Eén letter anders in het bouwplan van een eiwit: waarom AI daar soms de mist mee ingaat
Een eiwit is als een lang kralensnoer dat zich opvouwt tot een precieze 3D-vorm. Verander één kraal, oftewel één bouwsteen (aminozuur) in dat snoer, en soms verandert er bijna niets. Maar soms klapt de hele vorm om, met een ziekte als gevolg. Wanneer gebeurt welk scenario? Een nieuw onderzoek brengt daar meer structuur in.
Eiwitten zijn de werkpaarden van elke cel. Ze worden gebouwd volgens een genetisch recept, een reeks aminozuren die zich vouwt tot een specifieke 3D-structuur. Die vorm bepaalt wat het eiwit kan doen. Een mutatie is een verandering in dat recept: één aminozuur wordt vervangen door een ander. De laatste jaren is het steeds beter gelukt om te voorspellen welke vorm een normaal, ongemuteerd eiwit aanneemt. Het computerprogramma AlphaFold, dat zulke voorspellingen doet, kreeg hiervoor zelfs een Nobelprijs. Maar voorspellen wat er gebeurt na een mutatie is een heel ander verhaal, en dat blijft lastig.
Wat de onderzoekers deden
Om dit beter te begrijpen, doken de onderzoekers in een grote database van eiwitstructuren die met röntgenstraling zijn gemeten, de Protein Data Bank. Ze vergeleken telkens de originele, ongemuteerde versie van een eiwit met een versie waarin precies één aminozuur was veranderd. Zo konden ze exact meten waar en hoeveel de vorm veranderde door die ene mutatie.
De uitkomst is verrassend geordend. De vervorming door een mutatie blijft meestal dicht bij de plek van de verandering zelf. Hoe verder je van die plek af kijkt in het eiwit, hoe sneller de verstoring wegvalt. Het is een beetje als een steen die in een vijver valt: bij de inslag ontstaat grote onrust, maar de rimpelingen sterven al snel uit als je verder van het middelpunt kijkt.
AlphaFold3 wordt onzeker bij grote veranderingen
Vervolgens testten de onderzoekers hoe goed AlphaFold3, de nieuwste versie van dat beroemde voorspellingsprogramma, deze mutatie-effecten kan nabootsen. Bij kleine, lokale vervormingen deed het programma het prima. Maar zodra de mutatie een grotere verandering in de eiwitvorm veroorzaakte, werd de voorspelling van AlphaFold3 duidelijk minder betrouwbaar. Hoe groter de werkelijke vervorming, hoe verder de voorspelling ervan af kwam te liggen.
Opvallend genoeg gold dat niet voor een simpelere, natuurkundige maatstaf die de onderzoekers ook meenamen: de verandering in "oplosbaarheid" van de mutatieplek, ofwel hoeveel van die plek bloot komt te liggen aan water om het eiwit heen. De samenhang tussen deze maatstaf en de werkelijke vervorming bleef namelijk even sterk, ook bij grote veranderingen. Dat is een aanwijzing dat simpele natuurkundige kenmerken soms robuuster zijn dan een complex AI-model.
Wat betekent dit (nog) niet: Dit onderzoek is nog geen kant-en-klare oplossing om ziekmakende mutaties te herkennen. Het is één onderzoeksteam dat een dataset van bestaande röntgenstructuren heeft geanalyseerd en een patroon heeft blootgelegd. Het laat vooral zien waar de huidige voorspellingsmodellen tekortschieten, en biedt een aanzet voor vervolgonderzoek. Er is nog geen nieuw, beter model gepresenteerd dat dit probleem daadwerkelijk oplost.
Waarom is dit belangrijk? Veel erfelijke ziektes ontstaan door precies zo'n enkele mutatie in een eiwit, denk aan bepaalde vormen van kanker of stofwisselingsziekten. Als we beter kunnen voorspellen hoe zo'n kleine verandering de vorm van een eiwit verstoort, komen we een stap dichter bij het begrijpen, en misschien ooit het voorkomen, van de schade die daardoor ontstaat.
Bron: Towards Accurate Prediction of Mutation-Induced Changes in Protein Structure