Große neue Proteine entwerfen mit KI
Neue Methode für das Design künstlicher Proteine
Ob als Bausteine, Transportsysteme, Enzyme oder Antikörper, Proteine spielen eine lebenswichtige Rolle in unserem Körper. Forschende versuchen sie daher nachzubauen oder sogenannte De-novo-Proteine zu entwerfen, die in der Natur gar nicht vorkommen. Solche künstlichen Proteine sollen zum Beispiel bestimmte Viren binden oder Wirkstoffe transportieren. Um sie zu entwickeln, nutzen Wissenschaftlerinnen und Wissenschaftler zunehmend maschinelles Lernen. Erst kürzlich wurden Fortschritte in diesem Gebiet mit dem Chemie-Nobelpreis gewürdigt: Dieser ging dieses Jahr an David Baker, einen Pionier des de novo Proteindesigns, und an die Entwickler der Software Alphafold2 Demis Hassabis und John Jumper. Alphafold2 ermöglicht es, Proteinstrukturen mit hoher Genauigkeit am Computer vorherzusagen.
Ein Team unter Leitung von Hendrik Dietz, Professor für Biomolekulare Nanotechnologie an der Technischen Universität München (TUM), und von Sergey Ovchinnikov, Professor für Biologie am Massachusetts Institute of Technology (MIT), hat nun ein Verfahren entwickelt, mit dem sich die akkurate Strukturvorhersage von Alphafold2 zusammen mit einem sogenannten Gradient Descent Ansatz für effizientes Proteindesign nutzen lässt. Publiziert wurde es im Fachjournal Science.
Gradient Descent ist eine gängige Methode zur Modelloptimierung. In einem schrittweisen Prozess kann man damit Abweichungen zur gewünschten Zielfunktion erkennen und die Parameter immer weiter anpassen, bis das optimale Ergebnis erreicht ist. Im Proteindesign kann Gradient Descent dabei helfen, die durch AlphaFold2 vorhergesagte Proteinstruktur neuer Proteine gegen die gewünschte Proteinstruktur abzugleichen. So können Wissenschaftlerinnen und Wissenschaftler ihre neu entworfene Aminosäurenkette und die daraus entstehende Struktur immer weiter optimieren. Letztere bestimmt maßgeblich die Stabilität und Funktion des Proteins und hängt von feinen energetischen Wechselwirkungen ab.
Bessere Anpassungen durch virtuelle Überlagerung der Bausteine
Mit dem neuen Verfahren lassen sich große neue Proteine besser als bisher designen und mit den gewünschten Eigenschaften versehen, zum Beispiel um passgenau an andere Proteine zu binden. Ihr Designprozess unterscheidet sich an verschiedenen Stellen von bisherigen Vorgehensweisen.
„Wir haben den Prozess für neue Proteine so gestaltet, dass wir zunächst die Grenzen des physikalisch Möglichen außen vor lassen. Üblicherweise geht man an jeder Stelle der Aminosäurenkette von nur einem der 20 möglichen Bausteine aus. Wir nutzen stattdessen eine Variante, bei der alle Möglichkeiten virtuell überlagert sind“, sagt Christopher Frank, Doktorand am Lehrstuhl für Biomolekulare Nanotechnologie und Erstautor der Studie.
Diese virtuelle Überlagerung lässt sich so nicht direkt in ein tatsächlich produzierbares Protein umsetzen. Aber sie ermöglicht es, das Protein virtuell immer weiter zu optimieren. „Über mehrere Wiederholungen hinweg verbessern wir die Anordnung der Aminosäuren, bis das neue Protein sehr nah an der Struktur dran ist, die wir gerne hätten“, sagt Christopher Frank. Aus dieser optimierten Struktur wird dann die Abfolge von Aminosäuren ermittelt, die sich auch tatsächlich im Labor umsetzen lässt.
Der entscheidende Test: Wie schneiden die Vorhersagen in echt ab?
Die entscheidende Probe für alle neu entworfenen Proteine: Entspricht die echte Struktur auch dem erdachten Konstrukt und der gewünschten Funktion? Das Team hat mit der neuen Methode über 100 Proteine nicht nur virtuell entworfen, sondern auch im Labor hergestellt und experimentell überprüft. „Wir konnten beweisen, dass unsere designten Strukturen der echten Umsetzung sehr genau entsprechen“, sagt Christopher Frank.
Mit ihrer neuen Methode konnten sie Proteine aus bis zu 1000 Aminosäuren herstellen. „Wir nähern uns damit der Größe von Antikörpern an und können – wie bei Antikörpern auch – dann mehrere gewünschte Funktionen in ein solches Protein integrieren“, erläutert Hendrik Dietz. „Das könnten beispielsweise Motive zur Erkennung und Unterdrückung von Krankheitserregern sein.“
Frank C, Khoshouei A, Fuβ L, Schiwietz D, Putz D, Weber L, Zhao Z, Hattori M, Feng S, de Stigter Y, Ovchinnikov S, Dietz H: Scalable protein design using optimization in a relaxed sequence space. Science, October 2024. www.science.org/doi/10.1126/science.adq1741
- Hochauflösendes Bildmaterial
- Am Projekt beteiligt sind: Technische Universität München (TUM), Massachusetts Institute of Technology, Fudan University, Changping Laboratory, Harvard University
- Prof. Hendrik Dietz forscht am Munich Institute of Biomedical Engineering (MIBE), einem Integrativen Forschungsinstitut der TUM. Am MIBE entwickeln und verbessern Forschende aus der Medizin, den Natur- und Ingenieurwissenschaften und der Informatik gemeinsam Verfahren zur Prävention, Diagnose und Behandlung von Krankheiten. Die Aktivitäten reichen dabei von der Untersuchung grundlegender wissenschaftlicher Prinzipien bis zu deren Anwendung in medizinischen Geräten, Medikamenten oder Computerprogrammen.
- Die Arbeit wurde gefördert von: National Science Foundation, National Institutes of Health, European Research Council, Deutsche Forschungsgemeinschaft, Amgen, Education Commission of Shanghai Municipality, TUM Innovation Network Projekt RISE
Technische Universität München
Corporate Communications Center
- Carolin Lerch
- presse@tum.de
- Teamwebsite
Kontakte zum Artikel:
Prof. Dr. Hendrik Dietz
Technische Universität München
Lehrstuhl für Biomolekulare Nanotechnologie
Tel: +49 89 289 11615
dietz@tum.de
