie die bacteriën gebruiken om hun celwanden op te bouwen te blokkeren. Echter, veel bacteriën produceren bètalactamase-enzymen die deze medicijnen herkennen en ze openknippen, waardoor ze onschadelijk worden gemaakt. De situatie is bijzonder nijpend bij carbapenems, een krachtige klasse antibiotica die vaak wordt gereserveerd voor de meest ernstige infecties. Wanneer bacteriën enzymen ontwikkelen die ook carbapenems kunnen doorknippen, verdwijnen de behandelopties, wat leidt tot hogere percentages ziekte en sterfte. Traditioneel vereist het uitzoeken of een specifieke bacteriestam deze medicijnen kan weerstaan, het kweken van de bacteriën, het isoleren van het enzym en het testen ervan in een laboratorium. Dit proces is traag en kan niet de snelheid bijhouden waarmee nieuwe mutaties verschijnen.

Om dit op te lossen, richtten de onderzoekers zich op een ander soort instrument: een computationeel protocol dat steunt op de wetten van de fysica en de kracht van kunstmatige intelligentie. Ze begonnen met de genetische sequentie van tien verschillende typen bètalactamase-enzymen, waarvan sommige bekend staan om het vernietigen van carbapenems en andere niet. Met behulp van een AI-systeem dat getraind is op bekende eiwitstructuren, voorspelden ze hoe de 3D-vorm van elk enzym eruit zou zien terwijl het een carbapenem-medicijn vasthield. Dit creëerde een virtueel "acyl-enzymcomplex", een momentopname van het enzym en het medicijn die in elkaar vergrendeld zitten, klaar voor de volgende stap van de reactie.

Het kritieke moment in dit proces wordt de deacylering genoemd, waarbij een watermolecuul de binding die het medicijn aan het enzym houdt aanvalt en het uiteenbreekt. De onderzoekers concentreerden zich op het allereerste instant van deze aanval, een vluchtig moment dat de overgangstoestand (transition state) wordt genoemd. Het vastleggen van dit moment in een volledige simulatie vereist enorme rekenkracht en tijd. In plaats daarvan gebruikten het team een slimme kortere weg. Ze genereerden een kleine set "benaderde overgangstoestand"-structuren door het virtuele watermolecuul voorzichtig richting het medicijn te duwen en het systeem te laten bezinken in een stabiele positie. Dit vereiste slechts een fractie van de gebruikelijke rekentijd, maar behield de essentiële fysieke details van de reactie.

Zodra ze deze virtuele momentopnames hadden, maten het team het elektrische veld binnen de actieve site van het enzym. Een elektrisch veld is een onzichtbare kracht die geladen deeltjes kan duwen of trekken. In dit geval waren de onderzoekers geïnteresseerd in hoe het elektrische veld van het enzym interactie heeft met een specifiek deel van het medicijnmolecuul, de carbonylgroep, die een negatieve lading draagt. Ze ontdekten dat de sterkte van dit elektrische veld, specifiek hoe goed het de drug stabiliseerde op het moment van de aanval, direct verbonden was met hoe snel het enzym het medicijn kon vernietigen.

De resultaten waren opmerkelijk. Toen de onderzoekers hun berekende elektrische veldwaarden vergeleken met echte gegevens uit laboratoriumexperimenten, kwamen de cijfers met hoge precisie overeen. Enzymen die bekend staan als krachtige carbapenem-vernietigers vertoonden een sterk, negatief elektrisch veld dat het medicijn perfect stabiliseerde voor vernietiging. Enzymen die het medicijn niet kunnen vernietigen, vertoonden een veel zwakker veld. De correlatie was zo sterk dat de waarde van het elektrische veld alleen al onderscheid kon maken tussen enzymen die carbapenems afbreken en enzymen die dat niet doen. Dit bleef ook waar wanneer de onderzoekers zeer korte simulatietijden gebruikten, wat suggereert dat de methode zowel snel als betrouwbaar is.

Een van de belangrijkste bevindingen was dat de onderzoekers niet de exacte 3D-structuur van het enzym vooraf hoefden te kennen. Door te beginnen met enkel de genetische sequentie en AI te gebruiken om de vorm te voorspellen, konden ze nog steeds nauwkeurige resultaten verkrijgen. Dit betekent dat de methode kan worden toegepast op gloednieuwe bacteriële varianten zodra hun genetische code is gesequenced, zonder te hoeven wachten tot een kristalstructuur in een lab is opgelost. Het team ontdekte ook dat de specifieke oriëntatie van een klein deel van het medicijnmolecuul, een hydroxyethylgroep, de resultaten beïnvloedde. Door zich te concentreren op het elektrische veld gegenereerd door de kernstructuur van het enzym en dit flexibele deel te negeren, verbeterden ze de nauwkeurigheid van hun voorspellingen nog verder.

De studie benadrukte ook de rol van watermoleculen binnen het enzym. Hoewel de eiwitstructuur zelf een sterk elektrisch veld biedt, dragen de watermoleculen die de reactieplaats omringen aanzienlijk bij aan de kracht van het enzym. De onderzoekers ontdekten dat het opnemen van deze watermoleculen in hun berekeningen essentieel was om overeen te komen met de experimentele gegevens. Dit suggereert dat de omgeving binnen het enzym net zo belangrijk is als de vorm van het enzym zelf.

Dit werk beweert niet het probleem van antibioticaresistentie te hebben opgelost, maar biedt een krachtig nieuw perspectief om ernaar te kijken. Door aan te tonen dat een eenvoudige berekening van elektrische krachten complexe biologische activiteit kan voorspellen, hebben de onderzoekers een instrument geboden dat zowel snel als geworteld is in de fysieke realiteit. De methode slaagde erin de gevaarlijke carbapenem-vernietigende enzymen te scheiden van de onschadelijke enzymen, wat bevestigt dat het vermogen om deze medicijnen af te breken geworteld is in het specifieke elektrische landschap van de actieve site van het enzym.

De implicaties voor de volksgezondheid zijn aanzienlijk. Nu nieuwe bacteriële stammen opduiken, kunnen wetenschappers dit protocol gebruiken om hun dreigingsniveau snel te beoordelen. In plaats van weken te wachten op labtests, zouden ze potentieel de genetische code van een nieuwe variant kunnen analyseren en onmiddellijk weten of deze een risico vormt voor de carbapenem-behandeling. Deze snelheid zou artsen kunnen helpen om sneller de juiste antibiotica te kiezen en de ontwikkeling van nieuwe medicijnen te sturen die ontworpen zijn om deze elektrische velden te weerstaan. De studie laat zien dat door de onzichtbare krachten die in actie zijn binnen deze moleculaire machines te begrijpen, we beter kunnen voorspellen hoe ze zullen reageren en, uiteindelijk, hoe we ze kunnen stoppen.