Het is al weer zo’n dertien jaar geleden dat ik een week heb meegelopen met wetenschappers in EMBO in Heidelberg. Van microbiologie, een vak dat daar bedreven wordt, had ik niet veel kaas gegeten (net zoals van veel andere dingen) en ik was dan ook reuze verbaasd dat de structuur van eiwitten niet is te berekenen aan de hand van de, maximaal twintig, verschillende aminozuren waaruit een eiwit is opgebouwd. Te moeilijk voor computers, was het verhaal. Dat lijkt nu veranderd te zijn met de ontwikkeling van een door onderzoekers ontwikkeld zelflerend algoritme dat is geïnspireerd op zo’n systeem van een Londens bedrijf.
De structuur van eiwitten is belangrijk voor de functie van zo’n verbinding in de scheikunde van het leven. Tot nu toe, heb ik begrepen, wordt de structuur van eiwitten heel moeizaam vastgesteld door eiwitten te laten uitkristalliseren waarna van die kristalstructuur met behulp van een elektronenmicroscoop en röntgenkristallografie opnames worden gemaakt. Dat is een moeizaam karwei en de vraag is of die kristalstructuur ook de structuur is die het eiwit in een organisme aanneemt als het aan het werk is.
Dat is moeizaam werk maar lang niet alle eiwitten kristalliseren uit. Op die tijdrovende manier is nu de (vaste) structuur van zo’n honderdduizend eiwitten bekend, maar er zouden miljarden eiwitten bekend zijn, waarvan dus van het overgrote deel geen structuur bekend is en dan is het dus heel moeilijk te vertellen hoe zo’n eiwit functioneert.
Het vorig jaar bood het Londense bedrijf DeepMind de wereld de broncode van het zelflerende neurale netwerk AlphaFold 2 als cadeau aan. Dat schijnt zijn sporen verdiend te hebben bij het berekenen van eiwitstructuren. Ondertussen heeft een onderzoeksgroep die zich heeft laten inspireren door AlphaFold 2 een eigen eiwitstructuurvoorspeller ontwikkeld. Dat is RoseTTaFold genoemd en zou bijna zo goed presteren als AlphaFold 2.

Het punt lijkt te zijn dat DeepMind niet echt scheutig is met informatie over AlphaFold 2. Vorig jaar december gaf het bedrijf enige uitleg en beloofde met een publicatie te zullen komen waarin meer zou worden verteld. Dat heeft volgens David Baker van de universiteit van Washington, een van de ontwikkelaars van RoseTTaFold, veel in dit vakgebied teweegebracht. “Iemand heeft het probleem opgelost waaraan je werkt, maar vertelt niet hoe.” Minkyung Baek, lid van Bakers onderzoeksgroep, had het idee dat hij zijn baan kwijt was, maar uiteindelijk besloten ze iets soortgelijks te maken.
RoseTTaFold doet het niet alleen bijna het zo goed als AlphaFold 2 maar ook veel beter dan concurrente systemen die bij voorspelwedstrijden (CASP) zijn gebruikt, ook die van Bakers lab zelf.
Het is niet duidelijk waardoor RoseTTaFold niet net zo goed werkt als het systeem van DeepMind. Baek: “Wij hebben geen deskundigen op het gebied van zelflerende systemen.”

Vrij beschikbaar

DeepMind heeft zijn systeem ook gestroomlijnd zodat het voorspellen van structuren, dat dagen kon duren, nu zestien keer sneller gaat. AlphaFold 2 voorspelt structuren na een paar minuten of hooguit uren, afhankelijk van de grootte van het eiwit. Dat is vergelijkbaar met RoseTTaFold.
Dat de broncode van AlphaFold 2 beschikbaar is, is niet erg nuttig voor onderzoekers die niet de juiste technische kennis in huis hebben. DeepMind zegt de wetenschap ten dienste te willen zijn, maar vooralsnog laat het bedrijf nog steeds niet het achterste van zijn tong zien.
Baker en de zijnen hebben de code van hun algoritme vrij beschikbaar gemaakt. Ze hebben een server opgezet die collega-onderzoekers kunnen gebruiken voor ‘hun’ eiwitten. Sinds vorige toen die dienst actief werd zouden al zo’n vijfduizend structuren zijn opgehelderd, stelt Baker.

Bron: Nature