Met deep learning ontworpen proteasen knippen gekozen doeleiwitten

Onderzoekers van het Institute for Protein Design van de University of Washington melden dat zij synthetische proteasen computationeel hebben ontworpen: enzymen die andere eiwitten op gekozen plaatsen doorknippen. Volgens UW Medicine gebruikten de teams ontwerpmethoden op basis van deep learning om eerst een doelsequentie vast te leggen, vervolgens enzymen te bouwen die die sequentie konden klieven, en daarna de activiteit in verschillende experimentele opzetten te verifiëren. Ars Technica, dat zich baseert op de onderliggende studies, beschrijft het werk als een manier om de lange natuurlijke diversificatie van proteasen als het ware te ‘kortsluiten’ door alleen de katalytische kern van bekende enzymklassen te behouden en de rest opnieuw te ontwerpen.

Het belang van dit werk ligt in het feit dat peptidebindingen, die aminozuren met elkaar verbinden tot eiwitten, chemisch gezien op zichzelf zeer stabiel zijn. Ars Technica schrijft dat een typische peptidebinding in water zonder enzymatische hulp anders honderden jaren zou kunnen blijven bestaan. Proteasen lossen dat probleem op door een kleine set katalytische componenten met extreme precisie zo te rangschikken dat de binding kan worden verbroken. Juist die precisie heeft het ontwerpen van proteasen ook moeilijk gemaakt: het katalytische ‘mes’ moet met bijna atomaire nauwkeurigheid worden geplaatst, en natuurlijke proteasen vertrouwen vaak op subtiele flexibiliteit om hun doelwitten goed vast te grijpen, aldus UW Medicine.

Twee proteasemechanismen opnieuw ontworpen

De onderzoekers werkten met twee duidelijk verschillende typen proteasechemie. Eén project richtte zich op cysteïneproteasen, waarbij een geactiveerde cysteïne in het enzym de doelpeptidebinding aanvalt. Het andere project draaide om metalloproteasen, door Ars Technica omschreven als zinkproteasen, waarbij een metaalion helpt om de chemie die voor klieving nodig is te positioneren en te activeren. In beide gevallen begon het werk niet vanuit een volledig leeg blad: de teams vertrokken van bekende proteasen, waaronder een cysteïneprotease uit gist en een verteringszinkprotease uit rivierkreeft, en behielden de belangrijkste katalytische residuen terwijl zij de omringende eiwitstructuur opnieuw ontwierpen.

Voor de ontwerpworkflow gebruikten de onderzoekers volgens Ars Technica eerst RFdiffusion2 om enzymruggengraten te genereren onder meerdere randvoorwaarden. De ontworpen ruggengraat moest de katalytische aminozuren samenbrengen, maar ook een gekozen doelsequentie in de buurt van de actieve plaats kunnen opnemen. Daarna gebruikten zij ProteinMPNN om langs die ruggengraat aminozuuridentiteiten toe te wijzen, waarbij structurele compatibiliteit, vorming van de katalytische plaats en binding van het doelwit met elkaar in evenwicht werden gebracht. UW Medicine vat datzelfde proces breder samen als het gebruik van op deep learning gebaseerde ontwerpmethoden om structuren te ontwikkelen, die te screenen op het knippen van een specifieke sequentie, en vervolgens te bevestigen dat de experimentele structuren overeenkwamen met de computationele blauwdrukken.

De teams controleerden ook of deze eiwitten niet simpelweg bestaande natuurlijke structuren nabootsten. Ars Technica meldt dat AlphaFold3-voorspellingen voor veel ontwerpen niet leken op vermeldingen in huidige databases, wat erop wijst dat de modellen niet eenvoudigweg bekende proteasevouwen reproduceerden. UW Medicine gaat voor het cysteïnewerk nog verder en stelt dat de resulterende eiwitten vouwen aannemen die verschillen van die van elke natuurlijk voorkomende protease.

