Inverse eiwitvouwing: hoe je een eiwit op bestelling ontwerpt
Een eiwit is een lange keten van bouwstenen, aminozuren genoemd. Er bestaan twintig soorten aminozuren, en de volgorde waarin ze aan elkaar zitten - de aminozuurvolgorde - bepaalt alles. Zodra zo'n keten in een cel wordt aangemaakt, gaat hij vanzelf, binnen milliseconden tot seconden, in een precieze driedimensionale vorm opkrullen: het eiwit \"vouwt\". Die uiteindelijke vorm bepaalt wat het eiwit kan: een enzym dat een reactie versnelt, een antilichaam dat een virus herkent, of een spiereiwit dat kracht kan leveren. Al decennia proberen wetenschappers te voorspellen welke vorm een gegeven aminozuurvolgorde zal aannemen - het klassieke eiwitvouwingsprobleem, dat met de doorbraak van AlphaFold in 2020 grotendeels is opgelost.
Inverse eiwitvouwing draait de vraag om. In plaats van \"ik heb deze volgorde, welke vorm krijg ik?\", is de vraag: \"ik wil deze vorm - of deze functie - welke volgorde moet ik dan maken?\" Vergelijk het met een sleutel die zichzelf in een slot vormt: je hebt het slot (de gewenste vorm, bijvoorbeeld een uitsparing die precies op een viruseiwit past) en je zoekt de sleutel (de aminozuurvolgorde) die, eenmaal losgelaten in een reageerbuis, spontaan in exact die vorm opkrult. Omdat er voor een keten van pakweg tweehonderd aminozuren meer mogelijke volgordes bestaan dan er atomen in het heelal zijn, en de meeste daarvan helemaal niet netjes vouwen maar een verkleefde prop worden, is dit geen kwestie van een beetje proberen: er is gerichte, computergestuurde ontwerpkunde voor nodig.
Wat is het precies?
De basis is een simpel natuurkundig gegeven, in de jaren zestig beschreven door de biochemicus Christian Anfinsen: de aminozuurvolgorde van een eiwit bevat alle informatie die nodig is om de driedimensionale vorm te bepalen. Er is geen extern bouwplan nodig; de keten zoekt zelf de vorm met de laagste energie op, ongeveer zoals een prop verkreukeld papier vanzelf een beetje terugveert naar een stabielere staat. Het \"voorwaartse\" probleem - volgorde naar vorm - is decennialang de hoofdmoot van het onderzoek geweest, met de wedstrijd CASP (Critical Assessment of Structure Prediction) als ijkpunt sinds 1994 en het AI-programma AlphaFold2 van Google DeepMind als grote doorbraak in 2020.
Inverse vouwing werkt de andere kant op en kent grofweg twee generaties methoden. De eerste generatie, met software als Rosetta (ontwikkeld vanaf begin jaren 2000 in het lab van David Baker), gebruikt een vast \"skelet\" - het backbone, de herhalende ruggengraat van atomen zonder de variabele zijgroepen - en probeert daar met natuurkundige energieformules en veel rekenkracht de best passende aminozuren op elke positie bij te zoeken. Dat werkt, maar is traag en de trefkans in het laboratorium is laag: veel ontworpen eiwitten vouwen in de praktijk toch niet zoals voorspeld.
De tweede generatie gebruikt neurale netwerken die getraind zijn op de Protein Data Bank, een openbare databank met de bekende structuren van meer dan tweehonderdduizend eiwitten. Een voorbeeld is ProteinMPNN: geef het netwerk de gewenste vorm (het backbone), en het berekent binnen enkele seconden welke aminozuurvolgorde daar waarschijnlijk in past - vaak met een veel hoger slagingspercentage dan de oudere natuurkundige methode. Nog een stap verder gaan generatieve modellen zoals RFdiffusion, die - met dezelfde soort \"diffusietechniek\" als achter beeldgeneratoren zit - compleet nieuwe eiwitvormen kunnen verzinnen die in de natuur niet bestaan, bijvoorbeeld een vorm met precies de juiste uitsparing om aan een bepaald ziekteverwekkend eiwit te klikken.
Een compleet ontwerptraject bestaat meestal uit vier stappen: eerst wordt met een generatief model een nieuw backbone bedacht dat aan de gewenste eisen voldoet (zoals een bindingsplek); vervolgens zoekt een inverse-vouwingsnetwerk als ProteinMPNN daar een passende aminozuurvolgorde bij; daarna wordt gecontroleerd of die volgorde, als je hem terugvoert door een structuurvoorspeller zoals AlphaFold, ook echt weer de bedoelde vorm oplevert; en pas als dat klopt, wordt het DNA voor die volgorde besteld, in een gastcel (vaak een bacterie of gist) tot eiwit gemaakt en in het echt getest.
Wat wil men ermee bereiken?
Het achterliggende doel is een omslag van \"ontdekken\" naar \"ontwerpen\". Van oudsher moeten onderzoekers eiwitten met een gewenste eigenschap vinden in de natuur, of via gerichte evolutie in het lab langzaam bijschaven. Met inverse vouwing hopen ze in plaats daarvan eiwitten met precies de gewenste vorm en functie meteen vanaf de tekentafel te kunnen bouwen, zonder dat die functie al ergens in de natuur hoeft voor te komen.
