A multi-layer computational framework for structural prioritization of transcriptome-derived proteins

In de uitgestrekte bibliotheek van het leven draagt elke cel een set instructies die geschreven zijn in een code genaamd RNA. Deze instructies vertellen de cel hoe ze eiwitten moet bouwen, de moleculaire machines die bijna elke taak uitvoeren die nodig is voor een organisme om te overleven en te functioneren. Decennialang hebben wetenschappers deze instructies met ongelooflijke snelheid kunnen lezen, waarbij ze enorme lijsten met eiwitsequenties genereerden van planten, dieren en microben. Het kennen van de sequentie van letters in een eiwit is echter slechts het begin. Om te begrijpen wat een eiwit daadwerkelijk doet, moeten onderzoekers de driedimensionale vorm ervan kunnen zien. De vorm van een eiwit bepaalt de functie, net zoals de vorm van een sleutel bepaalt welk slot hij kan openen. De uitdaging is dat hoewel computers nu miljoenen genetische instructies kunnen lezen, het voorspellen van de complexe, gevouwen vormen van de resulterende eiwitten een moeilijke flessenhals blijft. Zonder deze vormen is het bijna onmogelijk om te weten welke eiwitten met specifieke doelwitten in het lichaam kunnen interageren, zoals de signaalmoleculen die ontstekingen aansturen.

Hier komt een nieuwe studie kijken, die een systematische manier biedt om door deze berg data te navigeren. Onderzoekers van de Federal University of ABC in Brazilië hebben een meerlagig computationeel framework ontwikkeld, ontworpen om door duizenden kandidaat-eiwitten te zeven en de meest veelbelovende te identificeren voor verder onderzoek. Ze richtten zich op de Cereus jamacuru, een cactus die inheems is in het Braziliaanse Caatinga-biotoop en bekend staat om zijn potentiële ontstekingsremmende eigenschappen. Terwijl eerder onderzoek naar deze plant voornamelijk naar kleine chemische verbindingen had gekeken, wilde dit team de eiwitten verkennen die verborgen liggen in de genetische code ervan. Hun doel was niet om te bewijzen dat deze planteneiwitten direct ziekten genezen, maar om een betrouwbare, stapsgewijze methode te creëren voor het vinden van structureel solide kandidaat-eiwitten die zouden kunnen interageren met menselijke ontstekingssignalen. Door verschillende computergebaseerde technieken te combineren, slaagden ze erin de lijst van meer dan 129.000 vertaalde eiwitten terug te brengen tot slechts negen kandidaten met een hoog vertrouwen, waarmee ze een schaalbare strategie demonstreerden die op de genetische data van elk organisme kan worden toegepast.

De reis begon met een enorme dataset die 129.052 eiwitsequenties bevatte afgeleid van de wortel en de epidermis van de cactus. Om deze overweldigende hoeveelheid betekenis te geven, pasten de onderzoekers eerst een brede filter toe op basis van bekende structuren. Ze vergeleken de cactus-eiwitten met een database van experimenteel bepaalde eiwitvormen en behielden alleen de structuren die meer dan de helft van hun sequentie deelden met een bekende structuur. Deze eerste stap reduceerde de pool tot ongeveer 14.800 kandidaten. Vervolgens gebruikten ze een scoresysteem om de kwaliteit van de voorspelde vormen te evalueren, waarbij ze de structuren die er instabiel of onbetrouwbaar uitzagen, verwijderden. Dit proces bracht de lijst terug tot ongeveer 3.500 hoogwaardige structurele modellen, wat een beheersbare set kandidaten creëerde voor diepere analyse.

Vervolgens richtte het team zich op drie specifieke menselijke eiwitten die cytokinen worden genoemd: tumornecrosefactor-alfa, interleukine-1 bèta en interferon-alfa. Deze moleculen zijn centrale regulatoren van de ontstekingsreactie van het lichaam en zijn vaak betrokken bij aandoeningen zoals reumatoïde artritis. De onderzoekers wilden zien of enig van de cactus-eiwitten fysiek kon interageren met deze menselijke cytokinen. Hiervoor gebruikten ze een tweestaps docking-strategie. Eerst gebruikten ze een snelle, rigid-body screeningmethode om te testen hoe goed de 3.500 cactus-eiwitten pasten tegen de drie menselijke cytokinen. Deze stap identificeerde een kleinere groep eiwitten die veelbelovende initiële matches vertoonden. Om deze resultaten te verfijnen, gebruikten ze een tweede, flexibelere dockingmethode die kleine bewegingen in de eiwitvormen toeliet, wat de manier nabootst waarop echte moleculen zich kunnen aanpassen wanneer ze samenkomen. Door te zoeken naar eiwitten die in beide methoden goed presteerden, identificeerden de onderzoekers negen kandidaten die consequent een sterke structurele compatibiliteit vertoonden met de menselijke cytokinen.

