Proteine sind die Grundlage allen zellulären Lebens. Seit der ersten Aufklärung einer Proteinstruktur im Jahr 1958 ist das Wissen über ihre dreidimensionale Struktur für das Verständnis der Molekularbiologie von entscheidender Bedeutung, insbesondere auch für Anwendungen in der Biomedizin und Biotechnologie.
Die Form eines Proteins entsteht durch spezifische Wechselwirkungen zwischen Atomen und deren räumliche Beziehung. Diese räumlichen Beziehungen und chemischen Wechselwirkungen mit Bindungspartnern bestimmen die spezifisches Funktion des Proteins.
Enzyme sind große Molekülstrukturen, die im Organismus typischerweise wichtige chemische Reaktionen katalysieren. Neue Entwicklungen bei der Vorhersage von Proteinstrukturen haben dazu geführt, dass auch Enzymstrukturen heute deutlich besser vorhergesagt werden können. Dadurch sind große Datenbanken mit solchen Strukturmodellen entstanden.
Trotzdem liegt für nur rund 60 Prozent aller bekannten Enzymfunktionen ein entsprechendes Strukturmodell vor – das zeigt eine aktuelle Datenbank TopEnzyme der Forschungsgruppe von Prof. Dr. Holger Gohlke (Institut für Bioinformatik am FZJ und Institut für Pharmazeutische und Medizinische Chemie der HHU). Die genaue Bestimmung der molekularen Funktion eines Enzyms anhand seiner (vorhergesagten) Struktur bleibt daher weiterhin eine große Herausforderung.
Die experimentelle Bestimmung von Enzymfunktionen ist aufwendig und zeitintensiv – vor allem angesichts der riesigen Zahl bekannter Proteinsequenzen. Zudem lässt sich die tatsächliche Funktion eines Enzyms oft nicht direkt aus seiner Faltung ableiten. Hinzu kommt: In vielen Datenbanken sind fehlerhafte Funktionszuweisungen hinterlegt.
Rechnergestützte Methoden, die direkt auf der Enzymstruktur basieren, können hier Abhilfe schaffen. Sie ermöglichen eine automatisierte und auf größere Datensätze anwendbare Funktionsvorhersage im Hochdurchsatzverfahren – und leisten damit einen wichtigen Beitrag zur besseren Eigenschaftszuweisung zu biologischen Daten.
Das Forschungsteam um Prof. Gohlke hat gemeinsam mit KI-Expertinnen und -Experten von „Helmholtz AI“ am Helmholtz München auf Grundlage der TopEnzyme-Datenbank das maschinelle Lernmodell TopEC entwickelt. Es basiert auf einem 3D-Graph-Neuronalen-Netzwerk, das chemische Reaktionen aus der dreidimensionalen Struktur von Enzymen „erlernt“. Damit kann es sogenannte EC-Nummern vorhersagen – ein Klassifikationssystem, das Enzyme nach den Reaktionen einteilt, die sie katalysieren.
Für die Entwicklung und das Training des Modells nutzte das Team Rechenzeit auf dem Supercomputer JUWELS am Jülich Supercomputing Centre, bereitgestellt durch das John von Neumann-Institut für Computing (NIC). Die Arbeiten wurden im Rahmen des HDS-LEE-Graduiertenkollegs am Forschungszentrum Jülich gefördert, dem auch Erstautor und HHU-Doktorand Karel van der Weg angehört.
Ein besonderer Fortschritt: TopEC bezieht neben der Enzymstruktur auch geometrische Informationen wie Abstände und Winkel zwischen Atomen ein. Dadurch konnte die Genauigkeit bei der Vorhersage von Enzymfunktionen im Vergleich zu herkömmlichen Methoden deutlich gesteigert werden. Das Modell ist zudem robust gegenüber Unsicherheiten bei der Position von Bindungsstellen und erkennt funktionelle Ähnlichkeiten auch bei strukturellen Unterschieden.
„TopEC bietet eine vielversprechende Alternative zur klassischen Funktionsvorhersage von Enzymen – insbesondere, weil es chemische Zusammenhänge auf struktureller Ebene berücksichtigt“, erklärt Prof. Gohlke.
Ein möglicher Einsatz: Die gezielte Suche nach neuen Enzymen. Mit Hilfe von TopEC lassen sich rein rechnergestützt neue Enzymvarianten identifizieren – zum Beispiel im Rahmen der gerichteten Evolution, bei der neue Enzymfunktionen entsprechend konkreter Anforderungen erzeugt werden. Gerade im Kontext der nachhaltigen Biotechnologie eröffnet das neue Perspektiven.
Die Herausforderung: Es gibt bereits über 30 Millionen Enzyme mit vorhergesagten Funktionen – meist basierend auf Sequenzvergleichen. Die tatsächliche Fehlerquote dieser Vorhersagen ist jedoch weitgehend unbekannt. Mit der wachsenden Zahl an automatisch generierten Strukturmodellen, etwa durch das sehr verbreitete KI-System „AlphaFold“, kann TopEC künftig helfen, diese Daten zu verfeinern. In einem Folgeprojekt wollen Gohlke und sein Team das Potenzial dieser Methode nun systematisch untersuchen.
Originalpublikation
Karel van der Weg, Erinc Merdivan, Marie Piraud & Holger Gohlke. TopEC: prediction of Enzyme Commission classes by 3D graph neural networks and localized 3D protein descriptor. Nature Communications 16: 2737 (2025)