Van de spiervezels die ons verplaatsen tot de enzymen die ons DNA repliceren, eiwitten zijn de moleculaire machinerie die het leven mogelijk maakt.
De functie van eiwitten is sterk afhankelijk van hun driedimensionale structuur, en onderzoekers over de hele wereld hebben lang geprobeerd een schijnbaar eenvoudig onderzoek te beantwoorden om functie en vorm te overbruggen: als je de bouwstenen van deze moleculaire machines kent, kun je dan voorspellen hoe ze worden samengevoegd tot hun functionele vorm?
Deze vraag is niet zo eenvoudig te beantwoorden. Met complexe structuren die afhankelijk zijn van ingewikkelde fysieke interacties, hebben onderzoekers zich tot kunstmatige neurale netwerkmodellen gewend – wiskundige kaders die complexe patronen omzetten in numerieke representaties – om de vorm van eiwitten in 3D te voorspellen en te “zien”.
In een nieuw artikel gepubliceerd in Nature Communications, bouwen onderzoekers van Georgia Tech en Oak Ridge National Laboratory voort op een dergelijk model, AlphaFold 2, om niet alleen de biologisch actieve conformatie van individuele eiwitten te voorspellen, maar ook van functionele eiwitparen die bekend staan als complexen.
Het werk zou onderzoekers kunnen helpen langdurige experimenten te omzeilen om de structuur en interacties van eiwitcomplexen op grote schaal te bestuderen, zei Jeffrey Skolnick, Regents’ Professor en Mary en Maisie Gibson Chair in de School of Biological Sciences en een van de overeenkomstige auteurs van de studie , eraan toevoegend dat computationele modellen zoals deze grote dingen voor het veld kunnen betekenen.
Als deze nieuwe computermodellen succesvol zijn, zei Skolnick, “kan dit de manier waarop biologische moleculaire systemen worden bestudeerd fundamenteel veranderen.”
Klaar voor eiwitvoorspelling
advertentie
AlphaFold 2, gemaakt door het in Londen gevestigde kunstmatige-intelligentielab DeepMind, is een neuraal netwerkmodel voor diep leren dat is ontworpen om de driedimensionale structuur van een enkel eiwit te voorspellen, gezien de aminozuursequentie ervan. Skolnick en mede-corresponderende auteur, Mu Gao, senior onderzoeker aan de School of Biological Sciences, deelden dat het Alphafold 2-programma zeer succesvol was in blinde tests die plaatsvonden tijdens de 14e iteratie van het Community Wide Experiment on the Critical Assessment of Techniques for Protein Structure Prediction, of CASP14, een tweejaarlijkse wedstrijd waar onderzoekers over de hele wereld samenkomen om hun rekenmodellen op de proef te stellen.
“Wat ons opvalt aan AlphaFold 2 is dat het niet alleen uitstekende voorspellingen doet op individuele eiwitdomeinen (de fundamentele structurele of functionele modules van een eiwitsequentie), maar dat het ook zeer goed presteert op eiwitsequenties die uit meerdere domeinen zijn samengesteld.” Skolnick gedeeld. En dus met het vermogen om de structuur van deze gecompliceerde, multi-domein eiwitten te voorspellen, ging het onderzoeksteam op zoek of het programma een beetje verder kon gaan.
“De fysieke interacties tussen verschillende [eiwit]domeinen van dezelfde sequentie zijn in wezen hetzelfde als de interacties die verschillende eiwitten aan elkaar lijmen,” legde Gao uit. “Het werd al snel duidelijk dat relatief eenvoudige aanpassingen aan AlphaFold 2 het mogelijk zouden kunnen maken om de structurele modellen van een eiwitcomplex te voorspellen.” Om verschillende strategieën te verkennen, werd Davi Nakajima An, een vierdejaarsstudent aan de School of Computer Science, gerekruteerd om zich bij het team aan te sluiten.
In plaats van de kenmerken van slechts één eiwitsequentie in AlphaFold 2 in te voeren volgens het oorspronkelijke ontwerp, voegden de onderzoekers de invoerkenmerken van meerdere eiwitsequenties samen. Gecombineerd met nieuwe statistieken om de sterkte van interacties tussen onderzochte eiwitten te evalueren, werd hun nieuwe programma AF2Complex gemaakt.
