Het ontrafelen van co-evolutionaire beperkingen voor het modelleren van de conformationele heterogeniteit van eiwitten

Eiwitten als van vorm veranderende machines

Eiwitten zijn de kleine machines die het leven mogelijk maken, en veel van hen functioneren door subtiel van vorm te veranderen. Die verschuivingen kunnen signalen aan- of uitzetten, moleculaire poorten openen of sluiten, of bindingspockets hervormen die medicijnen proberen te bereiken. Toch proberen de meeste computerinstrumenten nog steeds elk eiwit één "juiste" structuur toe te kennen, waardoor juist die flexibiliteit die aan gezondheid en ziekte ten grondslag ligt wordt verborgen. Dit artikel introduceert EvoSplit, een nieuwe manier om het evolutionaire spoor in eiwitsequenties te lezen om meerdere, functioneel belangrijke vormen te onthullen — waaronder sommige die nog nooit experimenteel zijn waargenomen en die nieuwe wegen voor geneesmiddelontdekking kunnen openen.

Waarom eiwitflexibiliteit van belang is voor de geneeskunde

In onze cellen staan eiwitten zelden stil. Ze buigen, draaien en vouwen soms zelfs delen van zichzelf anders als reactie op veranderingen in temperatuur, zuurgraad, bindingspartners of chemische modificaties. Dergelijke bewegingen kunnen klein zijn, zoals het verschuiven van een paar zijketens, of dramatisch, zoals hele secties die van een helix in een sheet omslaan. Deze veranderingen zijn cruciaal voor hoe receptoren hormonen waarnemen, hoe transporters moleculen over membranen verplaatsen, en hoe oncoproteïnen kanker aansturen. Als we maar één momentopname van een eiwit kennen, missen we mogelijk de actieve vorm, het geneesmiddelvriendelijke pocket of de conformatie die tot ziekte leidt. Het vastleggen van een nauwkeurige "castlijst" van de stabiele vormen van een eiwit is daarom essentieel om biologie te begrijpen en gerichte therapieën te ontwerpen.

Het lezen van de verborgen aantekeningen van evolutie

In miljoenen jaren zijn eiwitsequenties geëvolueerd onder druk om niet slechts één structuur te behouden, maar vaak meerdere biologisch relevante vormen. Wanneer twee aminozuren geneigd zijn om op gecoördineerde wijze te muteren in verwante eiwitten, wijst dat erop dat ze in ten minste één conformatie in contact moeten blijven. Moderne deep-learning systemen zoals AlphaFold2 excelleren omdat ze zulke co-evolutionaire patronen uit grote families van verwante sequenties, bekend als multiple sequence alignments, halen. Echter, wanneer een eiwit meer dan één vouw kan aannemen, raken de signalen voor verschillende toestanden door elkaar en zetten standaardbenaderingen ze meestal om in één enkele, gemiddelde structuur. Eerdere methoden probeerden dit te scheiden door sequenties te clusteren op basis van algehele gelijkenis, maar die benaderingen negeerden grotendeels de paargewijze patronen die feitelijk structurele voorkeuren coderen.

Hoe EvoSplit overlappende vormen uit elkaar haalt

De auteurs bouwen voort op een eiwittaalmodel genaamd MSA Transformer, dat een attention-mechanisme gebruikt om te leren welke residuen in welke sequenties "aandacht" aan elkaar besteden. Ze tonen aan dat, voor eiwitten met meerdere bekende structuren, het attention-patroon van elke individuele sequentie de neiging heeft meer op de contactkaart van een specifieke conformatie te lijken dan op die van een andere. Met andere woorden, elke sequentie draagt een vingerafdruk van zijn favoriete vorm. EvoSplit benut dit door de attention-matrices — niet de ruwe sequentiegelijkenis — als kenmerken te gebruiken om de alignment in subgroepen te clusteren. Elke cluster wordt vervolgens afzonderlijk in AlphaFold2 gevoed, waardoor de structuurvoorspeller effectief een schonere, conformatie-specifieke evolutionaire prompt krijgt. Over 85 eiwitten waarvan bekend is dat ze vouwwisselingen ondergaan, levert EvoSplit modellen op die beter overeenkomen met experimentele structuren en met hogere vertrouwenwaardes dan een toonaangevende sequentie-gebaseerde clusteringmethode, vooral voor de zeldzamer bemonsterde toestand.

