Design, Charakterisierung und strukturelle Analyse artifizieller Designer-Proteine für Anwendungen im Bereich der Oberflächenbindung mit Hilfe computergestützter Ansätze

Hintergrund

Proteine sind äußerst vielseitige Biopolymere, die in biologischen Systemen eine breite Palette von Funktionen erfüllen, darunter Katalyse, molekulare Erkennung, struktureller Halt und Signalübertragung. Protein-Engineering Methoden ermöglichen die Herstellung von „Designer-Proteinen“ mit maßgeschneiderten Funktionen, die in der Natur nicht vorkommen. Jüngste Fortschritte bei den computergestützten Methoden wie Rosetta, das vom Team um David Baker entwickelt wurde [Rohl et al., 2004, Methods Enzymol.; Das & Baker, 2008, Annu. Rev. Biochem.], und AlphaFold [Jumper et al., 2021, Nature] haben das rationale Design und die strukturelle Vorhersage von Proteinen mit noch nie dagewesener Präzision ermöglicht.

Zielstellung

In diesem Projekt werden die neuesten Fortschritte im Bereich des computergestützten Proteindesigns und der Strukturbiologie genutzt, um neuartige Designer-Proteine als Bindemittel für Holz zu entwickeln. Die entworfenen Proteine sollen den Weg für eine Plattform für biobasierte Bindemittel als Alternative zu herkömmlichen synthetischen Klebstoffen ebnen, indem die Rolle von oberflächenbindenden Proteinen bei der Zusammensetzung von Biomaterialien für biotechnologische Anwendungen untersucht wird. Die Designer-Proteine können zur Funktionalisierung von Oberflächen wie Holzspänen verwendet werden, um Eigenschaften wie Adhäsionskraft oder Benetzung zu verbessern. Die Kombination von RosettaSurface und ProteinMPNN [Dauparas, et al., 2022, Science] für das rationale Design und AlphaFold3 für die strukturelle Vorhersage stellt einen bahnbrechenden Ansatz für das Design von Proteinen für biotechnologische und industrielle Anwendungen dar. Im Rahmen des Projekts wird ein KI-basierter Ansatz für ein oberflächenorientiertes, computergestütztes Proteindesign entwickelt. Die spezifischen Ziele sind: Entwurf artifizieller oberflächenbindender Proteine mit RosettaSurface: (I), Vorhersage und Validierung der Strukturen mit AlphaFold (II), mechanistisches Verständnis der Oberflächenbindung mit atomistischen und „coarse-grained“ Molekulardynamiksimulationen (MD) (III).

Literatur:

Das, R., & Baker, D. (2008). Macromolecular modeling with rosetta. Annu. Rev. Biochem., 77(1), 363-382.

Dauparas, J., Anishchenko, I., Bennett, N., Bai, H., Ragotte, R. J., Milles, L. F., … & Baker, D. (2022). Robust deep learning–based protein sequence design using ProteinMPNN. Science, 378(6615), 49-56.

Jumper, J., Evans, R., Pritzel, A., et al.: Highly accurate protein structure prediction with AlphaFold. Nature

Rohl, C.A., Strauss, C.E., Misura, K.M., Baker, D.: Protein structure prediction using Rosetta. Methods Enzymol. 383(Pt A), 66–93 (2004).