Toward a Transferable Representation of Protein Dynamics for Functional Prediction and Mechanistic Discovery

Eiwitten zijn de werkpaarden van het leven, kleine moleculaire machines die cellen bouwen, voedsel verteren en signalen doorgeven. Decennialang begrepen wetenschappers hen primair als statische sculpturen, waarbij de focus lag op hun driedimensionale vormen om hun werking te verklaren. Hoewel een vorm essentieel is, is dat niet het hele verhaal. Eiwitten zijn geen starre standbeelden; ze verschuiven, ademen en buigen voortdurend. Deze bewegingen, die plaatsvinden met verschillende snelheden en afstanden, zijn vaak de sleutel tot hoe een eiwit zijn taak uitvoert. Een eiwit moet bijvoorbeeld misschien een poort openen om een molecuul binnen te laten, of zijn lichaam draaien om een chemische reactie te triggeren. Om deze acties te zien, gebruiken onderzoekers krachtige computersimulaties die de positie van elk atoom in de loop van de tijd volgen, waardoor een film van het leven van het molecuul wordt gecreëerd. Deze films zijn echter ongelooflijk complex en bevatten miljoenen frames aan gegevens die moeilijk te vergelijken zijn van het ene eiwit met het andere, vooral wanneer de eiwitten verschillende groottes of vormen hebben.

De uitdaging ligt in het vinden van een manier om deze bewegingen te beschrijven in een taal die voor alle eiwitten werkt, niet alleen voor één specifiek type. Als een wetenschapper wil voorspellen wat een nieuw, onbekend eiwit doet, heeft hij een methode nodig die de patronen van beweging kan herkennen die een functie definiëren, ongeacht de specifieke geschiedenis of structuur van het eiwit. Dit is de vraag die Nahid Monowar en hun team aan de Institute of Science and Technology in Dhaka wilden beantwoorden. Ze ontwikkelden een nieuw computersysteem ontworpen om deze moleculaire films te bekijken en een enkele, compacte samenvatting van het gedrag van het eiwit te extraheren. Ze noemen deze samenvatting een "bewegingshandtekening" (motion signature). Het doel was om te zien of deze handtekening hen kon vertellen wat een eiwit doet, zelfs als het eiwit heel anders was dan de eiwitten waar de computer eerder van had geleerd.

Om dit idee te testen, voedde de onderzoekers hun systeem met een enorme bibliotheek aan gegevens: 1.250 verschillende films van bewegende eiwitten, die 1.120 unieke eiwitten vertegenwoordigden. Deze eiwitten varieerden sterk in grootte, variërend van kleine met 50 bouwstenen tot grote met 600. De simulaties bestreken een breed tijdsbereik, van 100 nanoseconden tot 10 microseconden, waarbij ongeveer 12,5 miljoen snapshots van de vormen van de eiwitten werden vastgelegd. Het team trainde hun systeem om te zoeken naar specifieke patronen in hoe de onderdelen van het eiwit samen bewogen. In plaats van alleen te kijken naar hoe dicht atomen bij elkaar waren op een enkel moment, lette het systeem op hoe de beweging van één deel verbonden was met de beweging van een ander deel in de loop van de tijd. Het combineerde deze dynamische informatie met de chemische sequentie en de algehele vorm van het eiwit om een verenigde beschrijving te creëren.

De resultaten lieten zien dat deze aanpak opmerkelijk goed werkte. Wanneer het systeem werd gevraagd om de brede categorie van de taak van een eiwit te raden — zoals of het fungeert als een kinase, een transferase of een hydrolase — was het aanzienlijk nauwkeuriger dan oudere methoden die alleen vertrouwden op de sequentie of de statische vorm van het eiwit. In een strikte test waarbij het systeem de functie van eiwitten moest raden die het nog nooit eerder had gezien, en die minder dan 30% van hun chemische samenstelling deelden met de trainingsvoorbeelden, behaalde het systeem een AUC van 0,88. Dit was een duidelijke verbetering ten opzichte van andere methoden, die scoorden tussen 0,65 en 0,81. De studie suggereert dat de manier waarop een eiwit beweegt, vitale aanwijzingen bevat over de functie die verborgen blijven als men alleen naar de vorm of de chemische code kijkt.

De onderzoekers wilden ook weten hoe ver deze kennis gestrekt kon worden. Ze testten het systeem op eiwitten die steeds minder leken op de eiwitten die zij hadden bestudeerd. Wanneer de testeiwitten uit dezelfde familie kwamen als de trainingsvoorbeelden, presteerde het systeem zeer goed. Naarmate de eiwitten afstandelijker werden, behorend tot verschillende families of zelfs verschillende structurele vouwingen, daalde de nauwkeurigheid, maar deze verdween niet. Zelfs wanneer de testeiwitten bijna geen structurele gelijkenis vertoonden met de trainingsset, presteerde het systeem nog steeds beter dan op basis van toeval. Dit geeft aan dat het systeem algemene regels heeft geleerd over hoe moleculaire beweging gerelateerd is aan functie, in plaats van simpelweg specifieke voorbeelden te hebben onthouden. De daling in nauwkeurigheid liet echter ook zien dat het systeem niet perfect is; het vertrouwt nog steeds op een bepaalde mate van gelijkenis tussen de eiwitten om zijn beste gissingen te doen.

Om er zeker van te zijn dat het systeem daadwerkelijk naar de juiste zaken keek, haalden de onderzoekers het uit elkaar om te zien welke onderdelen het belangrijkst waren. Ze ontdekten dat het systeem al zijn componenten nodig had om het beste te werken: de kaart van hoe atomen met elkaar verbonden zijn, de gegevens over hoe verschillende delen samen bewegen, de vereenvoudigde beschrijving van de algehele beweging en de chemische sequentie. Het verwijderen van een van deze stukken maakte het systeem minder goed in zijn werk. Dit bevestigde dat de kracht van de methode voortkwam uit het combineren van deze verschillende soorten informatie. Bovendien, toen de onderzoekers nauwkeurig keken naar een specifiek eiwit genaamd adenylaatkinase, wees het systeem de exacte regio's van het molecuul aan die bekend staan om hun betrokkenheid bij de beweging. Dit waren de delen van het eiwit die open en dicht gaan als een deksel tijdens de werkcyclus. Deze afstemming tussen de focus van de computer en bekende biologische feiten suggereert dat het systeem echte, betekenisvolle dynamiek vastlegt in plaats van alleen maar ruis.

De studie beweert niet het mysterie van de eiwitfunctie volledig te hebben opgelost, noch suggereert het dat de computer nieuwe biologische wetten heeft ontdekt. In plaats daarvan biedt het een nieuw hulpmiddel voor het begrijpen van de link tussen beweging en functie. De onderzoekers benadrukken dat hoewel hun systeem kan identificeren welke delen van een eiwit belangrijk zijn voor de beweging, dit niet bewijst dat die delen de functie veroorzaken; dat zou verdere fysieke experimenten vereisen. Het werk heeft ook beperkingen, aangezien het ervan afhankelijk is dat er eerst computergegenereerde films van de eiwitten beschikbaar zijn, en het is nog niet getest op alle typen eiwitten, zoals die die in celmembranen drijven of die volledig ongeordend zijn. Desalniettemin vertegenwoordigt het vermogen om het complexe, verschuivende gedrag van moleculen te vertalen naar een overdraagbare handtekening een belangrijke stap voorwaarts. Het biedt een manier om de onzichtbare dans van atomen te verbinden met de zichtbare taken die eiwitten uitvoeren in levende systemen, wat een helderder pad biedt voor het voorspellen van hoe nieuwe eiwitten zich zullen gedragen.