Eiwitconformatie: hoe de vorm van een eiwit bepaalt wat het doet
Een eiwit is in de basis een lange ketting van bouwstenen, aminozuren genoemd, die als kraaltjes aan een snoer aan elkaar hangen. Die ketting rolt en vouwt zichzelf vervolgens op tot een compacte, driedimensionale vorm. Die uiteindelijke vorm heet de conformatie van het eiwit. Conformatie is dus niet de samenstelling van het eiwit, maar de exacte manier waarop het in de ruimte is opgevouwen.
Een handige vergelijking is origami. Een vel papier (de aminozuurketting) kun je op talloze manieren vouwen, maar een bepaalde volgvolgorde van vouwen levert altijd dezelfde kraanvogel op. Bij een eiwit werkt het net zo: de volgorde van aminozuren bepaalt vrijwel volledig welke vorm er ontstaat. En die vorm is cruciaal, want een eiwit dat verkeerd gevouwen is, past niet meer op de plek waar het moet functioneren, zoals een sleutel die net iets krom is en niet meer in het slot past.
Wat is het precies?
Een eiwit begint als een lineaire ketting van aminozuren, samengesteld op basis van de code in het DNA. Deze volgorde heet de primaire structuur. Zodra de ketting wordt aangemaakt, gaat ze meteen vouwen: stukken van de keten rollen zich op tot spiraaltjes (alfahelices) of vouwen zich tot platte, lintachtige lagen (bètaplaten). Dit lokale vouwpatroon heet de secundaire structuur.
Vervolgens vouwen die spiraaltjes en platen zich op hun beurt op tot de volledige, driedimensionale vorm van het eiwit: de tertiaire structuur. Dit is wat we meestal bedoelen als we het over 'de conformatie' hebben. Sommige eiwitten bestaan uit meerdere van zulke opgevouwen ketens die samen een groter geheel vormen, de quaternaire structuur, zoals hemoglobine dat uit vier subeenheden bestaat.
Het vouwproces zelf wordt gestuurd door natuurkundige krachten: waterafstotende (hydrofobe) delen van de keten proberen zich te verstoppen in het binnenste van het eiwit, terwijl waterminnende delen juist naar buiten wijzen. Daarnaast spelen waterstofbruggen, elektrische aantrekking en soms zwavelbruggen tussen aminozuren een rol. Dit alles gebeurt razendsnel, vaak binnen milliseconden tot seconden, en meestal zonder hulp van buitenaf. Bij sommige eiwitten helpen speciale hulpeiwitten, chaperonnes genoemd, om het vouwproces goed te laten verlopen en verkeerde vouwingen te voorkomen.
Belangrijk om te beseffen: veel eiwitten zijn niet star. Ze kunnen tussen verschillende conformaties heen en weer schakelen, bijvoorbeeld een 'open' en een 'gesloten' vorm, en die beweeglijkheid is vaak net zo functioneel als de vorm zelf.
Wat wil men ermee bereiken?
De functie van een eiwit hangt bijna volledig af van zijn vorm. Een enzym heeft een precies gevormde 'zak' nodig om een bepaalde stof te binden en om te zetten; een antilichaam moet exact passen op het oppervlak van een virus; een spiereiwit moet van vorm kunnen veranderen om samen te trekken. Als je de conformatie van een eiwit kent, begrijp je in feite hoe het werkt.
Dat inzicht is om meerdere redenen waardevol. Ten eerste voor fundamenteel begrip van ziekten: veel aandoeningen ontstaan doordat eiwitten verkeerd vouwen. Bij prionziekten zoals de ziekte van Creutzfeldt-Jakob klontert een verkeerd gevouwen eiwit samen en zet het gezonde exemplaren aan om ook te ontsporen. Ook bij Alzheimer en Parkinson worden opeenhopingen van verkeerd gevouwen eiwitten (amyloïden) in verband gebracht met de ziekte, al is het exacte oorzakelijke verband nog onderwerp van onderzoek.
Ten tweede is kennis van eiwitconformatie onmisbaar voor medicijnontwikkeling. Om een geneesmiddel te ontwerpen dat precies op een ziekteveroorzakend eiwit aangrijpt, moet je weten hoe dat eiwit eruitziet. Ten derde willen onderzoekers steeds vaker eiwitten niet alleen begrijpen, maar ook zelf ontwerpen: nieuwe enzymen voor duurzame chemie, afbreekbare plastics of nieuwe vaccins, met een vorm die specifiek is toegesneden op een taak.
