Mit Deep Learning entworfene Proteasen schneiden gezielt ausgewählte Proteine

Forschende am Institute for Protein Design der University of Washington berichten, dass sie synthetische Proteasen rechnergestützt entworfen haben, also Enzyme, die andere Proteine an gezielt festgelegten Stellen schneiden. Laut UW Medicine nutzten die Teams auf Deep Learning basierende Designmethoden, um zunächst eine Zielsequenz festzulegen, dann Enzyme für deren Spaltung zu konstruieren und die Aktivität anschließend in mehreren experimentellen Umgebungen zu überprüfen. Ars Technica beschreibt die Arbeit auf Grundlage der zugrunde liegenden Studien als einen Weg, die lange natürliche Diversifizierung von Proteasen gleichsam „abzukürzen“, indem nur der katalytische Kern bekannter Enzymklassen erhalten bleibt und der Rest neu gestaltet wird.

Bedeutsam ist die Arbeit deshalb, weil Peptidbindungen, die Aminosäuren zu Proteinen verknüpfen, chemisch für sich genommen sehr stabil sind. Ars Technica zufolge würde eine typische Peptidbindung in Wasser ohne enzymatische Hilfe sonst über Hunderte von Jahren bestehen bleiben. Proteasen lösen dieses Problem, indem sie eine kleine Zahl katalytischer Komponenten mit extremer Präzision so anordnen, dass die Bindung gespalten werden kann. Genau diese Präzision hat das Design von Proteasen bislang aber so schwierig gemacht: Die katalytische „Klinge“ muss mit nahezu atomarer Genauigkeit positioniert werden, und natürliche Proteasen sind laut UW Medicine oft auf eine feine Flexibilität angewiesen, um ihre Ziele sicher zu greifen.

Zwei Protease-Mechanismen, neu gestaltet

Die Forschenden arbeiteten mit zwei unterschiedlichen Arten von Protease-Chemie. Ein Projekt konzentrierte sich auf Cystein-Proteasen, bei denen ein aktiviertes Cystein im Enzym die Ziel-Peptidbindung angreift. Das andere richtete sich auf Metalloproteasen, von Ars Technica als Zink-Proteasen beschrieben, bei denen ein Metallion hilft, die für die Spaltung nötige Chemie zu positionieren und zu aktivieren. In beiden Fällen begann die Arbeit nicht bei null: Die Teams gingen von bekannten Proteasen aus, darunter einer Cystein-Protease aus Hefe und einer verdauungsaktiven Zink-Protease aus Flusskrebsen, behielten die entscheidenden katalytischen Reste bei und entwarfen die umgebende Proteinstruktur neu.

Zum Design-Workflow berichtet Ars Technica, dass die Forschenden zunächst RFdiffusion2 einsetzten, um Enzym-Rückgrate unter mehreren Randbedingungen zu erzeugen. Das entworfene Rückgrat musste die katalytischen Aminosäuren zusammenführen und zugleich eine ausgewählte Zielsequenz in der Nähe des aktiven Zentrums aufnehmen können. Anschließend nutzten sie ProteinMPNN, um entlang dieses Rückgrats Aminosäure-Identitäten zuzuweisen und dabei strukturelle Kompatibilität, die Ausbildung des katalytischen Zentrums und die Bindung des Ziels auszubalancieren. UW Medicine fasst denselben Prozess allgemeiner zusammen: Mithilfe von Deep-Learning-basierten Designmethoden wurden Strukturen entwickelt, auf ihre Fähigkeit zum Schneiden einer spezifischen Sequenz geprüft und anschließend bestätigt, dass die experimentell bestimmten Strukturen mit den rechnerischen Entwürfen übereinstimmten.

Die Teams prüften außerdem, ob diese Proteine lediglich bereits existierende natürliche Strukturen nachbildeten. Ars Technica berichtet, dass AlphaFold3-Vorhersagen für viele Entwürfe keinen Einträgen in aktuellen Datenbanken ähnelten, was darauf hindeutet, dass die Modelle nicht bloß bekannte Protease-Faltungen reproduzierten. UW Medicine geht für die Cystein-Arbeiten noch weiter und erklärt, dass die resultierenden Proteine Faltungen annehmen, die sich von allen natürlich vorkommenden Proteasen unterscheiden.

