🧬 biology

NatCodon: protein-structure-informed de novo codon sequence design for efficient protein expression

Codon is een generatief model dat structurele eiwitinformatie benut om codonsequenties te optimaliseren voor co-translationele vouwing, waarbij het bestaande frequentiegebaseerde methoden aanzienlijk overtreft door strategisch zeldzame codons in te zetten om de opbrengst van oplosbare eiwitten te verhogen en de expressie van voorheen onhandelbare targets mogelijk te maken.

Oorspronkelijke auteurs: Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

Gepubliceerd 2026-07-08

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

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

Het Grote Probleem: De "Te Snelle" Assemblagelijn

Stel je een fabriek voor die complexe machines (eiwitten) bouwt op basis van een set instructies (DNA). In deze fabriek zijn de instructies geschreven in een code waarbij veel verschillende woorden (codons) hetzelfde kunnen betekenen.

Decennialang probeerden wetenschappers deze machines sneller te maken door de instructies te herschrijven, zodat alleen de "snelste" en meest voorkomende woorden in de taal van de fabriek werden gebruikt. Ze dachten: "Als we de populairste woorden gebruiken, bouwt de machine het product zo snel mogelijk."

De Vangst: Het bouwen van een complexe machine gaat niet alleen over snelheid. Het gaat over ritme. Als de assemblagelijn te snel beweegt, hebben de arbeiders (het ribosoom) niet genoeg tijd om de onderdelen correct te vouwen voordat het volgende stuk arriveert. Het resultaat? De machine valt uit elkaar, loopt vast of eindigt als een nutteloze hoop schroot (verkeerd gevouwen eiwitten).

Huidige methoden zijn als een snelheid-geobsedeerde manager die de noodzaak voor pauzes negeert, wat leidt tot defecte producten.

De Oplossing: NatCodon (De "Ritme-Meester")

De onderzoekers van Beihang University en dProtein Biotechnologies hebben een nieuwe AI-tool ontwikkeld genaamd NatCodon. In plaats van alleen te zoeken naar de snelste woorden, kijkt NatCodon naar de vorm van de machine die wordt gebouwd.

Denk aan een dirigent die een orkest leidt:

Oude Methode: Vertelt elke muzikant om zo hard en snel mogelijk te spelen. Het resultaat is een chaotische, lawaaierige bende.
NatCodon: Weet dat sommige secties van de muziek (complexe eiwitvouwingen) langzaam en doelbewust gespeeld moeten worden, terwijl andere secties (stabiele delen) snel gespeeld kunnen worden. Het plaatst strategisch "langzame woorden" (zeldzame codons) op de exacte momenten dat het eiwit een pauze nodig heeft om zichzelf correct te vouwen.

Hoe het werkt: De "Structuur-Bewuste" Vertaler

De Geheime Code Leren: De AI werd getraind op meer dan 45.000 natuurlijke bacteriële eiwitten. Het leerde een verborgen "grammatica" die de natuur gebruikt: specifieke vormen in het eiwit vereisen specifieke pauzes in het vertalingsproces.
De "Codon-Poort": Om te garanderen dat de AI geen fouten maakt, heeft het een veiligheidsfilter. Het garandeert dat, hoewel het de woorden verandert om de snelheid te controleren, de uiteindelijke betekenis (de aminozuurvolgorde) exact hetzelfde blijft. Het is als het herschrijven van een zin om het tempo van het lezen te veranderen zonder het verhaal te veranderen.
De "Focus"-Regelaar: De tool stelt wetenschappers in staat om aan te passen hoe "creatief" de AI is. Ze kunnen kiezen voor een zeer strikte, voorspelbare sequentie of enige variatie toestaan, waardoor ze controle hebben over het uiteindelijke ontwerp.

De Resultaten: Het Redden van het "Onbouwbare"

Het team testte NatCodon op verschillende eiwitten die berucht moeilijk te bouwen zijn in een laboratorium.

Het "Onmogelijke" Eiwit: Eén eiwit, genaamd SMURF1HECT, was als een geest; eerdere methoden produceerden er nul. NatCodon maakte er niet alleen een, maar produceerde een gezonde hoeveelheid (0,57–0,61 mg/ml).
De Boost: Voor andere moeilijke eiwitten verhoogde NatCodon de hoeveelheid bruikbaar, werkend eiwit met 2 tot 33 keer vergeleken met de beste bestaande commerciële tools.
Kwaliteitscontrole: Het gaat niet alleen om het maken van meer eiwit; het gaat om het maken van beter eiwit. De door NatCodon gemaakte eiwitten werkten daadwerkelijk (ze gloeiden of lichtten op in tests), wat bewees dat ze correct waren gevouwen.

Een Nieuwe Scorekaart: De NCI

Jarenlang gebruikten wetenschappers een score genaamd CAI om te beoordelen of een DNA-sequentie goed was. Deze score vroeg in feite: "Hoe vaak heb je populaire woorden gebruikt?" Het artikel stelt dat dit vergelijkbaar is met een recept beoordelen enkel op basis van hoe vaak je zout hebt gebruikt, terwijl je de kooktijd negeert.