Concreet richt het veld zich onder meer op nieuwe enzymen voor duurzamere chemie, zoals het afbreken van plastic of het maken van stoffen met minder afval en energie; op medicijnen in de vorm van kleine, stabiele \"minibinders\" die als alternatief voor antilichamen een virus of gifstof neutraliseren en goedkoper te produceren zijn; op vaccins waarbij zelf-assemblerende eiwit-nanodeeltjes stukjes viruseiwit in een herhaald, symmetrisch patroon presenteren om een sterkere afweerreactie op te wekken; en op biosensoren die oplichten of van vorm veranderen zodra ze een specifiek molecuul, zoals een ziektemarker, detecteren. De gemeenschappelijke belofte is snelheid: een ontwerpcyclus die vroeger jaren van gericht zoeken in het lab kostte, in potentie terugbrengen tot weken van rekenwerk gevolgd door gerichte verificatie.
Voorbeelden uit de praktijk
Top7 (2003) gold als een van de eerste bewijzen dat het kon: onderzoekers in het lab van David Baker aan de University of Washington ontwierpen met de vroege, natuurkundige versie van Rosetta een eiwit met een vouwvorm die in de natuur niet voorkomt, en lieten in het lab zien dat het daadwerkelijk zo vouwde.
Tijdens de coronapandemie ontwierp het Institute for Protein Design (IPD) van diezelfde Baker in 2020 kleine, stabiele \"minibinders\" die zich vastklemmen aan het spike-eiwit van SARS-CoV-2 en het virus zo kunnen neutraliseren - gepubliceerd in Science, als voorbeeld van hoe snel computationeel ontwerp op een nieuwe dreiging kon reageren.
Diezelfde technologie leidde tot zelf-assemblerende eiwit-nanodeeltjesvaccins; een variant, ontwikkeld met het Zuid-Koreaanse SK bioscience, kreeg in 2022 als SKYCovione een vergunning in Zuid-Korea als coronavaccin.
ProteinMPNN (2022) is inmiddels het meest gebruikte inverse-vouwingsprogramma wereldwijd: het werd door het IPD gepubliceerd in Science en is sindsdien in duizenden ontwerpprojecten in academische labs verwerkt.
Met RFdiffusion (2023, gepubliceerd in Nature) liet hetzelfde lab zien dat je niet alleen een sequentie bij een bestaande vorm kunt zoeken, maar ook compleet nieuwe eiwitvormen kunt laten genereren die vervolgens met ProteinMPNN van een sequentie worden voorzien - gebruikt om onder meer nieuwe bindingseiwitten en symmetrische eiwitstructuren te ontwerpen.
Hoe ver is de techniek?
Het veld is sinds 2022 in een stroomversnelling geraakt. Waar ontwerpen met de oudere, natuurkundige Rosetta-methode vaak in minder dan een op de honderd gevallen in het lab daadwerkelijk werkte, melden studies met ProteinMPNN en RFdiffusion voor eenvoudigere taken - zoals een stabiele, statische vorm of een simpele binding - slagingspercentages die aanzienlijk hoger liggen, al verschilt dat sterk per opgave en publicatie.
Toch is het geen opgelost probleem. Het ontwerpen van enzymen, waarbij de precieze, dynamische rangschikking van atomen in een actief centrum een chemische reactie moet katalyseren, blijft veel lastiger dan het ontwerpen van een starre, stabiele vorm: huidige modellen zijn vooral goed in statische structuren en minder in eiwitten die tijdens hun functie van vorm veranderen. Ook is experimentele validatie nog altijd onmisbaar: een flink deel van de computationeel voorspelde ontwerpen blijkt in het lab toch niet goed oplosbaar, stabiel genoeg of in voldoende hoeveelheid te maken. En voor medische toepassingen komen daar nog vragen bij over hoe het afweersysteem op een kunstmatig ontworpen, niet-natuurlijk eiwit reageert, en over opschaling en regelgeving.
Een teken dat het vakgebied volwassen is geworden, is dat de Nobelprijs voor Scheikunde in 2024 gezamenlijk naar David Baker ging, voor computationeel eiwitontwerp, en naar Demis Hassabis en John Jumper van Google DeepMind, voor AlphaFold2. Dat betekent niet dat de techniek al routine is: het is een snel bewegend onderzoeksveld dat de stap van proof-of-concept naar praktisch, betrouwbaar gereedschap in de afgelopen paar jaar pas goed heeft gezet.
Wie werken eraan?
Het Institute for Protein Design aan de University of Washington in Seattle, onder leiding van David Baker, geldt als het meest toonaangevende centrum en ontwikkelde achtereenvolgens Rosetta, ProteinMPNN en RFdiffusion. Meta AI (FAIR) bouwde met de ESM-familie van eiwit-taalmodellen een eigen inverse-vouwingsgereedschap, ESM-IF. Google DeepMind, vooral bekend van AlphaFold voor structuurvoorspelling, is via het spin-offbedrijf Isomorphic Labs ook actief in aanpalend, op ontwerp gericht geneesmiddelenonderzoek.
Ook de biotech-industrie investeert fors: het Boston-bedrijf Generate Biomedicines ontwikkelde het generatieve ontwerpmodel Chroma, en Xaira Therapeutics, in 2024 opgericht met technologie uit de Baker-groep, haalde bij de start meer dan een miljard dollar aan financiering op voor AI-gestuurde eiwitgeneesmiddelen. Daarnaast werken universiteiten wereldwijd, van ETH Zürich tot diverse Chinese en Europese onderzoeksgroepen, mee aan de verdere ontwikkeling van het vakgebied, al blijft de Amerikaanse, aan Seattle gelieerde onderzoeksgemeenschap voorlopig toonaangevend in publicaties en gereedschappen.