Wie die Experimente durchgeführt wurden

Die ersten Tests beruhten auf direkten Spaltungsassays. Ars Technica berichtet, dass die Forschenden ein langes Fusionsprotein erzeugten, das die entworfene Protease, die von ihr zu schneidende Zielsequenz und ein fluoreszierendes Protein enthielt. Anschließend maßen sie, ob durch die Spaltung der fluoreszierende Anteil freigesetzt wurde. UW Medicine zufolge testeten die Teams die Enzyme an gereinigten Proteinen, an Sequenzen aus Proteinen, die mit der Alzheimer-Krankheit und der amyotrophen Lateralsklerose in Verbindung gebracht werden, und in einer Studie auch in lebenden menschlichen Zellen, die im Labor kultiviert wurden.

• Cystein-Proteasen wurden um ein aktiviertes Cystein als katalytisches Zentrum herum entworfen.
• Metalloproteasen wurden um ein gebundenes Metallion herum entworfen, das als katalytisches Element dient.
• Die Entwürfe wurden auf Aktivität gegen festgelegte Zielsequenzen geprüft.
• Einige Kandidaten wurden an krankheitsbezogenen Sequenzen wie Amyloid-Beta getestet.
• Mindestens eine Studie umfasste Experimente in kultivierten menschlichen Zellen.

Das Projekt zu den Cystein-Proteasen erreichte laut beiden Quellen eine Erfolgsquote von 19 %. Ars Technica erklärt, dass 13 Entwürfe funktionierten, weist jedoch darauf hin, dass alle weniger aktiv waren als das natürliche Hefeenzym, das als Modell diente. UW Medicine wiederum sagt, dass diese Enzyme ihre Zielsequenz bis zu 30 Millionen Mal schneller schnitten als die nicht katalysierte Reaktion. Diese beiden Beschreibungen sind miteinander vereinbar: Die eine vergleicht die Entwürfe mit einer natürlichen Vorlage, die andere mit dem Fall ohne Enzym.

Die Ergebnisse zu den Metalloproteasen werden in den beiden Quellen etwas unterschiedlich dargestellt und sollten daher sorgfältig gelesen werden. UW Medicine berichtet, dass 36 % der Entwürfe Aktivität zeigten und das vorgesehene Ziel, Amyloid-Beta, 100 Millionen Mal schneller als die nicht katalysierte Reaktion präzise spalteten. Ars Technica liefert eine detailliertere Aufschlüsselung: Unter frühen Entwürfen, bei denen das katalytische Wassermolekül nicht ausdrücklich als Designvorgabe einbezogen worden war, zeigten 14 von 89 eine schwache Aktivität. Als die Forschenden das Design stattdessen so einschränkten, dass ein Wassermolekül korrekt positioniert wurde, wiesen 35 von 38 eine gewisse Aktivität auf. Ars Technica ergänzt zudem, dass einem stärkeren Entwurf die Spezifität dafür fehlte, an welcher Stelle er schnitt. Diese Zahlen scheinen sich eher auf verschiedene Teilmengen oder Phasen der Arbeit zu beziehen als auf einen direkten Widerspruch, doch die Quellen führen sie nicht vollständig zusammen.

Iteration verbesserte Aktivität und Spezifität

Ein bemerkenswerter Teil der Studien war, was geschah, nachdem die ersten Entwürfe nur mäßig gut funktioniert hatten. Ars Technica zufolge identifizierten die Teams Reste in der Nähe des aktiven Zentrums, die nicht unmittelbar für die Katalyse verantwortlich waren, und ersetzten sie durch alternative Aminosäuren, die die Struktur voraussichtlich nicht stören würden. Diese lokale Optimierung verbesserte die Leistung deutlich. Für das Cystein-System berichtet Ars Technica, dass die beste Version die Spaltung der Peptidbindung um den Faktor 10^9 beschleunigte und dabei für die vorgesehene Zielsequenz hochspezifisch blieb. Für das zinkbasierte System soll eine zweite Version 30-mal aktiver gewesen sein als der ursprüngliche Entwurf und die Spaltung um den Faktor 10^10 beschleunigt haben.

UW Medicine nennt für die in Nature erschienenen Arbeiten niedrigere Spitzenwerte der Beschleunigung: bis zu 30 Millionen Mal schneller als die nicht katalysierte Reaktion für die Cystein-Proteasen und 100 Millionen Mal schneller für die Metalloproteasen. Weil diese Zahlen von einigen der später optimierten Resultate abweichen, auf die sich Ars Technica bezieht, ist es vernünftig, sie als Beschreibung unterschiedlicher berichteter Endpunkte aufzufassen, wahrscheinlich aus verschiedenen Entwürfen oder auf unterschiedlichen Zusammenfassungsebenen, statt für jede Plattform von nur einer einzigen Schlagzeilenzahl auszugehen.