Voorbeelden uit de praktijk
Decennialang was het experimenteel bepalen van een eiwitstructuur traag en duur werk, met technieken als röntgenkristallografie en kernspinresonantie (NMR). Sinds de jaren negentig houdt de competitie CASP (Critical Assessment of Structure Prediction) elke twee jaar bij hoe goed computermodellen eiwitstructuren kunnen voorspellen zonder dat experiment nodig is.
In 2020 zorgde AlphaFold2 van het Britse DeepMind (onderdeel van Google) voor een doorbraak op CASP14: het model voorspelde structuren met een nauwkeurigheid die voor het eerst in de buurt kwam van experimentele metingen. Dit werd breed gezien als een grote doorbraak voor het al decennialang openstaande 'eiwitvouwingsprobleem'.
In 2021 werd AlphaFold2 vrij beschikbaar gemaakt, en samen met het Europese moleculair-biologisch instituut EMBL-EBI lanceerde DeepMind de AlphaFold Protein Structure Database, die inmiddels voorspelde structuren bevat voor vrijwel alle bekende eiwitten uit talloze organismen. Vrijwel gelijktijdig publiceerde het lab van David Baker aan de University of Washington een vergelijkbaar model, RoseTTAFold, eveneens in 2021.
Baker's onderzoeksgroep, verbonden aan het Institute for Protein Design, richt zich daarnaast op het omgekeerde probleem: niet een bestaand eiwit voorspellen, maar een compleet nieuw eiwit ontwerpen met een gewenste vorm en functie, bijvoorbeeld voor een vaccin of een sensor. In 2022 en 2023 bracht Meta AI met ESMFold een alternatieve aanpak uit, gebaseerd op grote taalmodellen die getraind zijn op miljoenen eiwitsequenties, met als voordeel een snellere voorspelling ten koste van iets minder precisie.
De impact van dit werk werd erkend met de Nobelprijs voor Scheikunde 2024, die werd toegekend aan David Baker voor computationeel eiwitontwerp, en aan Demis Hassabis en John Jumper van DeepMind voor de ontwikkeling van AlphaFold.
Hoe ver is de techniek?
Voor een groot deel van de 'gewone', stabiele eiwitten geldt dat AI-modellen inmiddels betrouwbare structuurvoorspellingen kunnen leveren, vaak met een nauwkeurigheid die dicht bij experimentele metingen ligt. Dat heeft laboratoriumwerk dat vroeger maanden tot jaren kostte, in veel gevallen teruggebracht tot minuten rekentijd.
Toch is het probleem niet volledig 'opgelost'. Ten eerste voorspellen deze modellen doorgaans één statische, meest waarschijnlijke vorm, terwijl veel eiwitten in de praktijk tussen meerdere conformaties wisselen of gedeeltelijk ongestructureerd zijn (zogeheten intrinsically disordered regions). Het voorspellen van die dynamiek en flexibiliteit is nog een actief en onopgelost onderzoeksgebied.
Ten tweede blijft het voorspellen van hoe eiwitten met andere moleculen interacteren, zoals met geneesmiddelen, metalen of andere eiwitten, lastiger dan het voorspellen van de losse structuur. Ten derde is een correcte voorspelling geen garantie voor praktisch nut: voor medicijnontwikkeling is vaak ook nodig te weten hoe sterk en hoe snel een molecuul bindt, iets waar structuurvoorspelling alleen geen uitsluitsel over geeft. Experimentele technieken zoals cryo-elektronenmicroscopie (cryo-EM), waarvoor in 2017 al een Nobelprijs werd toegekend aan Jacques Dubochet, Joachim Frank en Richard Henderson, blijven daarom onmisbaar om voorspellingen te toetsen en aan te vullen.
Wie werken eraan?
Het onderzoeksveld is een mix van techbedrijven en academische instituten. DeepMind (Google) blijft een centrale speler met de doorontwikkeling van AlphaFold. Meta AI werkt met de ESM-modellenreeks aan taalmodel-gebaseerde voorspelling. Het Institute for Protein Design aan de University of Washington, onder leiding van David Baker, is toonaangevend op het gebied van het ontwerpen van geheel nieuwe eiwitten.
Op het gebied van open data en infrastructuur speelt het Europese EMBL-EBI (European Bioinformatics Institute) een sleutelrol, onder meer via de AlphaFold-database en de Protein Data Bank (PDB), de internationale, sinds 1971 bestaande archiefdatabank voor experimenteel bepaalde eiwitstructuren. Daarnaast dragen talloze universitaire onderzoeksgroepen wereldwijd bij, vaak gefinancierd door nationale wetenschapsfondsen en organisaties als de Amerikaanse National Institutes of Health (NIH) en de Europese Unie.