Nieuw gebied in kaart brengen
Om AF2Complex op de proef te stellen, werkten de onderzoekers samen met het krachtige rekencentrum, Partnership for an Advanced Computing Environment (PACE), bij Georgia Tech, en belastten ze het model met het voorspellen van de structuren van eiwitcomplexen die het nog nooit eerder had gezien. Het aangepaste programma was in staat om de structuur van meer dan twee keer zoveel eiwitcomplexen correct te voorspellen als een meer traditionele methode die docking wordt genoemd. Terwijl AF2Complex alleen eiwitsequenties als invoer nodig heeft, is docking afhankelijk van het vooraf kennen van individuele eiwitstructuren om hun gecombineerde structuur te voorspellen op basis van complementaire vormen.
advertentie
“Aangemoedigd door deze veelbelovende resultaten, hebben we dit idee uitgebreid tot een nog groter probleem, namelijk het voorspellen van interacties tussen meerdere willekeurig gekozen eiwitten, bijvoorbeeld in een eenvoudig geval twee willekeurige eiwitten”, deelde Skolnick.
Naast het voorspellen van de structuur van eiwitcomplexen, was AF2Complex belast met het identificeren van welke van de meer dan 500 paar eiwitten überhaupt een complex konden vormen. Met behulp van nieuw ontworpen statistieken presteerde AF2Complex beter dan conventionele dockingmethoden en AlphaFold 2 bij het identificeren van welke van de willekeurige paren bekend waren om experimenteel te interageren.
Om AF2Complex te testen op de proteoomschaal, die de volledige bibliotheek van een organisme omvat van de eiwitten die tot expressie kunnen worden gebracht, wendden de onderzoekers zich tot de Summit Oak Ridge Leadership Computing Facility, ’s werelds op een na grootste supercomputercentrum. “Dankzij deze bron konden we AF2Complex toepassen op ongeveer 7.000 paar eiwitten van de bacterie E. coli,” vertelde Gao.
In die test identificeerde het nieuwe model van het team niet alleen veel paren eiwitten waarvan bekend is dat ze complexen vormen, maar het was ook in staat om inzicht te geven in interacties die “vermoedelijk maar nooit experimenteel werden waargenomen”, zei Gao.
Door dieper in deze interacties te graven, bleek een potentieel moleculair mechanisme voor eiwitcomplexen die vooral belangrijk zijn voor energietransport. Van deze eiwitcomplexen is bekend dat ze hemes dragen, essentiële metabolieten die het bloed een donkerrode kleur geven. Met behulp van de voorspelde structurele modellen van AF2Complex, was Jerry M. Parks, een senior onderzoek- en ontwikkelingsstafwetenschapper bij Oak Ridge National Laboratory en een medewerker van het onderzoek, in staat om hemes te plaatsen op hun vermoedelijke reactieplaatsen binnen de structuur. “Deze computermodellen bieden nu inzicht in de moleculaire mechanismen voor hoe dit biomoleculaire systeem werkt,” zei Gao.
“Deep learning verandert de manier waarop iemand een biologisch systeem bestudeert”, voegde Skolnick eraan toe. “We stellen ons voor dat methoden zoals AF2Complex krachtige hulpmiddelen zullen worden voor elke bioloog die moleculaire mechanismen van een biosysteem met eiwitinteracties wil begrijpen.”
Dit werk werd gedeeltelijk ondersteund door het DOE Office of Science, Office of Biological and Environmental Research (DOE DE-SC0021303) en de afdeling General Medical Sciences van het National Institute Health (NIH R35GM118039).
lees het gehele artikel bij de bron
————————————————– ———————————–
samenvatting:
Eiwitten zijn de moleculaire machinerie die het leven mogelijk maakt, en onderzoekers zijn al lang geïnteresseerd in een belangrijk kenmerk van de eiwitfunctie: hun driedimensionale structuur. Een nieuwe studie beschrijft een computationeel hulpmiddel dat in staat is om de structuur van eiwitcomplexen te voorspellen – en geeft nieuwe inzichten in de biomoleculaire mechanismen van hun functie.
Datum van publicatie: 19 april 2022
Bron: Klimaat | Top milieunieuws — ScienceDaily
————————————————– ———————————–