Nieuwe toestanden vinden buiten de trainingsdata

Een belangrijke zorg bij krachtige neurale netwerken is dat ze mogelijk eenvoudigweg structuren uit hun trainingssets "herinneren" in plaats van nieuwe te ontdekken. Om te testen of EvoSplit werkelijk nieuwe informatie toevoegt, richten de auteurs zich op een set transporters en receptoren waarvan alternatieve toestanden niet in de oorspronkelijke training van AlphaFold2 waren opgenomen. Zelfs hier herstelt EvoSplit zowel inwaarts- als uitwaarts-georiënteerde vormen, evenals onderscheidbare actieve en inactieve vormen, met hoge structurele gelijkenis met experimentele modellen. De methode schaalt ook naar meer verkennende taken: toegepast op meer dan honderd eiwitten die aan menselijke kankers zijn gekoppeld, signaleert zij 54 kandidaten die waarschijnlijk meerdere conformaties aannemen. Voor enkele, zoals de kinase LCK en de celcyclusregulator cycline D1, suggereert EvoSplit aannemelijke ordeningen van domeinen die echoën met bekende structuren van verwante eiwitten, wat wijst op niet-waargenomen maar biofysisch redelijke toestanden.

Een verrassende nieuwe vouw in kankergeassocieerde schakelaars

Misschien is het meest intrigerende resultaat gerelateerd aan kleine GTPases zoals HRAS en KRAS, klassieke moleculaire schakelaars die vaak in tumoren gemuteerd zijn. Deze eiwitten schakelen normaal tussen "aan" en "uit" door subtiele herschikkingen nabij de nucleotide-bindingsplaats terwijl de rest van hun vouwing intact blijft. EvoSplit voorspelt echter herhaaldelijk een alternatieve conformatie waarin één helix dicht bij het begin van het eiwit in een sheet verandert, waardoor de algehele topologie verandert. Dit patroon verschijnt bij vijf verwante GTPases, wat suggereert dat het geen toeval is. Simulaties van deze ongewone toestand blijven stabiel over honderden nanoseconden, en analyses van evolutionaire koppelingen tonen onderscheiden contactsignalen die overeenkomen met de unieke sheet-contacten. Wanneer de auteurs interacties modelleren tussen HRAS en verschillende bekende partners, vormen zowel de klassieke als de nieuwe conformatie stabiele complexen, maar met verschoven contactinterfaces, wat impliceert dat de alternatieve vouw verschillende signaalgedragingen zou kunnen ondersteunen.

Wat dit betekent voor toekomstige geneesmiddeldesigns

Voor niet-specialisten is de kernboodschap dat onze eiwitten meer vormen — en dus meer functionele mogelijkheden — kunnen herbergen dan traditionele structuurvoorspelling heeft laten zien. EvoSplit gebruikt evolutie-gestuurde patroonherkenning om deze verborgen toestanden te scheiden in plaats van ze weg te middelen. Door eerdere methoden te overtreffen bij bekende vouwwisselende eiwitten, alternatieve toestanden te ontdekken in goed bestudeerde receptoren en transporters, en een nieuwe, stabiele vouw voor kankerschakelaars zoals HRAS voor te stellen, pleit dit werk ervoor dat multi-state modellering routine zou moeten worden. In praktische termen kunnen rijkere structurele catalogi nieuwe pockets voor medicijnen blootleggen, verklaren waarom bepaalde mutaties schadelijk zijn, en wijzen op paden die alleen zichtbaar worden wanneer we verder kijken dan één enkele statische structuur.

Bronvermelding: Li, S., Zhang, C., Kong, L. et al. Disentangling coevolutionary constraints for modeling protein conformational heterogeneity. Commun Chem 9, 146 (2026). https://doi.org/10.1038/s42004-026-01940-9

Trefwoorden: conformationele dynamiek van eiwitten, co-evolutionaire signalen, AlphaFold2, kankergerelateerde eiwitten, GTPase vouwwisseling