Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

Eiwitten zijn de werkpaarden van het leven, minuscule moleculaire machines die zich opvouwen in complexe vormen om elke functie binnen een cel uit te voeren. Om te begrijpen hoe een eiwit werkt, moeten wetenschappers de vorm ervan vaak in extreem detail bestuderen, een proces dat er meestal voor vereist dat het eiwit wordt geïsoleerd en gekristalliseerd. Veel eiwitten zijn echter te lang of te slapperig om in één stuk te worden bestudeerd. Ze zijn vaak opgebouwd uit verschillende afzonderlijke, stabiele eenheden die domeinen worden genoemd, verbonden door flexibele, ongestructureerde regio's die fungeren als scharnieren of afstandhouders. Om een helder beeld van een enkel domein te krijgen, moeten onderzoekers het eiwit op de juiste plaatsen doorknippen, waarbij ze de slappe stukjes verwijderen terwijl ze de stabiele delen intact houden. Het vinden van deze snijpunten is moeilijk omdat de instructies voor waar te snijden verborgen zitten in de sequentie van aminozuren van het eiwit, en zonder een bekende 3D-structuur is het alsof men probeert de naden van een gevouwen papieren vliegtuigje te vinden zonder het papier ooit uitgevouwen te hebben gezien.

Decennialang hebben wetenschappers vertrouwd op databases die de sequentie van een eiwit vergelijken met een bibliotheek van bekende, goed bestudeerde eiwitten om te raden waar deze domeinen zich zouden kunnen bevinden. Deze aanpak werkt goed wanneer een eiwit vergelijkbaar is met iets dat al in de bibliotheek staat, maar het faalt volledig bij nieuwe of ongewone eiwitten die geen bekende verwanten hebben. Een team onderzoekers aan de Wilfrid Laurier University heeft een nieuwe tool ontwikkeld genaamd Seq2DomML die deze beperking omzeilt. In plaats van te zoeken naar overeenkomsten in een bibliotheek van bekende eiwitten, leert dit nieuwe systeem de subtiele chemische en fysieke patronen in een sequentie te herkennen die de grenzen tussen stabiele domeinen en flexibele linkers signaleren. Door een computermodel te trainen op duizenden bacteriële eiwitten waarvan de structuren al bekend zijn, creëerden de onderzoekers een systeem dat de locatie van de eiwitsneden kan voorspellen op basis van enkel de aminozuursequentie, zelfs als dat eiwit nog nooit eerder is gezien.

De onderzoekers begonnen met het verzamelen van een enorme dataset van bacteriële eiwitten waarvan de structuur was opgelost met behulp van röntgencristallografie, een techniek die de precieze 3D-rangschikking van atomen onthult. Ze filterden deze lijst om eiwitten te verwijderen die te veel op elkaar leken of tot specifieke groepen behoorden die zich anders gedragen, waardoor ze bijna 7.600 unieke eiwitketens overhielden. Voor elk van deze ketens gebruikten ze een betrouwbare structurele database om elk enkel aminozuur te markeren als onderdeel van een stabiel domein of onderdeel van een flexibele regio, zoals een linker of een staart. Om deze grenzen gemakkelijker voor de computer leerbaar te maken, breidden ze de markeringen voor de flexibele regio's licht uit, waarbij ze deze behandelden als korte segmenten in plaats van enkelvoudige punten.

Vervolgens vertaalde het team de ruwe sequentie van aminozuren naar een rijke set numerieke beschrijvingen voor elke positie in het eiwit. Ze bevatten informatie over de chemische aard van elk aminozuur, de positie binnen de keten en hoe het met zijn buren zou kunnen interageren. Dit resulteerde in bijna 2.400 verschillende kenmerken voor elk enkel aminozuur. Om deze complexiteit te beheersen, gebruikten de onderzoekers een tweestaps-proces om de meest nuttige kenmerken te selecteren. Eerst verwijderden ze kenmerken die redundant of irrelevant waren. Daarna gebruikten ze een evolutionair algoritme, een methode die natuurlijke selectie nabootst, om duizenden verschillende combinaties van kenmerken te testen om de specifieke set te vinden die de computer in staat stelde de meest nauwkeurige voorspellingen te doen.

