SEATTLE / LONDON (IT BOLTWISE) – Forschende zeigen, dass de novo entworfene Cystein-Proteasen auch die Peptidrückgrat-Aufspaltung sequenzabhängig steuern können. In Tests auf 69 Designs liegt die Trefferquote bei 13, also 19%. Die berechneten und anschließend experimentell validierten Proteasen erreichen bis zu 3×10^7-fache Wirkungsverstärkung gegenüber der Hintergrundreaktion. Entscheidend sind dabei eine präzise vorbereitete Aktive-Zentrum-Geometrie und die passende Substratpositionierung.
Die Stabilität von Amiden im menschlichen Alltag ist im Grunde ein chemischer Alarmschrei der Natur: Selbst in neutralem Wasser laufen Hydrolysen am Peptidrückgrat nur extrem langsam, weil die energetische Hürde zur Bindungsöffnung sehr hoch ist. Genau diese Hürde macht viele proteinbasierte Funktionen so zuverlässig – und stellt zugleich eine harte Grenze für den de novo Entwurf von Enzymen dar. Der neue Ansatz setzt nicht auf eine „Zielstruktur“ im Sinne eines reinen Faltmusters, sondern auf eine katalytische Aktivierung dort, wo sie wirklich zählt: mit einem aktivierten Cystein-Nukleophil, das die Spaltung der Peptidbindung sequenzabhängig möglich macht. Damit adressiert die Arbeit ein Kernproblem der bisherigen De-novo-Protein-Designs: häufig gelingt zwar das Erzeugen von stabilen Faltungen, jedoch nur selten die echte katalytische Wirksamkeit über ausreichend viele Kandidaten hinweg.
Im Zentrum der Ergebnisse stehen zwei Kennzahlen, die im Enzymdesign typischerweise die Lücke zwischen „sieht richtig aus“ und „funktioniert“ sichtbar machen. Für 69 entworfene Protease-Varianten berichten die Autorinnen und Autoren eine Trefferquote von 13, entsprechend 19%. Noch aussagekräftiger ist der Vergleich zur Hintergrundreaktion: über den Quotienten kcat/kuncat werden Wirkungsverstärkungen von bis zu 3×10^7 angegeben. Solche Größenordnungen sind relevant, weil sie zeigen, dass das Design nicht nur eine neutrale Bindungslandschaft trifft, sondern einen katalytischen Pfad tatsächlich begünstigt. Zusätzlich liefern die strukturellen Qualitätsmaße Unterstützung für die Methodik: Die entfalteten Proteasen besitzen Faltungen, die deutlich von natürlichen Proteasen abweichen (TM-score < 0,50), und sechs Kristallstrukturen liegen sehr nah an den Designmodellen, mit einem Cα-RMSD von unter 1,2 Å. Für die Praxis im Designprozess ist das wichtig, denn nur wenn Modell und Experiment eng beieinander liegen, lässt sich iterativ weiter optimieren.
Technisch betrachtet folgt die Arbeit einer mehrstufigen Design-Schleife, in der Sequenz- und Strukturmodelle wiederholt gegeneinander abgeglichen werden. In den Extended-Data-Angaben wird eine iterative Pipeline beschrieben, die unter anderem einen Modellschritt mit einem RFD2-MI-Ansatz, darauf aufbauend ein ProteinMPNN-Modul und anschließend einen Strukturvorhersage-Schritt mit AF3 zusammenführt. Die Logik dahinter ist typisch für moderne Protein-Engineering-Workflows: erst werden Sequenzen vorgeschlagen, die zu der gewünschten Faltarchitektur passen; dann prüft ein Vorhersage- und Verifikationsschritt, ob das katalytische Geometrie-Layout realistisch bleibt, bevor wieder neue Varianten in die nächste Runde gehen. Besonders spannend ist dabei, dass offenbar explizite Constraint-Strategien zum Erhalt der katalytischen Geometrie in der Optimierung eingesetzt werden, etwa über Constraint-Dateien, die in Rosetta FastRelax genutzt werden, um die katalytische Orientierung während der Sequenzoptimierung zu bewahren. Dass der Code zur Reproduktion öffentlich verfügbar ist, schafft Transparenz für Entwicklerteams, die die Pipeline in eigenen Experimenten validieren wollen; als Einstieg dienen beispielsweise https: //github.com/hojaec/RFD2_MI_cysteine_protease_pipeline und https: //github.com/hojaec/Cysteine-protease-data-analysis.