Hoe de experimenten zijn uitgevoerd

De eerste tests waren opgebouwd rond directe klievingsassays. Ars Technica meldt dat de onderzoekers een lang fusie-eiwit maakten dat het ontworpen protease bevatte, de doelsequentie die het moest knippen en een fluorescerend eiwit. Vervolgens maten zij of door de klieving het fluorescerende deel vrijkwam. UW Medicine zegt dat de teams de enzymen testten op gezuiverde eiwitten, op sequenties die afkomstig waren uit eiwitten die betrokken zijn bij de ziekte van Alzheimer en amyotrofische laterale sclerose, en in één studie ook in levende menselijke cellen die in het laboratorium waren gekweekt.

• Cysteïneproteasen werden ontworpen rond een geactiveerd cysteïnekatalytisch centrum.
• Metalloproteasen werden ontworpen rond een gebonden metaalion dat als katalytisch element werd gebruikt.
• Ontwerpen werden gescreend op activiteit tegen gespecificeerde doelsequenties.
• Sommige kandidaten werden getest op ziektegerelateerde sequenties zoals amyloïd-bèta.
• Ten minste één studie omvatte experimenten in gekweekte menselijke cellen.

Het project met cysteïneproteasen leverde volgens beide bronnen een succespercentage van 19% op. Ars Technica stelt dat 13 ontwerpen werkten, maar merkt erbij op dat ze allemaal minder actief waren dan het natuurlijke gistenzym dat als model diende. UW Medicine zegt dat deze enzymen hun doelsequentie tot 30 miljoen keer sneller knipten dan de niet-gekatalyseerde reactie. Die twee beschrijvingen zijn met elkaar verenigbaar: de ene vergelijkt de ontwerpen met een natuurlijke sjabloon, terwijl de andere ze vergelijkt met de situatie zonder enzym.

De resultaten voor de metalloproteasen worden in de twee bronnen enigszins anders gepresenteerd en moeten daarom zorgvuldig worden gelezen. UW Medicine zegt dat 36% van de ontwerpen activiteit vertoonde en het beoogde doelwit, amyloïd-bèta, precies 100 miljoen keer sneller knipte dan de niet-gekatalyseerde reactie. Ars Technica geeft een gedetailleerdere uitsplitsing: onder vroege ontwerpen waarin het katalytische watermolecuul niet expliciet als ontwerpvoorwaarde was opgenomen, vertoonden 14 van de 89 zwakke activiteit. Toen de onderzoekers het ontwerp in plaats daarvan beperkten zodat een watermolecuul correct werd gepositioneerd, vertoonden 35 van de 38 enige activiteit. Ars Technica meldt ook dat één sterker ontwerp niet specifiek was in de plaats waar het knipte. Deze cijfers lijken betrekking te hebben op verschillende deelverzamelingen of fasen van het werk en niet op een rechtstreekse tegenspraak, maar de bronnen brengen dat niet volledig met elkaar in overeenstemming.

Iteratie verbeterde activiteit en specificiteit

Een opvallend onderdeel van de studies was wat er gebeurde nadat de eerste ontwerpen slechts bescheiden goed werkten. Ars Technica zegt dat de teams residuen in de buurt van de actieve plaats identificeerden die niet direct verantwoordelijk waren voor de katalyse, en dat zij daarvoor alternatieve aminozuren in de plaats zetten die de structuur waarschijnlijk niet zouden verstoren. Die lokale optimalisatie verbeterde de prestaties aanzienlijk. Voor het cysteïnesysteem meldt Ars Technica dat de beste versie de klieving van peptidebindingen met een factor 10^9 versnelde en tegelijk zeer specifiek bleef voor de beoogde doelsequentie. Voor het op zink gebaseerde systeem zou een tweede versie 30 keer actiever zijn geweest dan het oorspronkelijke ontwerp en de klieving met een factor 10^10 hebben versneld.

UW Medicine presenteert lagere totaalcijfers voor de genoemde Nature-publicaties: tot 30 miljoen keer sneller dan de niet-gekatalyseerde reactie voor de cysteïneproteasen, en 100 miljoen keer sneller voor de metalloproteasen. Omdat deze cijfers verschillen van sommige later geoptimaliseerde resultaten waarnaar Ars Technica verwijst, is het verstandig ze te beschouwen als beschrijvingen van verschillende gerapporteerde eindpunten, waarschijnlijk afkomstig van verschillende ontwerpen of van verschillende samenvattingsniveaus, in plaats van uit te gaan van één enkel kerncijfer per platform.