De auteurs introduceerden een nieuwe score genaamd de NatCodon Index (NCI).

De Analogie: Als CAI vraagt: "Hoe snel kun je rennen?", vraagt NCI: "Ben je met de juiste snelheid gerend voor het terrein?"
Het Resultaat: NCI is veel beter in het voorspellen of een eiwit daadwerkelijk zal werken en in grote hoeveelheden geproduceerd kan worden. Het meet hoe goed de DNA-instructies overeenkomen met de fysieke behoeften van de vorm van het eiwit.

Samenvatting

NatCodon is een nieuwe AI die DNA-instructies ontwerpt voor het maken van eiwitten. In plaats van de instructies alleen maar "snel" te maken, ontwerpt het ze met het juiste ritme. Door de 3D-vorm van het eiwit te kennen, weet het precies waar het de assemblagelijn moet vertragen om het eiwit correct te laten vouwen. Hierdoor kunnen wetenschappers moeilijke, voorheen "onbouwbare" eiwitten efficiënt produceren, wat nieuwe mogelijkheden ontsluit voor medicijnen en industrie.

De tool is vrij beschikbaar voor anderen om te gebruiken, en vertegenwoordigt een verschuiving van "sneller is beter" naar "ritme is juist".

Technische Samenvatting: NatCodon – Eiwitstructuur-geïnformeerd De Novo Codon-sequentieontwerp

1. Probleemstelling

De translatie van genetische informatie naar functionele eiwitten is een co-translationeel proces waarbij de vouwing van het ontluikende polypeptide onlosmakelijk gekoppeld is aan de ribosomale elongatiekinetiek. Huidige strategieën voor codonoptimalisatie vertrouwen voornamelijk op frequentiegebaseerde heuristieken (bijv. het maximaliseren van de Codon Adaptation Index [CAI] of de tRNA Adaptation Index [tAI]) om de peptide-elongatiesnelheid te versnellen. Deze benaderingen ontkoppelen de translatiesnelheden vaak van de specifieke vouwingsvereisten van het eiwit, wat leidt tot verkeerde vouwing, vorming van inclusielichaampjes en een lage oplosbare opbrengst in heterologe gastheren. Deze beperking wordt verergerd in het tijdperk van AI-gestuurd de novo eiwitontwerp, waarbij nieuwe eiwitsequenties geen evolutionaire voorouders of natuurlijke coderende sjablonen hebben, waardoor traditionele "zoekuustabel"-optimalisatie ontoereikend is. Bestaande deep learning-modellen voor codonontwerp behandelen het probleem grotendeks als een sequentie-naar-sequentie mapping-taak, waarbij cruciale structurele informatie wordt genegeerd en de regulerende rol van de translationale ritmiek bij het coördineren van co-translationele vouwing (CTF) over het hoofd wordt gezien.

2. Methodologie

De auteurs introduceren NatCodon, een generatief model dat codonontwerp herdefinieert als een structuur-geïnformeerd kinetisch probleem. De methodologie integreert multi-omics data (genomische sequenties, proteomische context en eiwitstructuren) om de "structuur-codon grammatica" te leren die ingebed is in natuurlijke translatiesystemen.

Datacuratie: Het model werd getraind op een niet-redundante dataset van 45.126 bacteriële genoom-proteoom-structuur triplets. Eiwitsecundaire structuren werden gediscretiseerd in 9 structurele tokens (bijv. $\alpha$ -helix, $\beta$ -brug, flexibele loops) met behulp van het DSSP-algoritme.
Architectuur: NatCodon maakt gebruik van een decoder-only Transformer-architectuur geïnspireerd door het LLaMA-framework. Het codeert aminozuursequenties en discrete structurele tokens gezamenlijk in een uniforme representatie, waarbij gebruik wordt gemaakt van Rotary Positional Embeddings (RoPE) om langetermijn-afhankelijkheden te vangen.
Biologisch Geconstreerde Decodering:
- Codon Gate: Een harde maskermodule waarborgt strikte translationale getrouwheid door niet-synonieme codons op elke positie te filteren, waardoor gegarandeerd wordt dat de gegenereerde sequentie naar de juiste aminozuursequentie vertaalt.
- Focus-Gecontroleerde Sampling: Een instelbare parameter ( $\phi$ ) moduleert de scherpte van de waarschijnlijkheidsverdeling, waardoor een balans wordt gecreëerd tussen deterministische optimalisatie en sequentiediversiteit.
Trainingsdoel: Het model minimaliseert een samengestelde verliesfunctie die negatieve log-likelihood (NLL), cross-entropy met frequentiegewichten om codon-imbalans te corrigeren, en een entropie-geïnspireerde smoothing loss combineert om generalisatie te verbeteren.
Evaluatiemetriek (NCI): De auteurs introduceren de NatCodon Index (NCI), een structuur-bewuste metriek die de overeenstemming tussen codongebruik en structurele context kwantificeert. Het integreert structuur-specifieke adaptiviteitscoëfficiënten en Jensen-Shannon divergentie om de uitlijning met natuurlijke structure-codon patronen te meten.