Von der reinen Reaktionschemie geht die Arbeit dann konsequent in die Frage über, warum die Aktivität trotz hoher Trefferquote noch nicht an die stärksten natürlichen Cystein-Proteasen heranreicht. Die Autorinnen und Autoren identifizieren als verbleibende Lücke insbesondere Imperfektionen in der Vororganisation des Aktiven Zentrums und in der Substratpositionierung. Genau diese beiden Faktoren entscheiden in vielen Enzymsystemen darüber, ob ein katalytischer Angriff wirklich in der richtigen Geometrie stattfindet oder ob das System zwar „irgendwie“ bindet, aber den Übergangszustand nicht maximal stabilisiert. Interessant ist zudem, dass die Designs nicht nur im Reagenzglas funktionieren, sondern Ziele auch effizient in mammalian cells spalten. Damit verschiebt sich der Fokus von einem rein biophysikalischen Beweis („funktioniert im Testsystem“) hin zu einer Plattformperspektive: Wenn die Proteasen in Zellumgebung zuverlässig aktiv werden, wird der Entwurf für synthetische Biologie deutlich greifbarer, etwa für zelluläre Reporter, Signalverarbeitung oder bedarfsgetriebene Proteolyse in gen-engineerten Systemen.
Für den Markt und die Entwicklungspraxis ist das Timing ebenfalls relevant. De-novo-Protein-Design bewegt sich seit einigen Jahren in Richtung skalierbarer Workflows, in denen KI-gestützte Modellierung, schnelle Strukturfilter und experimentelle Hochdurchsatztests zusammenkommen. Der Unterschied zu vielen „nur“ modellbasierten Demonstrationen liegt in dieser Arbeit in der Koppelung mehrerer Ebenen: erst die Modell-Qualitätswerte (etwa die enge Übereinstimmung zu Kristallstrukturen), dann die kinetische Validierung mit messbaren kcat/kuncat-Verstärkungen, und schließlich der Zelltest, der zeigt, dass die katalytische Domäne in einer biologisch realistischen Umgebung nicht kollabiert. Für Teams, die KI für Proteindesign einsetzen, macht die Publikation damit sichtbar, welche Qualitätsschalter sie künftig stärker operationalisieren müssen: nicht nur Faltungswahrscheinlichkeit und Strukturtreue, sondern auch aktive-Zentrum-Geometrie, produktive Konformationen und die richtige Substratorientierung.
Auch wenn die Faltungen nicht „naturtypisch“ sind, liefern die Strukturvergleiche mit Foldseek-Analysen einen zusätzlichen Sicherheitsanker: Die Kristallstrukturen werden gegen die Datenbank nach dem besten Treffer durchsucht, und die Ergebnisse werden als Bestätigung gewertet, dass die entworfenen Gerüste tatsächlich andere topologische Lösungen darstellen. Das ist für die Interpretation wichtig, weil es den Verdacht reduziert, die Designs seien bloß eine nahe Variante bereits bekannter Proteinfaltungen. Gleichzeitig kann die Abweichung von natürlichen Motiven Vorteile bringen: Wer Proteasen neu entwirft, kann Spezifitäten und Mechanismen oft so gestalten, dass sie weniger von vorhandenen Off-Target-Bindungen abhängen. Gerade bei Cystein-Proteasen, die in vielen biologischen Kontexten eine Rolle spielen und in der Literatur ausführlich beschrieben werden, ist das ein realistischer Ansatzpunkt für zukünftige Anwendungen – von selektiven Spaltungsereignissen bis hin zu kontrollierten Aktivierungsmechanismen in synthetischen Systemen.
Bleibt als praktische Frage, wie Teams diese Art von Erfolg in der nächsten Projektgeneration reproduzieren und verbessern können. Die genannten Engpässe – Vororganisation und Substratpositionierung – deuten auf einen sehr konkreten Optimierungshebel: Nicht nur das „richtige“ katalytische Setup muss getroffen werden, sondern auch die dynamische Passung zwischen Enzymoberfläche und Substrat. Genau hier können zusätzliche iterative Design-Schleifen ansetzen, etwa indem man aus experimentellen Aktivitätsunterschieden wiederkehrende Geometrie- und Konformationsmuster ableitet oder gezielt Varianten auswählt, die in Modellierungs-Ensembles eine höhere Zahl produktiver Konformationen aufweisen. Die Tatsache, dass die Arbeit sowohl atomnahe Strukturmaßnahmen (wie RMSD < 1,2 Å) als auch reproduzierbare Werkzeuge und Rohdatenbereitstellung adressiert, erleichtert dieses Vorgehen. Für Unternehmen und Forschungsorganisationen heißt das: Die KI-gestützte Proteinentwicklung wird dadurch weniger „Einmal-Erfolg“ und mehr zu einem planbaren Prozess, bei dem sich Designqualität über mehrere Validierungsschichten hinweg messen lässt – von in-silico Kriterien bis zu Zellfunktion.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "De-novo-Design von Cystein-Proteasen mit KI-gestützter Sequenz- und Strukturpräzision" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "De-novo-Design von Cystein-Proteasen mit KI-gestützter Sequenz- und Strukturpräzision" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »De-novo-Design von Cystein-Proteasen mit KI-gestützter Sequenz- und Strukturpräzision« bei Google Deutschland suchen, bei Bing oder Google News!