Eiwitontwerp: hoe computers nieuwe moleculen voor het leven bedenken
Eiwitten zijn de werkpaarden van elke cel: ze verteren voedsel, bestrijden virussen, transporteren zuurstof en geven spieren hun kracht. Van oudsher ontdekten wetenschappers eiwitten door de natuur te bestuderen — een enzym uit een schimmel, een antistof uit het menselijk afweersysteem. Bij eiwitontwerp (in het Engels protein design) draait het proces om: onderzoekers bedenken zelf een eiwit dat in de natuur niet bestaat, met precies de vorm en functie die zij nodig hebben.
Stel je een eiwit voor als een lang kralensnoer dat zich in een unieke, ingewikkelde knoop vouwt. De volgorde van de kralen (aminozuren) bepaalt hoe die knoop eruitziet, en de vorm van de knoop bepaalt wat het eiwit kan doen — bijvoorbeeld precies passen op een deel van een virus, zoals een sleutel in een slot. Eiwitontwerp is de kunst en wetenschap om, uitgaande van een gewenste vorm of functie, te berekenen welke kralenketting die knoop oplevert. Waar dat vroeger vooral gissen en uitproberen was, gebeurt het nu grotendeels met computermodellen, waaronder kunstmatige intelligentie.
Wat is het precies?
Een eiwit bestaat uit een keten van bouwstenen die aminozuren heten — er zijn er twintig soorten. De volgorde van die aminozuren (de “primaire structuur”) bepaalt hoe de keten zich in een fractie van een seconde opvouwt tot een driedimensionale vorm. Die vorm bepaalt op zijn beurt de functie: of een eiwit iets kan vastgrijpen, knippen, bouwen of afbreken.
Het probleem waar eiwitontwerp mee worstelt, is eigenlijk een omgekeerd raadsel. Het voorspellen van de vorm bij een gegeven aminozuurvolgorde heet structuurvoorspelling; dat probleem werd grotendeels opgelost door het AI-systeem AlphaFold van het Britse bedrijf DeepMind (2020–2021). Eiwitontwerp is de andere kant op: je begint met de gewenste vorm of functie en zoekt daarbij een passende aminozuurvolgorde. Dat is veel lastiger, omdat er voor elke gewenste vorm vrijwel oneindig veel mogelijke ketens bestaan.
Sinds enkele jaren gebruiken onderzoekers hiervoor generatieve AI-modellen, vergelijkbaar met de technologie achter beeldgeneratoren. Een bekend voorbeeld is RFdiffusion, ontwikkeld door het laboratorium van biochemicus David Baker aan de Universiteit van Washington. Dit “diffusiemodel” begint met willekeurige ruis en verfijnt die stap voor stap tot een nieuwe, stabiele eiwitstructuur die aan bepaalde eisen voldoet — bijvoorbeeld een vorm die precies om een virusdeeltje past. Een ander programma, ProteinMPNN, bedenkt vervolgens welke aminozuurvolgorde die gewenste vorm het beste oplevert. Na het computerontwerp volgt altijd een praktijktest in het laboratorium: het gen voor het ontworpen eiwit wordt gesynthetiseerd, in bacteriën of cellen tot expressie gebracht, en gecontroleerd of het eiwit zich werkelijk vouwt en doet wat berekend was.
Wat wil men ermee bereiken?
Het doel van eiwitontwerp is simpel geformuleerd: eiwitten maken die de natuur niet toevallig heeft voortgebracht, maar die mensen wél nodig hebben. Dat kan een enzym zijn dat plastic afbreekt, een medicijn dat een ziekteverwekker blokkeert, of een bouwsteen voor nieuwe materialen.
De belofte is dat dit sneller en gerichter gaat dan klassieke methoden. Traditioneel medicijnonderzoek test duizenden natuurlijke of licht aangepaste moleculen op goed geluk. Met eiwitontwerp kunnen onderzoekers in theorie direct een molecuul tekenen met de gewenste eigenschappen, en de computer laten uitrekenen hoe dat te bouwen is. Dat scheelt niet per se tijd in de kliniek — medicijnen moeten nog steeds jarenlange veiligheidstests doorlopen — maar het kan wel de eerste, vaak jarenlange zoektocht naar een geschikt molecuul verkorten.
Voorbeelden uit de praktijk
Het veld leunt zwaar op een aantal spraakmakende demonstraties. In 2020 publiceerde de groep van David Baker in het tijdschrift Science de ontwikkeling van kleine, volledig computerontworpen eiwitten (“mini-binders”) die het spike-eiwit van SARS-CoV-2 herkennen en blokkeren — een vroeg voorbeeld van hoe snel eiwitontwerp kan inspelen op een nieuwe dreiging.