3. Belangrijkste Bijdragen

Structuur-Geïnformeerd Generatief Model: NatCodon is het eerste model dat expliciet lokale eiwitstructurele context integreert in het generatieve proces van codon-sequentieontwerp, waarmee het verder gaat dan frequentiegebaseerde heuristieken.
Ontcijferen van de Structuur-Codon Grammatica: De studie levert empirisch bewijs en mechanistische inzichten in hoe synoniem codongebruik wordt afgestemd op structurele eisen, waarbij specifiek wordt vastgesteld dat minder frequente codons strategisch worden ingezet bij structureel gevoelige locaties (bijv. domeingrenzen, flexibele loops) om ribosomale pauzes te induceren voor correcte vouwing.
Nieuwe Metriek (NCI): De ontwikkeling van NCI biedt een voorspellende tool voor de functionele eiwitopbrengst die traditionele metrieken (CAI, tAI) en gesuperviseerde AI-voorspellers (Encodon) in generaliseerbare settings overtreft.
Experimentele Validatie: Het framework werd gevalideerd over een panel van heterologe eiwitten, inclusief moeilijk te exprimeren targets, waarbij significante verbeteringen in de productie van oplosbaar eiwit werden aangetoond.

4. Resultaten

Cross-Species Benchmarking: Op datasets variërend van E. coli, mens, plant en virale eiwitten, presteerde NatCodon beter dan concurrerende modellen (CodonTransformer, ICOR). Het verminderde de divergentie in translationele kinetiek met 96,5–97,5% en bereikte een orde van grootte lagere structure-conditioned codon divergence (SCCD), wat wijst op een superieure preservatie van de natuurlijke coderende architectuur.
Experimentele Prestaties: In E. coli expressie-experimenten leverden door NatCodon ontworpen sequenties 2- tot 33-voudige verbeteringen in oplosbaar eiwit op vergeleken met sequenties die zijn geoptimaliseerd door GeneOptimizer (OP).
- SMURF1HECT: Een voorheen onhandelbaar eiwit dat geen detecteerbaar oplosbaar eiwit produceerde met OP, leverde 0,57–0,61 mg·ml⁻¹ op met NatCodon.
- Andere Targets: Significante verbeteringen werden waargenomen voor DHOase, Luciferase, GFP en HPPD.
Mechanistische Inzichten:
- Explainable AI (XAI): SHAP- en Integrated Gradients-analyses toonden aan dat NatCodon bijna gelijke gewichten toekent aan structurele kenmerken en aminozuuridentiteit. Het gebruikt selectief hoog-tAI codons voor rigide structurele kernen en laag-tAI codons voor flexibele loops en domeingrenzen om de noodzakelijke translationale pauzes te creëren.
- Mutagenese: Reverse mutagenese van een door NatCodon ontworpen DHOase bevestigde dat het verhogen van de translatiesnelheid in loop-regio's de opbrengst verminderde, terwijl het verhogen van de snelheid in $\alpha$ -helices deze juist verbeterde, wat de kinetische choreografie van het model valideert.
- Translationele Ramp: NatCodon slaagde erin de natuurlijke 5'-terminale "translationele ramp" (tragere initiële codons) te reproduceren, een kenmerk dat vaak verloren gaat bij andere optimalisatiemethoden.
Voorspellende Kracht van NCI: NCI vertoonde de hoogste correlatie met experimentele oplosbare opbrengst en functionele output (luminescentie/fluorescentie) over meerdere eiwitbibliotheken, waarbij het CAI, tAI en Encodon in generaliseerbare scenario's overtrof.
Compatibiliteit met AI-structuren: Het framework blijft robuust wanneer AlphaFold3-voorspelde structuren worden gebruikt, waarbij een hoge sequentieovereenkomst en metrieke concordantie met ontwerpen gebaseerd op experimentele structuren behouden blijft.

5. Betekenis en Claims

Het artikel claimt dat NatCodon een fundamentele basis legt voor programmeerbare eiwitexpressie door de stap te zetten van frequentiegebaseerde heuristieken. Door structurele beperkingen direct in de sequentiegeneratie in te bedden, regisseert het model de translatiedynamiek om af te stemmen op co-translationele vouwingsvereisten. Deze aanpak ontsluit de productie van therapeutisch en industrieel cruciale targets, inclusief de novo AI-ontworpen sequenties die voorheen als onexpresseerbaar werden beschouwd. De auteurs stellen dat het NatCodon–NCI framework het paradigma verschuift van het maximaliseren van de elongatiesnelheid naar "kinetische choreografie", en een generaliseerbare oplossing biedt voor de reverse flow van informatie van eiwitsequentie naar nucleïnezuursequentie in afwezigheid van evolutionaire templates. De tools worden gratis beschikbaar gesteld aan de gemeenschap om de productie van complexe eiwitten te faciliteren.