De kern van hun systeem is een type kunstmatige intelligentie bekend als een bidirectional long short-term memory model. Dit model is ontworpen om sequenties te verwerken, waardoor het kan begrijpen dat de identiteit van een specifiek aminozuur niet alleen afhangt van zijn directe buren, maar van de bredere context van de gehele keten. Het model werd getraind om te voorspellen of elk aminozuur toebehoorde aan een stabiel domein of aan een flexibele regio. Om het feit te behandelen dat flexibele regio's veel zeldzamer zijn dan stabiele regio's, pasten de onderzoekers het trainingsproces aan om extra aandacht te besteden aan deze moeilijker te vinden grenzen. Na uitgebreide testen en afstemming kozen ze voor een configuratie die een balans vond tussen het vinden van alle flexibele regio's en het voorkomen van het onterecht labelen van stabiele delen als flexibel.

Toen het team hun nieuwe tool testte op een set eiwitten die zij nog nooit eerder hadden gezien, waren de resultaten veelbelovend. Het model identificeerde domeingrenzen met een hoge mate van nauwkeurigheid en presteerde beter dan verschillende gevestigde tools die vertrouwen op het vergelijken van sequenties met bekende families. Hoewel de oudere tools beter waren in het vinden van elke mogelijke flexibele regio, maakten ze vaak fouten door stabiele, gevouwen delen van een eiwit als flexibel te labelen, wat zou leiden tot slechte experimentele resultaten als een wetenschapper het eiwit daar zou proberen door te snijden. In contrast hiermee was Seq2DomML veel selectiever en identificeerde het de stabiele domeinen en de flexibele linkers met grotere precisie. Dit betekent dat wanneer een wetenschapper deze tool gebruikt om te beslissen waar hij het eiwit moet doorknippen, de kans kleiner is dat hij per ongeluk een functionele eenheid vernietigt.

De onderzoekers visualiseerden ook hoe hun voorspellingen eruit zagen wanneer deze werden afgebeeld op werkelijke 3D-eiwitstructuren. In gevallen waarin andere tools een domein niet herkenden omdat het geen bekende verwanten had, identificeerde Seq2DomML correct de stabiele, gevouwen regio's. In één voorbeeld zagen bestaande tools een groot deel van een eiwit als ongestructureerd en nutteloos, terwijl het nieuwe model dit correct identificeerde als een afzonderlijk, stabiel domein. Dit suggereert dat de tool orde kan vinden in sequenties die andere methoden als willekeurig of ongestructureerd afdoen. Het model kreeg het aantal domeinen niet altijd perfect, maar bood een meer gebalanceerde en betrouwbare gids voor waar de sneden gemaakt moesten worden dan de huidige standaardmethoden.

De studie concludeert dat deze sequentiegebaseerde aanpak een waardevolle nieuwe manier biedt om eiwitexperimenten te ontwerpen, met name voor eiwitten die slecht begrepen zijn of geen bekende verwanten hebben. Door een nauwkeuriger kaart te bieden van waar stabiele domeinen eindigen en flexibele regio's beginnen, kan de tool wetenschappers helpen tijd en middelen te besparen door het aantal mislukte experimenten te verminderen die nodig zijn om het juiste eiwitfragment te vinden om te bestuderen. De onderzoekers merken op dat hoewel het model een belangrijke stap voorwaarts is, toekomstig werk zich zal richten op het verfijnen van de capaciteit om grenzen te detecteren en het testen of het even goed werkt op eiwitten van andere organismen dan bacteriën. Het uiteindelijke doel is om het proces van het oplossen van eiwitstructuren efficiënter te maken, zodat wetenschappers de machinerie van het leven kunnen begrijpen, zelfs wanneer de blauwdrukken ontbreken.