← Nieuwste papers
💻 bio-informatica

Proteome-scale inference of transcription factor binding motifs from predicted protein-DNA structures

Dit artikel introduceert ZebraMotif, een computationeel framework op proteoom-schaal dat AlphaFold3 en NA-MPNN gebruikt om DNA-bindingsmotieven voor alle 2.543 transcriptiefactoren van de zebravis te voorspellen door eiwit-DNA-structuren te modelleren, waardoor de beschikbare motiefdatabase aanzienlijk wordt uitgebreid voorbij wat mogelijk is met alleen experimentele gegevens.

Oorspronkelijke auteurs: Iovino, B., Bulaong, N., Boahene, L., Law, W., Hammond, N., Potts, M., Alvarez, R., DeRisi, J. L., Pak, J., Kim, Y. J., Royer, L. A.

Gepubliceerd 2026-11-19
📖 6 min leestijd🧠 Diepgaand

Oorspronkelijke auteurs: Iovino, B., Bulaong, N., Boahene, L., Law, W., Hammond, N., Potts, M., Alvarez, R., DeRisi, J. L., Pak, J., Kim, Y. J., Royer, L. A.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Binnen elke cel bepaalt een uitgestrekt netwerk van moleculaire schakelaars wat de cel is en wat deze doet. Deze schakelaars worden aangestuurd door eiwitten die transcriptiefactoren worden genoemd. Elke transcriptiefactor werkt als een specifieke sleutel, ontworpen om in een uniek slot te passen dat gemaakt is van DNA. Wanneer de sleutel haar slot vindt, zet ze de nabijgelegen genen aan of uit, waardoor de cel wordt verteld om te groeien, te delen of van identiteit te veranderen. Om te begrijpen hoe het leven werkt, moeten wetenschappers precies weten welke sleutel in welk slot past. Voor mensen en een paar andere goed bestudeerde dieren hebben onderzoekers decennia lang experimenten uitgevoerd om deze verbindingen in kaart te brengen. Maar voor de meeste soorten, inclusief de zebravis, een klein visje dat een favoriet is voor het bestuderen van hoe lichamen zich ontwikkelen, is deze kaart bijna volledig leeg. Zonder te weten welke eiwitten aan welke DNA-sequenties binden, kunnen wetenschappers de instructies die een organisme opbouwen niet volledig begrijpen.

Lange tijd was de enige manier om deze gaten op te vullen het uitvoeren van trage, dure laboratoriumtests voor elk afzonderlijk eiwit, een taak die onmogelijk te voltooien is voor duizenden eiwitten tegelijk. Wetenschappers hebben geprobeerd de ontbrekende stukjes te raden door naar vergelijkbare eiwitten in andere dieren te kijken, maar deze methode faalt vaak wanneer de dieren te veel van elkaar verschillen. Nu heeft een team van onderzoekers een nieuwe manier gevonden om dit puzzelstukje op te lossen zonder een nat laboratorium te betreden. Ze gebruikten een krachtig computerprogramma om de 3D-vorm te voorspellen van hoe deze eiwitten het DNA vastpakken, en gebruikten die vorm vervolgens om de exacte DNA-sequentie te achterhalen die elk eiwit verkiest. Door deze methode toe te passen op de gehele set eiwitten in een zebravis, hebben ze de eerste uitgebreide kaart van DNA-binding voor deze soort gemaakt, die duizenden nieuwe verbindingen onthult die voorheen onbekend waren.

De onderzoekers begonnen met een eenvoudige vraag: als een computer de vorm kan voorspellen van een eiwit dat een stuk DNA vasthoudt, kan het dan het verschil zien tussen het juiste stuk DNA en een willekeurig stuk? Ze gebruikten een geavanceerd kunstmatig intelligentiesysteem, bekend als AlphaFold3, dat beroemd is om het voorspellen van de vormen van eiwitten. Ze voerden de computer de sequentie van een zebravis-eiwit en een specifieke DNA-sequentie, en vroegen de computer om te modelleren hoe ze eruit zouden zien wanneer ze aan elkaar vastzitten. Dit deden ze voor duizenden combinaties, waarbij ze elk eiwit koppelden aan zowel het DNA waaraan het zou moeten binden als aan willekeurige DNA-sequenties die het genegeerd zou moeten worden. De computer gaf een betrouwbaarheidsscore aan elke voorspelling, wat de onderzoekers in feite vertelde hoe zeker de computer wist dat de twee moleculen op die specifieke manier aan elkaar zouden blijven plakken.

