Protein konformasyonel heterojenliği modellemek için birlikte evrimsel kısıtlamaların ayrıştırılması

Şekil Değiştiren Makineler Olarak Proteinler

Proteinler hayatı mümkün kılan küçük makineler olup, birçoğu işlevlerini ince şekil değişiklikleriyle yerine getirir. Bu değişimler sinyalleri açıp kapatabilir, moleküler kapıları açıp kapayabilir veya ilaçların hedeflediği bağlanma ceplerini yeniden şekillendirebilir. Buna rağmen çoğu bilgisayar aracı hâlâ her proteine tek bir "doğru" yapı atamaya çalışır ve sağlık ile hastalığın altında yatan esnekliği gizler. Bu makale, protein dizilerinde kodlanmış evrimsel kaydı okuyarak birden fazla, işlevsel açıdan önemli şekli—deneylerde hiç görülmemiş olabilecek ve ilaç keşfine yeni yollar açabilecek formları da dahil—ortaya çıkaran yeni bir yaklaşım olan EvoSplit’i tanıtıyor.

Protein Esnekliğinin Tıp Açısından Önemi

Hücrelerimizde proteinler nadiren sabit durur. Sıcaklık, asidite, bağlanan partnerler veya kimyasal değişikliklere tepki olarak bükülür, burulur ve bazen kısımlarını yeniden katlarlar. Bu hareketler birkaç yan zincirin kayması gibi küçük olabileceği gibi, bir heliksin tamamen bir levhaya dönüşmesi gibi dramatik de olabilir. Bu değişimler, reseptörlerin hormonları algılaması, taşıyıcıların molekülleri zarlar üzerinden taşıması ve onkoproteinlerin kanseri tetiklemesi açısından merkezidir. Bir proteinin yalnızca tek bir anlık görüntüsünü bilirsek, aktif formu, ilaçla hedeflenebilir cebi veya hastalığa neden olan konformasyonu kaçırabiliriz. Bu nedenle bir proteinin kararlı şekillerinin doğru bir "oyuncu listesi"ni yakalamak biyolojiyi anlamak ve hedefe yönelik tedaviler tasarlamak için kritiktir.

Evrimin Gizli Notlarını Okumak

Milyonlarca yıl boyunca protein dizileri yalnızca tek bir yapıyı değil, sıklıkla birkaç biyolojik olarak anlamlı şekli korumaya yönelik baskı altında evrildi. İki aminoasidin ilişkili proteinlerde koordineli şekilde mutasyona uğrama eğiliminde olması, en az bir konformasyonda temas halinde kalmaları gerektiğine işaret eder. AlphaFold2 gibi modern derin öğrenme sistemleri, ilişkili dizilerin büyük ailelerinden oluşan çoklu dizi hizalamalarından bu tür birlikte evrimsel desenleri çıkardıkları için başarılıdır. Ancak bir protein birden fazla katlanış benimseyebiliyorsa farklı durumlara ait sinyaller birbirine karışır ve standart yaklaşımlar genellikle bunları tek, ortalanmış bir yapıda birleştirir. Önceki yöntemler dizileri genel benzerliklerine göre kümeleyerek bunu çözmeye çalışmıştı, ama bu yaklaşımlar yapısal tercihleri gerçekte kodlayan çiftler arası desenleri büyük ölçüde göz ardı etti.

EvoSplit Çakışan Şekilleri Nasıl Ayırıyor

Yazarlar, hangi kalıntıların hangi dizilerde birbirine "dikkat ettiğini" öğrenmek için bir dikkat mekanizması kullanan MSA Transformer adlı bir protein dil modeline dayanıyor. Çoklu yapısı bilinen proteinlerde her bir bireysel dizinin dikkat deseninin genellikle bir konformasyonun kontak haritasına diğerine göre daha çok benzediğini gösteriyorlar. Başka bir deyişle, her dizi favori şeklinin bir parmak izini taşır. EvoSplit bunu, hizalamayı altgruplara kümelemek için özellik olarak ham dizi benzerliği yerine dikkat matrislerini kullanarak değerlendirir. Her küme daha sonra ayrı ayrı AlphaFold2’ye verilir; böylece yapı öngörücüsüne daha temiz, konformasyona özgü bir evrimsel ipucu sağlanmış olur. Katlanma değiştiren 85 protein üzerinde EvoSplit, özellikle daha nadiren örneklenen durum için, önde gelen dizi-tabanlı kümeleme yöntemine kıyasla deneysel yapılarla daha iyi uyumlu ve daha yüksek güvende modeller üretiyor.