Voordat ze deze negen eiwitten als de definitieve winnaars verklaarden, onderwierp het team hen aan een reeks rigoureuze validatietests om te verzekeren dat hun bevindingen geen computerartefacten waren. Ze verfijnden eerst de vormen van deze negen eiwitten met behulp van een zeer geavanceerde voorspellingsmethode genaamd AlphaFold 3, die nieuwe, hoogwaardige modellen genereerde om de initiële structuren te bevestigen en de nauwkeurigheid te controleren. Vervolgens analyseerden ze de specifieke punten waar de cactus-eiwitten de menselijke cytokinen raakten. Ze telden het aantal chemische bindingen, zoals waterstofbruggen en zoutbruggen, die op deze interfaces werden gevormd. Een hoog aantal van deze verbindingen suggereerde een stabiele en nauwe pasvorm. Bovendien controleerden ze of de delen van de cactus-eiwitten die betrokken waren bij deze interacties evolutionair geconserveerd waren, wat betekent dat ze gedurende miljoenen jaren van evolutie onveranderd zijn gebleven. Deze conservering geeft vaak aan dat een specifiek gebied van een eiwit cruciaal is voor de functie of stabiliteit ervan, wat nog een laag van vertrouwen aan de resultaten toevoegt.

Om te testen of deze interacties stand zouden houden onder real-world condities, voerden de onderzoekers dynamische simulaties uit. Ze plaatsten de vier meest veelbelovende eiwitparen in een virtuele omgeving vol watermoleculen en simuleerden hun gedrag in de loop van de tijd. Deze simulaties duurden elk 100 nanoseconden en werden drie keer herhaald voor elk paar om de reproduceerbaarheid van de resultaten te waarborgen. Het doel was om te zien of de eiwitten aan elkaar vast zouden blijven zitten of dat ze uit elkaar zouden drijven terwijl ze bewogen en trilden. De resultaten lieten zien dat de interacties gedurende de simulaties stabiel bleven. De eiwitten behielden hun vorm en hun verbindingspunten, zelfs terwijl ze bewogen in het virtuele water. Deze dynamische stabiliteit bevestigde dat de voorspelde interacties niet slechts statische momentopnames waren, maar robuuste, fysiek plausibele complexen vertegenwoordigden.

De studie wierp ook een nadere blik op wat deze negen geprioriteerde eiwitten eigenlijk zijn. Door middel van functionele analyse ontdekten het team dat zij behoren tot diverse families van enzymen en regulatoire eiwitten, waaronder oxidoreductasen en RNA-bindende eiwitten. Dit zijn typische componenten van het plantmetabolisme, betrokken bij processen zoals energieproductie en stressrespons. De onderzoekers benadrukten dat de selectie van deze eiwitten volledig werd gedreven door hun structurele compatibiliteit met menselijke cytokinen, en niet door enige aanname dat ze van nature functioneren als menselijke medicijnen. Sterker nog, de studie voert expliciet aan tegen het idee dat deze planteneiwitten directe functionele equivalenten zijn van menselijke cytokine-regulatoren. In plaats daarvan suggereren de bevindingen dat de driedimensionale vormen van deze planteneiwitten toevallig oppervlakken creëren die fysiek passen bij menselijke ontstekingssignalen, waarschijnlijk door gedeelde principes van geometrie en chemie in plaats van een gedeelde biologische geschiedenis.

De uiteindelijke waarde van dit werk ligt in het framework zelf. De onderzoekers beweerden niet een nieuw medicijn te hebben ontdekt, maar eerder een betrouwbare methode om kandidaten te vinden. Door meerdere lagen van bewijs te integreren — structurele modellering, dual-docking benaderingen, evolutionaire analyse en dynamische simulaties — creëerden ze een workflow die de onzekerheid bij elke stap vermindert. Deze aanpak stelt wetenschappers in staat om van enorme, onbeheersbare datasets naar een kleine, gecureerde lijst van hoogwaardige doelwitten te gaan die klaar zijn voor experimentele testen. De studie concludeert dat deze strategie overdraagbaar is, wat betekent dat deze kan worden toegepast op elk transcriptoom of grote eiwitdataset om structureel robuuste kandidaten te identificeren. Het biedt een praktisch pad vooruit voor bioprospectie, waarbij de overweldigende vloedgolf van genetische data wordt omgezet in een gerichte set hypothesen die toekomstig biochemisch onderzoek en eiwitengineering-inspanningen kunnen sturen.