Ziekte-doelwitten en therapeutische belofte

Als bewijs van relevantie buiten modelsubstraten richtten de teams sommige ontwerpen op eiwitten die met neurologische ziekte in verband worden gebracht. UW Medicine zegt dat zij sequenties testten die afkomstig waren uit eiwitten die betrokken zijn bij de ziekte van Alzheimer en amyotrofische laterale sclerose. Ars Technica zegt specifieker dat het metalloproteasewerk was gericht op eiwitten die geassocieerd zijn met de ziekte van Alzheimer en frontotemporale dementie, en dat de onderzoekers uiteindelijk een ontwerp verkregen dat het beoogde doelwit in cellen kon knippen. Daarbij wordt ook een belangrijke les genoemd: het simpelweg opnieuw richten van een bestaand ontwerp werkte niet goed, zodat het team het ontwerpproces voor de nieuwe sequentie vanaf nul herstartte.

De therapeutische redenering is eenvoudig. Anders dan een conventioneel geneesmiddel of antilichaam, dat telkens aan één doelmolecuul tegelijk bindt, kan een enzym katalytisch werken en daarna verdergaan. UW Medicine zegt dat één ontworpen protease tijdens zijn levensduur duizenden tot miljoenen gespecificeerde doelwitten zou kunnen knippen, wat potentieel een lagere dosis mogelijk maakt dan bij een op binding gebaseerd geneesmiddel. Diezelfde bron stelt ook dat proteasen eiwitten zouden kunnen aanpakken die vaak als ‘undruggable’ worden omschreven, omdat voor klieving geen klassieke bindingsholte nodig is. Genoemde mogelijke toepassingen zijn het vernietigen van een viraal eiwit, het uitschakelen van een bacterieel toxine, het opruimen van een misgevouwen eiwit bij neurodegeneratieve ziekte, of het alleen in een gekozen weefsel activeren van een geneesmiddel door een beschermende kap weg te knippen.

Wat nog onopgelost blijft

De studies zijn bemoedigend, maar zowel de gemelde beperkingen als de experimentele reikwijdte wijzen op een lange weg voordat er sprake kan zijn van medisch gebruik. Ars Technica benadrukt dat de eerste succesvolle ontwerpen in het algemeen minder actief waren dan de natuurlijke enzymen die als inspiratie dienden, ook al bracht latere optimalisatie daar verbetering in. De publicatie wijst ook op praktische hindernissen rond toediening: eiwitten zijn mogelijk moeilijk in het relevante weefsel te krijgen, kunnen immuunreacties oproepen en worden nog lastiger inzetbaar wanneer het beoogde doelwit zich in cellen bevindt in plaats van daarbuiten.

Die intracellulaire uitdaging kan vereisen dat cellen het protease zelf produceren vanuit een afgeleverd gen, wat nog een extra laag complexiteit toevoegt. Geen van de bronteksten beweert dat een therapie nabij is. In plaats daarvan ondersteunen zij een voorzichtiger conclusie: het werk laat zien dat eiwitontwerp onder leiding van deep learning nu synthetische proteasen kan opleveren met gekozen specificiteit, meetbare katalytische activiteit en ten minste enige functie in cellen. Of die capaciteiten kunnen worden vertaald naar veilige, effectieve en goed toedienbare geneesmiddelen, moet nog worden aangetoond.

Voor Nederlandstalige bedrijven is de verandering op korte termijn geen nieuwe goedgekeurde behandeling, maar een nieuwe ontwerpcapaciteit om te volgen. Biotech- en farmateams kunnen deze resultaten zien als een vroeg signaal dat op maat gemaakte katalytische eiwitten de keuze aan doelwitten kunnen verbreden voorbij binders, vooral voor ziekte-eiwitten zonder klassieke medicijnholtes. In de praktijk kan dat invloed hebben op R&D-strategie, het zoeken naar partners en de evaluatie van platforms rond eiwitengineering, terwijl grote uitvoeringsvragen — productie, toediening, specificiteit in complexe weefsels en bewijs voor regelgevende instanties — nog onopgelost blijven.