Eğitim Verisinin Ötesinde Yeni Durumlar Bulmak

Güçlü sinir ağlarıyla ilgili önemli bir endişe, bunların yeni yapılar keşfetmek yerine yalnızca eğitim setlerinden "ezbere" yapılar hatırlayabilecekleridir. EvoSplit’in gerçekten ek bilgi sağlayıp sağlamadığını test etmek için yazarlar, alternatif durumları AlphaFold2’nin orijinal eğitimine dahil edilmemiş taşıyıcılar ve reseptörlerden oluşan bir sete yöneliyor. Burada bile EvoSplit, içe ve dışa bakan formları ile belirgin aktif ve inaktif şekilleri deneysel modellerle yüksek yapısal benzerlik içinde geri kazanıyor. Yöntem daha keşif amaçlı görevlere de ölçekleniyor: insan kanserleriyle ilişkili yüzün üzerinde proteine uygulandığında, çoklu konformasyonlar benimsemesi muhtemel 54 aday tespit ediyor. Kinaz LCK ve hücre döngüsü düzenleyicisi siklin D1 gibi bazıları için EvoSplit, ilgili proteinlerden bilinen yapıları andıran makul alan düzenlenmeleri öneriyor; bu da gözlemlenmemiş ama biyofiziksel olarak makul durumlara işaret ediyor.

Kansere Bağlı Anahtarlarda Sürpriz Bir Yeni Katlanış

En ilgi çekici sonuç belki de HRAS ve KRAS gibi küçük GTPazlarla ilgili: bunlar tümörlerde sıkça mutasyona uğrayan klasik moleküler anahtarlardır. Bu proteinler normalde nükleotid bağlama bölgesine yakın ince yeniden düzenlenmelerle "açık" ve "kapalı" arasında geçiş yapar ve geri kalan katlanışlarını büyük ölçüde korurlar. Ancak EvoSplit, bir heliksin proteinin başlangıcına yakın bir yerde bir levhaya dönüşerek genel topolojiye değişiklik getirdiği alternatif bir konformasyonu tekrarlı olarak öngörüyor. Bu desen beş ilişkili GTPazda da görülüyor; bu da bunun tesadüf olmadığını düşündürüyor. Bu olağandışı durumun simülasyonları yüzlerce nanosaniye boyunca kararlı kalıyor ve evrimsel bağıntı analizleri, onun benzersiz levha temaslarıyla örtüşen belirgin temas sinyalleri gösteriyor. Yazarlar HRAS ile birkaç bilinen partner arasındaki etkileşimleri modelllediklerinde, klasik ve yeni konformasyonlar her ikisi de kararlı kompleksler oluşturuyor ama temas arayüzleri kaymış durumda; bu da alternatif katlanışın farklı sinyal davranışlarını destekleyebileceğini ima ediyor.

Gelecek İlaç Tasarımı İçin Anlamı

Uzman olmayan bir okuyucu için temel mesaj, geleneksel yapı tahminlerinin ortaya koyduğundan daha fazla şekle—dolayısıyla daha fazla işlevsel olasılığa—proteinlerimizin ev sahipliği yapıyor olabileceğidir. EvoSplit, bu gizli durumları ortalamak yerine ayırmak için evrim rehberliğinde desen tanıma kullanır. Bilinen katlanma değiştiren proteinlerde önceki yöntemleri geride bırakması, iyi çalışılmış reseptörlerde ve taşıyıcılarda alternatif durumlar keşfetmesi ve HRAS gibi kansere ilişkin anahtarlara yeni, kararlı bir katlanış önermesiyle bu çalışma çok durumlu modellemenin rutin hale gelmesi gerektiğini savunuyor. Pratik anlamda, daha zengin yapısal kataloglar yeni ilaç cepleri öne çıkarabilir, bazı mutasyonların neden zararlı olduğunu açıklayabilir ve yalnızca tek bir statik yapının ötesine baktığımızda görünür hale gelen yolları işaret edebilir.

Atıf: 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

Anahtar kelimeler: protein konformasyonel dinamiği, birlikte evrimsel sinyaller, AlphaFold2, kansere ilişkili proteinler, GTPaz katlanma değişimi