Forschende, die größtenteils aus dem Labor des Nobelpreisträgers David Baker an der University of Washington stammen, haben mithilfe von KI entwickelte Enzymproteine hergestellt, die Peptidbindungen in anderen Proteinen schneiden können. Die Arbeit stützt sich auf Werkzeuge wie RFdiffusion2 und ProteinMPNN und zeigte, dass diese Modelle Strukturen erzeugen können, die katalytische Aminosäuren in die Nähe einer Zielsequenz bringen, selbst wenn das Design keine Ähnlichkeit mit bekannten Proteinen in Datenbanken aufweist.
Peptidbindungen sind chemisch sehr stabil; ihr spontaner Zerfall in Wasser kann Hunderte von Jahren dauern. Lebewesen nutzen Proteaseenzyme, um diesen Prozess zu beschleunigen. Die Forschenden konzentrierten sich auf zwei Mechanismen: eine zinkabhängige Protease und eine von der Aminosäure Cystein abhängige Protease. In beiden Fällen bestand die Herausforderung darin, eine kleine Anzahl von Aminosäuren präzise in einem katalytischen Zentrum anzuordnen, das die Zielbindung angreifen kann.
Wie wurden die entwickelten Enzyme hergestellt?
Das Team ging von zwei bekannten Strukturen aus: einer Zinkprotease aus dem Verdauungssystem des Hummers und einer Cysteinprotease aus Hefe. RFdiffusion2 wurde eingesetzt, um das Proteingerüst zu erzeugen, wobei Einschränkungen vorgegeben wurden, die sicherstellten, dass die katalytischen Aminosäuren einander und der zu schneidenden Sequenz angenähert wurden. Anschließend füllte ProteinMPNN das Gerüst mit Aminosäuren, die mit der strukturellen Faltung, dem katalytischen Zentrum und der Wechselwirkung mit dem Ziel kompatibel waren.
Die Forschenden entwickelten 12 Gerüste und 69 Aminosäurekombinationen für das Cysteinprotease-Projekt, während sie im Zinkprotease-Projekt 135 Designs testeten. Sie nutzten AlphaFold3, um die Strukturen mehrerer Designs vorherzusagen, und fanden in den Datenbanken keine Proteine mit ausreichender Ähnlichkeit, die darauf hingedeutet hätte, dass die Werkzeuge einfach bekannte Strukturen wiederverwendet hatten.
Messbare Aktivität mit einem Abstand zu natürlichen Enzymen
Das Team testete die Designs in einem langen Protein, das die Protease, die Zielsequenz und ein fluoreszierendes Protein miteinander verband, sodass der Schnitt den Erfolg der Reaktion sichtbar machte. 13 Designs der Cysteinprotease waren erfolgreich, also 19 % der Tests, ihre Aktivität lag jedoch deutlich unter der des Referenzenzyms aus Hefe.
Bei den Zinkprotease-Designs, bei denen das für die Reaktion notwendige Wassermolekül nicht ausdrücklich als Einschränkung vorgegeben worden war, zeigten 14 von 89 eine schwache katalytische Aktivität. Eine Analyse der fehlgeschlagenen Designs ergab, dass ein Wassermolekül gelegentlich die Position einnahm, die für die Reaktion benötigt wurde. Als die Position des Wassers in das Design einbezogen wurde, stieg der Erfolg auf 35 von 38 Designs, wobei die Aktivität in den meisten Fällen weiterhin unter dem Niveau des natürlichen Enzyms lag.
Die Forschenden verbesserten einige Designs, indem sie Aminosäuren in der Nähe des aktiven Zentrums austauschten, die jedoch nicht direkt an der Katalyse beteiligt waren. Die beste Änderung in einem der Projekte beschleunigte den Schnitt der Peptidbindung um das 109-Fache und bewahrte gleichzeitig eine hohe Spezifität für die Zielsequenz. Auch die zweite Version der Zinkprotease war 30-mal aktiver als das ursprüngliche Design und beschleunigte die Reaktion um das 1010-Fache.
Was bedeutet das für medizinische Anwendungen?
In einem abschließenden Experiment entwickelten die Forschenden Zinkproteasen, die auf Proteine abzielten, die mit Alzheimer und frontotemporaler Demenz in Verbindung stehen. Eine von ihnen konnte das vorgesehene Ziel innerhalb von Zellen schneiden. Die Anpassung eines bestehenden Designs zur Erkennung einer neuen Sequenz war jedoch wenig erfolgreich, weshalb das Team den Designprozess von Grund auf neu durchführte.
Die Ergebnisse zeigen, dass diese Methode eingesetzt werden kann, um auf abnormale Proteine abzuzielen, die mit bestimmten Krankheiten in Verbindung stehen, stellen jedoch keine fertige Behandlung dar. Die Zustellung der Proteine an den richtigen Ort ist schwierig, und sie könnten eine Immunreaktion auslösen. Befindet sich das Ziel innerhalb der Zelle, könnte es erforderlich sein, das Gen, das für die Protease kodiert, in die betreffenden Zellen einzuschleusen, was eine zusätzliche Herausforderung darstellt.
Grenzen des KI-gestützten Designs
Die Experimente zeigen, dass die derzeitigen Designwerkzeuge gut darin sind, technische und strukturelle Einschränkungen zu erfüllen: das Protein in der gewünschten Form zu falten, die katalytischen Aminosäuren einander anzunähern und an eine bestimmte Sequenz zu binden. Allein garantieren sie jedoch nicht die feinen Details, die für eine hohe Enzymaktivität erforderlich sind. Einige Designs waren strukturell annähernd korrekt, reagierten jedoch nur schwach; anschließend steigerten kleine Mutationen ihre Aktivität deutlich.
Die wichtigste Erkenntnis ist hier, dass das KI-gestützte Proteindesign die Phase des Vorschlagens theoretischer Strukturen überschritten hat und tatsächlich funktionierende Enzyme für bestimmte Ziele hervorbringen kann. Die Lücke zwischen Struktur und Aktivität sowie die Zustellung innerhalb des Körpers schränken den Übergang zu therapeutischen Anwendungen jedoch weiterhin ein. Die Ergebnisse wurden in der Fachzeitschrift Nature unter den Digital Object Identifiers 10.1038/s41586-026-11143-w und 10.1038/s41586-026-11167-2 veröffentlicht.