Krankheitsziele und therapeutisches Versprechen

Als Relevanznachweis jenseits von Modellsubstraten richteten die Teams einige Entwürfe auf Proteine aus, die mit neurologischen Erkrankungen in Verbindung stehen. UW Medicine zufolge testeten sie Sequenzen aus Proteinen, die mit der Alzheimer-Krankheit und der amyotrophen Lateralsklerose assoziiert sind. Ars Technica sagt konkret, dass sich die Arbeiten zu den Metalloproteasen auf Proteine bezogen, die mit der Alzheimer-Krankheit und der frontotemporalen Demenz verknüpft sind, und dass die Forschenden schließlich einen Entwurf erhielten, der das vorgesehene Ziel in Zellen schneiden konnte. Zugleich verweist der Bericht auf eine wichtige Lehre: Die einfache Umadressierung eines bereits bestehenden Entwurfs funktionierte nicht gut, sodass das Team den Designprozess für die neue Sequenz von Grund auf neu begann.

Die therapeutische Logik ist dabei geradlinig. Anders als ein herkömmliches Medikament oder ein Antikörper, der jeweils nur ein Zielmolekül auf einmal bindet, kann ein Enzym katalytisch wirken und danach zum nächsten Ziel übergehen. UW Medicine erklärt, dass eine einzelne entworfene Protease im Verlauf ihrer Lebensdauer Tausende bis Millionen spezifizierter Ziele schneiden könnte, was potenziell eine niedrigere Dosis erlauben würde als bei einem auf Bindung beruhenden Arzneimittel. Dieselbe Quelle argumentiert außerdem, dass Proteasen Proteine adressieren könnten, die oft als „undruggable“ beschrieben werden, weil die Spaltung keine klassische Bindungstasche voraussetzt. Als mögliche Anwendungen werden genannt: die Zerstörung eines viralen Proteins, die Beseitigung eines bakteriellen Toxins, das Entfernen eines fehlgefalteten Proteins bei neurodegenerativen Erkrankungen oder die Aktivierung eines Medikaments nur in einem ausgewählten Gewebe, indem eine schützende Kappe abgeschnitten wird.

Was noch ungeklärt ist

Die Studien sind ermutigend, doch sowohl die berichteten Einschränkungen als auch der Umfang der Experimente sprechen für einen langen Weg bis zu einer möglichen medizinischen Nutzung. Ars Technica betont, dass die ersten erfolgreichen Entwürfe im Allgemeinen weniger aktiv waren als die natürlichen Enzyme, die ihnen als Vorbild dienten, auch wenn die nachfolgende Optimierung dies verbesserte. Zudem verweist der Bericht auf praktische Hürden bei der Verabreichung: Proteine lassen sich womöglich nur schwer in das relevante Gewebe bringen, können Immunreaktionen auslösen und werden noch schwieriger einsetzbar, wenn sich das vorgesehene Ziel innerhalb von Zellen statt außerhalb von ihnen befindet.

Diese intrazelluläre Herausforderung könnte erfordern, dass Zellen die Protease nach Lieferung eines entsprechenden Gens selbst produzieren, was eine zusätzliche Komplexitätsebene hinzufügt. Keine der Quellen behauptet, dass eine Therapie kurz bevorsteht. Stattdessen stützen sie eine zurückhaltendere Schlussfolgerung: Die Arbeit zeigt, dass tiefenlern-gestütztes Proteindesign inzwischen synthetische Proteasen mit gewählter Spezifität, messbarer katalytischer Aktivität und zumindest einer gewissen Funktion in Zellen hervorbringen kann. Ob sich diese Fähigkeiten in sichere, wirksame und praktisch verabreichbare Medikamente übersetzen lassen, muss erst noch gezeigt werden.

Für Unternehmen im englischsprachigen Raum bedeutet die kurzfristige Veränderung nicht eine neue zugelassene Behandlung, sondern eine neue Designfähigkeit, die man beobachten sollte. Biotech- und Pharmateams könnten diese Ergebnisse als frühes Signal dafür verstehen, dass maßgeschneiderte katalytische Proteine die Zielauswahl über reine Binder hinaus erweitern könnten, besonders bei Krankheitsproteinen ohne klassische Wirkstofftaschen. Praktisch könnte das die F&E-Strategie, die Suche nach Partnern und die Bewertung von Plattformen rund um Protein-Engineering beeinflussen, während große Umsetzungsfragen – Herstellung, Verabreichung, Spezifität in komplexen Geweben und regulatorischer Nachweis – weiterhin offenbleiben.