Nieuw AI-model spoort razendsnel ionbindingsplekken in eiwitten op

Eiwitten doen bijna nooit hun werk alleen. Ze hebben vaak geladen deeltjes nodig, ionen zoals calcium, natrium en kalium, om hun vorm te behouden, reacties op gang te brengen of signalen door te geven. Werkt die samenwerking niet goed, dan kan dat leiden tot ernstige hart-, stofwisselings- of hersenaandoeningen. Weten waar precies zo'n ion zich aan een eiwit hecht, is daarom cruciaal voor medisch onderzoek. Tot nu toe was dat vaak een kwestie van dure en tijdrovende laboratoriumtechnieken zoals röntgenkristallografie.

Onderzoekers Igor Kozlovskii en Petr Popov van Constructor University en Constructor Labs presenteren in het tijdschrift Communications Biology een nieuw model dat dit proces drastisch versnelt: BiteNetI. Het systeem gebruikt deep learning, een techniek die ook achter beeldherkenning op smartphones zit, om de 3D-vorm van een eiwit te scannen als een soort digitale video. Het model werd getraind op een dataset van meer dan 12.000 eiwitcomplexen met ruim 35.000 nauwkeurig in kaart gebrachte ionbindingsplekken.

Sneller en nauwkeuriger dan AlphaFold 3

BiteNetI kan de exacte locatie van veertien verschillende soorten ionen tegelijk voorspellen, in slechts enkele seconden per eiwitstructuur. Dat maakt het model ongeveer tien keer sneller dan het apart draaien van gespecialiseerde modellen per ionsoort. Op twee veelgebruikte testverzamelingen, MIonSite en IonCom, versloeg BiteNetI de meeste concurrerende methodes. Voor belangrijke ionen als calcium, kalium, magnesium, fosfaat en sulfaat behaalde het model een twee- tot driemaal hogere nauwkeurigheid dan bestaande technieken, waaronder AlphaFold 3 van Google DeepMind. Dat laatste model, bekend van zijn doorbraken in het voorspellen van eiwitstructuren, hield alleen bij carbonaat en natrium een lichte voorsprong.

Opvallend is dat BiteNetI zelfs beter presteerde dan Metal3D, een model dat specifiek is gebouwd voor het detecteren van zink. Dat suggereert dat het trainen op meerdere ionsoorten tegelijk de algehele prestaties verbetert. Ook bleek de nauwkeurigheid flink toe te nemen wanneer omliggende watermoleculen werden meegenomen in de analyse, omdat water vaak helpt om ionen op hun plek te houden. Deze precisie hield ook stand bij eiwitstructuren die via andere technieken waren gemaakt, zoals cryo-elektronenmicroscopie.

Betekenis voor medicijnontwikkeling

Volgens onderzoeker Petr Popov beantwoorden AlphaFold 3 en BiteNetI verschillende vragen. Waar AlphaFold 3 vooral de algehele vorm van een eiwit voorspelt, is BiteNetI toegespitst op het nauwkeurig en snel annoteren van ionbindingsplekken in een bestaande structuur. Die precisie maakt het model ook geschikt om te voorspellen hoe kleine genetische veranderingen, zoals puntmutaties, de binding van ionen kunnen verzwakken of juist herstellen.

Deze kennis is direct bruikbaar bij de vroege fase van medicijnontwikkeling, omdat elke bindingsplek in een eiwit een potentieel aangrijpingspunt is voor een geneesmiddel. De onderzoekers werken inmiddels aan een volgende stap: één breed model dat niet alleen ionen, maar ook kleine moleculen en eiwitketens tegelijk kan herkennen. Dat zou onderzoekers één enkel gereedschap geven voor vragen die nu nog met losse, gespecialiseerde modellen moeten worden beantwoord. BiteNetI is inmiddels gratis en zonder registratie te gebruiken als webapplicatie.