Doorbraak in eiwitsimulatie: Berlijnse onderzoekers zorgen voor een revolutie in de methode!

Doorbraak in eiwitsimulatie: Berlijnse onderzoekers zorgen voor een revolutie in de methode!

Op 18 juli 2025 heeft een internationaal onderzoeksteam onder leiding van prof. dr. Cecilia Clementi van de Vrije Universiteit van Berlijn een baanbrekend artikel in het tijdschriftNatuurchemie, wat voor opschudding zorgt in de wetenschappelijke wereld. Het artikel presenteert een nieuw model dat nauwkeurige en efficiënte simulatie van eiwitten mogelijk maakt - aanzienlijk sneller dan conventionele moleculaire dynamica-simulaties.

De uitdaging om de vouwing en dynamiek van eiwitten realistisch weer te geven bestaat al meer dan 50 jaar. De onderzoekers gebruikten deep learning om een ​​systeem te ontwikkelen dat eiwitsimulaties van alle atomen benadert. Het nieuw ontwikkelde model, CGSchNet, maakt gebruik van een grafisch neuraal netwerk om effectieve interacties tussen deeltjes te leren. Deze innovatieve benaderingen openen veelbelovende toepassingen in de ontwikkeling van medicijnen en antilichaamtherapieën voor kanker en andere ziekten.

Vooruitgang in eiwitsimulatie

Het model richt zich op het dynamische vouwproces van eiwitten, inclusief de tussenliggende toestanden die een rol spelen bij misvouwingen zoals amyloïden. Het simuleert overgangen tussen gevouwen toestanden die cruciaal zijn voor de functie van eiwitten. Een belangrijke vooruitgang van dit model is het vermogen om de langlevende toestand van gevouwen, ongevouwen en ongeordende eiwitten nauwkeurig te voorspellen.

Een van de meest opvallende kenmerken van het CGSchNet-model is het vermogen om de relatieve stabiliteit van gevouwen eiwitmutanten te voorspellen, wat eerdere methoden niet hebben kunnen bereiken. Prof. Dr. Cecilia Clementi, voorheen hoogleraar scheikunde en natuurkunde aan de Rice University in Houston, Texas, versterkt het onderzoek in theoretische en computationele biofysica aan de Vrije Universiteit van Berlijn. Hun werk wordt ondersteund door de Einstein Professorships, die de Berlijnse universiteiten en de Charité ondersteunen bij benoemings- of residentieonderhandelingen.

Gegevens en modellen in detail

Bij het onderzoek is gebruik gemaakt van uitgebreide datasets. De benchmarkdataset bevat 1.262 doelwitten en bestrijkt een breed scala aan eiwitstructuren, waaronder 717 eiwitten met één domein, 257 nieuw gepubliceerde doelwitten en 288 doelwitten uit CASP 8–14. Deze datasets werden voorbereid om redundanties te verwijderen en de sequentie-identiteit aan te passen tot een grenswaarde van <30%.

De Human Protome-dataset omvat 20.595 eiwitten en maakt gedifferentieerde analyse mogelijk van eiwitten met één domein en meerdere domeinen. Hiervan werden 19.512 eiwitten voorspeld, wat potentieel van groot belang is voor structuurvoorspelling. Bovendien werd de D-I-TASSER-pijplijn, die gebruik maakt van een hybride benadering voor het voorspellen van de proteonstructuur, in het onderzoek geïntegreerd.

Deze pijplijn voert alle stappen uit, van diepgaande MSA-generatie tot identificatie van threading-sjablonen tot structurele verfijning en modelevaluatie. Het gebruik van state-of-the-art algoritmen en technologieën zoals DeepPotential en AttentionPotential illustreren het innovatieve karakter van het werk.

De resultaten van het onderzoek zijn overdraagbaar naar een verscheidenheid aan eiwitten buiten de specifieke trainingsdataset, wat de relevantie van het model voor biochemisch onderzoek onderstreept. Toepassing van de in het onderzoek ontwikkelde methoden zou verstrekkende gevolgen kunnen hebben voor de toekomst van eiwitonderzoek en de ontwikkeling van geneesmiddelen. Meer informatie vindt u in de gedetailleerde publicatie Natuur vinden.