De resultaten lieten zien dat de computer uitzonderlijk goed was in deze taak. Voor de meeste geteste eiwitten gaf het model een veel hogere betrouwbaarheidsscore wanneer het eiwit werd gekoppeld aan de juiste DNA-doelwit dan wanneer het werd gekoppeld aan een willekeurige sequentie. Dit betekende dat de computer kon fungeren als een filter, die de goede matches van de slechte scheidde. De onderzoekers merkten op dat de eiwitten die het makkelijkst te voorspellen waren, ook de eiwitten waren die de computer het duidelijkst kon onderscheiden. Wanneer de computer zeer zeker was over de vorm van het eiwit-DNA-complex, was het bijna altijd de juiste match. Deze ontdekking gaf hen een betrouwbaar signaal om te gebruiken voor een veel grotere zoektocht.

Met dit signaal in handen lanceerde het team een massale screening om de bindingsregels voor elke transcriptiefactor in de zebravis te vinden. Ze begonnen met een bibliotheek van potentiële DNA-sequenties, afgeleid van regio's van het genoom die bekend staan als actief tijdens de ontwikkeling van embryo's van vissen. Vervolgens koppelden ze elke enkele zebravis-transcriptiefactor aan deze kandidaat-sequenties, waarbij ze miljoenen computersimulaties uitvoerden om te zien welke combinaties de meest stabiele en betrouwbare structuren vormden. Voor elk eiwit behielden ze alleen de beste matches—de combinaties waarbij de computer het meest zeker was dat het eiwit en het DNA bij elkaar hoorden.

Om deze individuele momentopnames om te zetten in een bruikbare kaart, gebruikten de onderzoekers een andere tool om de vormen van de beste matches te analyseren. Deze tool keek naar de specifieke atomen waar het eiwit het DNA raakte en berekende het patroon van voorkeuren. Het vroeg: houdt dit eiwit van de letter A op de eerste positie, of van de letter G? Door de resultaten van veel verschillende hoog-betrouwbare voorspellingen voor hetzelfde eiwit te combineren, bouwden ze een gedetailleerd profiel, of een "motief", dat precies beschrijft welke DNA-sequentie dat eiwit opzoekt. Ze herhaalden dit proces voor meer dan 2.500 transcriptiefactoren, waarmee ze een database genaamd ZebraMotif creëerden.

De nieuwe database beslaat bijna drie keer zoveel zebravis-eiwitten als welke eerdere collectie dan ook. Voordat dit werk werd uitgevoerd, bestond er experimentele data voor slechts ongeveer een derde van de zebravis-eiwitten, en zelfs die waren vaak slechts gissingen gebaseerd op menselijke data. De nieuwe kaart biedt directe, op structuur gebaseerde voorspellingen voor de overgrote meerderheid van de resterende eiwitten. Wanneer de onderzoekers hun voorspellingen testten tegen de weinige eiwitten waarvan het ware antwoord al bekend was uit experimenten, kwamen de door de computer gegenereerde kaarten ongeveer de helft van de tijd overeen met de werkelijke data voor de primaire voorspelling, en zelfs nog beter wanneer ze naar de eerste paar mogelijkheden keken. Dit niveau van nauwkeurigheid is indrukwekkend, gezien het feit dat de computer de experimentele data voor deze specifieke vis-eiwitten nog nooit had gezien.

De onderzoekers controleerden ook of deze nieuwe kaarten biologisch zinvol waren. Ze keken of de eiwitten die voorspeld werden om aan een bepaalde DNA-sequentie te binden, daadwerkelijk actief waren in dezelfde cellen waar dat DNA open en toegankelijk was. Ze ontdekten dat de nieuwe kaarten een sterke verbinding lieten zien tussen de aanwezigheid van het eiwit en de toegankelijkheid van zijn doelwitten, vergelijkbaar met de verbinding die werd gezien in de oudere, experimenteel verkregen kaarten. Dit suggereert dat de computer-voorspellingen niet slechts wiskundige artefacten zijn, maar werkelijke biologische regels weerspiegelen. Bovendien, toen ze deze nieuwe kaarten gebruikten om de gen-regulerende netwerken van ontwikkelende visembryo's te reconstrueren, vulden de nieuwe gegevens ontbrekende schakels in, waardoor ze zagen hoe verschillende eiwitten samenwerken om de ontwikkeling te controleren op manieren die voorheen onzichtbaar waren.

Deze aanpak vereist geen nieuwe laboratoriumexperimenten om te beginnen. Het heeft alleen de genetische code van de organisme en een lijst met potentiële DNA-sequenties nodig om te testen. Hierdoor kan de methode worden toegepast op elke soort, zelfs op die waarvoor geen experimentele bindingsdata bestaat. De onderzoekers hebben dit aangetoond door een volledige kaart te maken voor de zebravis, een soort die al decennia een model is voor ontwikkeling, maar die deze specifieke kennis miste. Hoewel de methode niet perfect is en het beste werkt voor eiwitten die zich vouwen in stabiele vormen, opent het een deur naar het begrijpen van de genetische logica van het leven over de gehele boom des levens, waardoor een taak die ooit onmogelijk leek, wordt veranderd in een routinematige computationele oefening.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →