08.03.2024
Flexibilität von Proteinen mit AlphaFold2 und Crosslinking-Massenspektrometrie entschlüsseln
Durch Deep-Learning-Methoden wie AlphaFold2 haben sich die Methoden zur Vorhersage von Proteinstrukturen stark verbessert. Trotzdem bestehen Schwierigkeiten bei der Vorhersage der Struktur flexibler Proteine. Das Team von Prof. Maya Topf (Integrative Virologie) hat in Zusammenarbeit mit Kay Grünewald (Strukturelle Zellbiologie von Viren) und Kostas Thalassinos (University College London) dafür eine neue Methode entwickelt.
XLMS-Tools kombiniert AlphaFold2 mit experimentellen Crosslinking-Massenspektrometriedaten und kann so relevante Konformere aus einem Ensemble von Proteinstrukturen identifizieren. Wie in der Zeitschrift Molecular & Cellular Proteomics veröffentlicht, nutzen XLMS-Tools AlphaFold2, um potenzielle Strukturen in verschiedenen Konformationen zu erzeugen, und XL-MS-Daten, um die relevante Strukturen unter verschiedenen Bedingungen zu identifizieren.
"Viele Proteine können in verschiedenen Strukturen vorliegen, je nachdem, was an das Protein angehängt ist oder was von außen auf das Protein einwirkt", so Kish Adoni, einer der Mitarbeiter aus der Abteilung von Prof. Thalassinos.
"XL-MS ist ein vielseitige und sensitive Anwendung, um herauszufinden, wie sich diese Strukturen unter verschiedenen Umständen verhalten. Insbesondere liefert XL-MS Distanzangaben und Informationen zur Oberflächenzugänglichkeit, die in ihrer Kombination die Proteinstrukturen wirksam einschränken. Jede individuelle Information aus XL-MS allein kann die Struktur eines bestimmten Proteins nicht eindeutig identifizieren.", erklärt Karen Manalastas-Cantos, die die Methode maßgeblich entwickelt hat. "Es ist wie bei der Lösung eines Rätsels, bei dem wir jeden Datenpunkt nutzen können, um Prognosen immer weiter auf die wahrscheinlichsten Kandidaten einzugrenzen - oder in unserem Fall die wahrscheinlichsten Proteinstrukturen."
Es hat sich gezeigt, dass der Workflow die richtige Proteinstruktur anhand von simulierten und experimentellen Daten effektiv identifizieren kann. Im Falle des glutaminbindenden periplasmatischen Proteins (QBP) halfen die Monolinks beispielsweise bei der Bestimmung der offenen Konformation. Maya Topf sagt hierzu: "Dies ist besonders wichtig, da die Monolink-Information bei der Strukturmodellierung bisher zugunsten von Querverbindungen vernachlässigt wurde".
Quelle: Leibniz-Zentrum für Virologie (LIV)