Eiwitten zijn de moleculaire machines die het leven draaiende houden; ze vouwen zich in complexe driedimensionale vormen om taken uit te voeren die variëren van het verteren van voedsel tot het bestrijden van infecties. Wetenschappers proberen deze eiwitten al lang te herontwerpen door hun genetische blauwdruk aan te passen om betere enzymen voor de industrie of effectievere medicijnen te creëren. De uitdaging ligt in de enorme schaal van de mogelijkheden: een enkel eiwit kan op miljoenen verschillende manieren worden gewijzigd, en het is onmogelijk om elke variatie in een laboratorium te testen. Om door deze enorme ruimte te navigeren, vertrouwen onderzoekers op computermodellen om te voorspellen welke veranderingen de functie van een eiwit zullen verbeteren en welke het zullen breken. Een grote hindernis is echter geweest om te begrijpen hoe meerdere veranderingen met elkaar interageren. In de biologie is het effect van twee mutaties samen vaak niet simpelweg de som van hun individuele effecten; ze kunnen elkaar op complexe wijze versterken of juist tegenwerken, een fenomeen dat bekend staat als epistase. Het voorspellen van deze niet-lineaire interacties is een hardnekkige moeilijkheid geweest, vooral bij het proberen te voorspellen van het gedrag van eiwitten met veel mutaties tegelijk.

Een nieuw raamwerk genaamd Cerebra-Epistasis, ontwikkeld door onderzoekers van de Tsinghua Universiteit en de Zhongnan University of Economics and Law, biedt een frisse aanpak voor dit probleem. In plaats van elke potentiële eiwitvariant te behandelen als een unieke puzzel die vanaf nul moet worden opgelost, bouwde het team een systeem dat eerst de structuur van het eiwit in kaart brengt en vervolgens een herbruikbare "atlas" creëert van hoe elke mogelijke enkele verandering die structuur beïnvloedt. Door een snelle, single-sequence structuurvoorspeller te combineren met een netwerk dat leert hoe mutaties interageren, kan het systeem voorspellingen samenstellen voor complexe, multi-mutante eiwitten door simpelweg gegevens op te halen uit deze vooraf gebouwde kaart. Deze methode stelt het model in staat om de driedimensionale context van het eiwit te zien, waarbij het begrijpt dat residuen die ver uit elkaar liggen in de genetische sequentie, nabije buren kunnen zijn in de gevouwen vorm, en elkaars gedrag beïnvloeden.

De onderzoekers testten hun systeem tegen bestaande methoden met behulp van een breed scala aan eiwitdatasets. In standaardtests waarbij miljoenen varianten werden gebruikt, presteerde Cerebra-Epistasis beter dan andere leidende modellen in het voorspellen van hoe goed een eiwit zou functioneren. Het voordeel werd nog duidelijker naarmate de complexiteit van de mutaties toenam. Terwijl andere modellen moeite hadden met het voorspellen van het gedrag van eiwitten met drie of meer veranderingen, behield Cerebra-Epistasis een hoge nauwkeurigheid, wat suggereert dat het erin slaagde de verborgen regels van hoe mutaties combineren succesvol te vangen. Het systeem was ook in staat om ongeziene interacties tussen paren mutaties te voorspellen die het tijdens de training nooit eerder had gezien, een capaciteit die cruciaal is voor het ontwerpen van nieuwe eiwitten vanaf nul. In specifieke casestudy's, zoals de analyse van het enzym tryptofaan synthase, identificeerde het model correct de sterkste gunstige interacties tussen aminozuren en bracht deze naar de juiste fysieke locaties binnen de structuur van het eiwit.

Naast nauwkeurigheid introduceerde het systeem een significante sprong in snelheid. Traditionele methoden vereisen dat de computer de structuur en sequentie van elk kandidaat-eiwit afzonderlijk analyseert, een proces dat exponentieel trager wordt naarmate het aantal mogelijke varianten groeit. Cerebra-Epistasis doet daarentegen de oorspronkelijke, ongewijzigde eiwit slechts één keer coderen om de atlas te genereren. Zodra deze atlas is gebouwd, kan het systeem miljoenen potentiële combinaties direct evalueren door simpelweg de relevante stukjes data op te halen en samen te stellen. De onderzoekers schatten dat het screenen van een volledig landschap van alle mogelijke drie-mutatie varianten voor een typisch eiwit met hun systeem slechts enkele minuten zou duren, terwijl andere topmodellen er dagen of zelfs jaren over zouden doen om dezelfde taak te voltooien. Deze efficiëntie opent de deur naar het verkennen van enorme regio's in de eiwitruimte die voorheen te computationeel duur waren om te onderzoeken.

De studie onderzocht ook of het gezamenlijk trainen van de structuurvoorspeller en de fitnessvoorspeller, in plaats van ze afzonderlijk te trainen, betere resultaten zou opleveren. Ze ontdekten dat het toestaan van de twee delen van het systeem om van elkaar te leren, de nauwkeurigheid van de fitnessvoorspellingen verbeterde zonder de kwaliteit van de structurele kaarten aan te tasten. Dit suggereert dat de structurele context niet alleen een statisch decor is, maar een actief onderdeel dat verfijnd kan worden om beter te begrijpen hoe mutaties de functie beïnvloeden. Hoewel het systeem vertrouwt op de structuur van het oorspronkelijke eiwit en nog geen rekening houdt met drastische vormveranderingen veroorzaakt door mutaties, vormt het een krachtige stap voorwaarts in het maakbaar voorspelbaarder en efficiënter maken van eiwitengineering. Door een enorme, chaotische zoekopdracht te veranderen in een gestructureerde assemblage-taak, biedt dit werk wetenschappers een nieuw instrument om de volgende generatie biologische instrumenten te ontwerpen.