KI entwirft Proteasen, die gezielt Zielproteine schneiden, was die Krankheitsforschung potenziell unterstützt

Image: Ars Technica · Source

Forscher der Universität Washington nutzen KI-Tools, um neuartige Proteasen zu entwickeln, die stabile Peptidbindungen in spezifischen Proteinen, darunter solche im Zusammenhang mit neurologischen Krankheiten, spalten können. Dies markiert Fortschritte in Richtung gezielter Proteinbearbeitung.

Proteine und Proteasen

Proteine sind Ketten von Aminosäuren, die durch Peptidbindungen verbunden sind, welche unter normalen Bedingungen außergewöhnlich stabil sind und eine geschätzte Halbwertszeit von mehreren hundert Jahren besitzen. Trotz dieser inhärenten Stabilität verfügen Organismen über spezialisierte Enzyme, sogenannte Proteasen, die effizient die Spaltung dieser Bindungen katalysieren und so den Proteinabbau und die Erneuerung ermöglichen, die für das Leben unverzichtbar sind. Bisher war es aufgrund der komplexen Anordnung der Aminosäuren in ihren aktiven Zentren schwierig, Proteasen mit genauer Spezifität und katalytischer Effizienz zu entwickeln.

Proteasendesign mittels künstlicher Intelligenz

Ein Forschungsteam unter Leitung des Nobelpreisträgers David Baker an der Universität Washington hat bedeutende Fortschritte gemacht, indem es KI-gestützte Werkzeuge zum Protein-Design einsetzte, um neuartige Proteasen zu kreieren. Ihr Ansatz basiert auf dem katalytischen Kern von zwei natürlich vorkommenden Proteasentypen – Zink- und Cysteinproteasen – und verwendet KI, um das Protein-Skelett um diese aktiven Stellen neu zu gestalten. Dadurch können Enzyme mit maßgeschneiderter Spezifität geschaffen werden, die ausgewählte Proteinsequenzen spalten.

Die Design-Pipeline nutzt die Software RFdiffusion2, um Enzym-Rückgrate zu generieren, die die notwendigen katalytischen Aminosäuren präzise positionieren. Anschließend ordnet ProteinMPNN Aminosäuren entlang dieses Rückgrats zu, um Kompatibilität mit der gewünschten Faltung, der Bildung des katalytischen Zentrums und der Substratbindung sicherzustellen. Die Forscher entwickelten und bewerteten dutzende Designs und setzten AlphaFold3 ein, um zu validieren, dass ihre neuen Strukturen keinen bekannten Proteinen in bestehenden Datenbanken ähneln.

Experimentelle Validierung und Aktivitätssteigerung

Die experimentelle Validierung zeigte, dass viele der KI-entworfenen Proteasen katalytische Aktivität besaßen, wenn auch zunächst meist niedriger als natürliche Gegenstücke. Allerdings erzeugten systematische Aminosäure-Austausche nahe den aktiven Zentren Varianten mit dramatisch gesteigerter Aktivität, die das Spalten von Peptidbindungen um Faktoren von bis zu 10^9 bei Cysteinproteasen und 10^10 bei Zinkproteasen beschleunigten, während die Ziel-Spezifität erhalten blieb.

Anwendung bei neurodegenerativen Erkrankungen

Wichtig ist, dass die Forscher ihr Design-Rahmenwerk auf Proteasen anwandten, die Proteine angreifen, die mit neurodegenerativen Krankheiten wie Alzheimer und frontotemporaler Demenz in Verbindung stehen. Die neu entworfenen Enzyme spalteten diese krankheitsassoziierten Proteine in Zellmodellen wirksam, was potenzielle Wege für therapeutische Interventionen gegen pathogene Proteine aufzeigt.

Herausforderungen für klinische Anwendungen

Trotz dieser vielversprechenden Ergebnisse bleiben Herausforderungen für klinische Anwendungen bestehen, etwa die gezielte Verabreichung der Proteasen an spezifische Gewebe oder Zellen und die Vermeidung von Immunreaktionen. Zudem erschweren intrazelluläre Ziele die Entwicklung von Therapien, was wahrscheinlich gentherapeutische Methoden erfordert, um die Protease-Expression innerhalb betroffener Zellen zu induzieren.

Einschränkungen und zukünftige Perspektiven

Die Arbeit zeigt zudem, dass aktuelle KI-gestützte Protein-Design-Tools bei der Modellierung struktureller Zwänge exzellent sind, jedoch Einschränkungen bei der Spezifikation der katalytischen Aktivität auf dem Niveau entwickelter natürlicher Enzyme haben. Die Weiterentwicklung der Tools zur direkten Optimierung der Aktivität neben der Struktur könnte das zukünftige Enzymdesign vorantreiben. Dennoch stellt diese Forschung einen bedeutenden Fortschritt in der rationalen, KI-getriebenen Enzymtechnik mit weitreichenden Implikationen für Biotechnologie und Medizin dar.