Rond 2019–2021 ontwikkelde datzelfde laboratorium computerontworpen nanodeeltjes die stukjes van griep- en RSV-virussen op hun oppervlak dragen, als basis voor nieuwe vaccins. Dit werk vormde de basis van het bedrijf Icosavax, dat de vaccinkandidaten tot in klinische fase-1/2-studies bracht voordat het in 2023 werd overgenomen door farmaceut AstraZeneca.
In 2023 beschreven Baker en collega’s in Nature het model RFdiffusion zelf, met demonstraties van nieuw ontworpen eiwitcomplexen, bindingseiwitten en symmetrische structuren die in het lab daadwerkelijk werkten zoals voorspeld.
Ook enzymen — eiwitten die chemische reacties versnellen — zijn doelwit. In 2023 ontwierp de Baker-groep een volledig kunstmatig lichtgevend enzym (een luciferase), gepubliceerd in Nature, dat helderder en compacter licht produceert dan natuurlijke varianten en inmiddels gebruikt wordt als biologisch meetinstrument.
Verder gebruiken jonge biotechbedrijven zoals Generate:Biomedicines en Xaira Therapeutics generatieve eiwitontwerp-modellen om nieuwe therapeutische eiwitten en antilichamen te ontwikkelen; Xaira haalde bij de oprichting in 2023 meer dan een miljard dollar aan investeringen op, wat de commerciële verwachtingen rond deze technologie illustreert.
Hoe ver is de techniek?
Eiwitontwerp heeft de afgelopen vijf jaar een sprong gemaakt dankzij de combinatie van betere structuurvoorspelling (AlphaFold en opvolgers zoals AlphaFold3 in 2024) en generatieve AI-modellen zoals RFdiffusion. Wat ooit weken rekenwerk en gedeeltelijk handwerk vergde, kan nu in minuten tot uren een ontwerp opleveren.
Toch is het geen kwestie van “typen wat je wilt en klaar”. Veel computerontwerpen werken in het laboratorium niet, of minder goed dan voorspeld; onderzoekers testen doorgaans tientallen tot honderden varianten om er een paar bruikbare over te houden. Het ontwerpen van eenvoudige bindende eiwitten (die ergens aan vastklikken) lukt inmiddels behoorlijk betrouwbaar. Het ontwerpen van complexe katalytische functies — eiwitten die net zo efficiënt reageren als natuurlijke enzymen na miljoenen jaren evolutie — blijft aanzienlijk lastiger.
Een belangrijk maatschappelijk aandachtspunt is biosecurity: dezelfde tools die nuttige eiwitten ontwerpen, zouden in theorie misbruikt kunnen worden om schadelijke moleculen te bedenken. Mede daarom werken DNA-synthesebedrijven en onderzoeksinstituten inmiddels met screeningsystemen die bestellingen van genetisch materiaal controleren op verdachte sequenties. Dit is een actief punt van beleidsdiscussie, zonder dat er al een sluitende internationale standaard is.
Een teken van hoe volwassen — en erkend — het vakgebied inmiddels is: David Baker ontving in oktober 2024 de Nobelprijs voor de Scheikunde voor zijn werk aan computationeel eiwitontwerp, gedeeld met Demis Hassabis en John Jumper van DeepMind voor hun werk aan AlphaFold.
Wie werken eraan?
Het Institute for Protein Design aan de Universiteit van Washington in Seattle, geleid door David Baker, geldt als een van de meest invloedrijke centra en ontwikkelde zowel Rosetta (het oudere, op fysica gebaseerde ontwerpprogramma) als de nieuwere AI-modellen RFdiffusion en ProteinMPNN.
Google DeepMind in Londen bouwde AlphaFold en werkt via zusterbedrijf Isomorphic Labs aan de toepassing van AI-structuurvoorspelling in medicijnontwikkeling. Daarnaast zijn er gespecialiseerde biotechbedrijven zoals Generate:Biomedicines en Xaira Therapeutics (beide VS) die eiwitontwerp direct inzetten voor geneesmiddelenontwikkeling.
Ook Europese instituten dragen bij, waaronder het European Bioinformatics Institute (EMBL-EBI) in het Verenigd Koninkrijk, dat samen met DeepMind de openbare AlphaFold-database beheert, en diverse universitaire onderzoeksgroepen in Nederland, Duitsland en Zwitserland die eiwitontwerp toepassen op enzymen voor duurzame chemie en materiaalonderzoek.