„Blij dat jullie allemaal zijn bijgepraat nu!”, zegt John Jumper lachend. Hij draait zijn telefoon naar zijn laptopscherm, waar zijn collega’s in een videovergadering te zien zijn. Enkelen zitten thuis, en er is ook een groep bijeen in een vergaderzaal. Daar zijn ze opgesprongen om elkaar te omhelzen en te feliciteren, terwijl Hans Ellegren, secretaris-generaal van de Koninklijke Zweedse Academie van Wetenschappen, nog bezig is met de aankondiging dat Jumper, hun baas, dit jaar de Nobelprijs voor Scheikunde heeft gewonnen.
John Jumper (39) en Demis Hassabis (48) van het aan Google gelieerde DeepMind krijgen samen de helft van de prijs voor AlphaFold2, een computermodel dat de vorm van eiwitstructuren kan voorspellen. De andere helft gaat naar David Baker (62), voor het maken van nieuwe eiwitstructuren. Dankzij hun werk is er een revolutie aanstaande in tal van industrieën, waaronder de medicijnontwikkeling, voedselproductie, recycling en gewasbescherming.
Kralenketting
Die grote invloed op zoveel gebieden wordt verwacht omdat eiwitten essentieel zijn voor vrijwel alle biologische processen in levende organismen. In het menselijk lichaam verteren ze onder meer voedsel, zorgen ze voor celgroei, reguleren ze de bloedsuikerspiegel en zijn ze actief in het immuunsysteem. Nu te achterhalen is hoe eiwitten eruitzien, is beter te begrijpen hoe ze werken. En is hun werking te sturen.
Eiwitten bestaan uit ketens van aminozuren, die zich automatisch op een unieke manier opvouwen, in een kluwen van helixen, krullen en plattere stukken – als een kralenketting, die steeds op dezelfde manier in de knoop raakt. De volgorde van de aminozuren – de kralen – is tamelijk eenvoudig te achterhalen, maar welke vorm de knoop precies aanneemt niet. Terwijl de functie van een eiwit afhangt van hoe hij is opgevouwen.
Beter begrip van eiwitten is zó gewild, dat al twee keer eerder een Nobelprijs naar eiwitonderzoek ging: in 1962 werd de uitvinding van kristallografie beloond, de tot nu toe beste manier om de 3D-structuur van een eiwit in beeld te krijgen. Daarvoor moet eerst een kristal gemaakt worden van een eiwit, dat vervolgens met röntgenstralen wordt doorgelicht. In 1972 volgde een Nobelprijs voor het inzicht dat een eiwit zich steeds op dezelfde manier opvouwt, en dat deze vorm afhangt van de volgorde van de aminozuren.
Wetenschappers dachten nu wel achter het geheim te zijn: wie de aminozuur-volgorde weet, kan ook de vorm voorspellen. Maar zo eenvoudig bleek het niet, het zogenoemde prediction problem werd de grootste uitdaging in de biochemie. In 1994 werd een tweejaarlijkse eiwitvoorspel-competitie in het leven geroepen om de ontwikkeling voort te stuwen. Jarenlang bleef de accuraatheid van de voorspellingen hangen op 40 procent. Tot Demis Hassabis deelnam in 2018: zijn model AlphaFold was 60 procent accuraat – een doorbraak. De laatste horde werd genomen toen John Jumper zich aansloot bij Hassabis: AlphaFold2 kon in 2020 eiwitstructuren met 90 procent accuraatheid voorspellen.
Werkelijkheid
Aan de basis van AlphaFold2 ligt een database van 200.000 bekende eiwitstructuren die eerder met kristallografie zijn bepaald. AlphaFold2 vergelijkt een aminozuurketen waarvan de vorm nog niet bekend is allereerst met aminozuren van eiwitten in die database. Ook verkent het welke interacties de verschillende aminozuren met elkaar aangaan; positief en negatief geladen aminozuren interacteren met elkaar, sommige zijn hydrofoob, andere hydrofiel, et cetera. Dan komt het model met een idee hoe stukjes van de aminozuurketen zich in de ruimte tot elkaar kunnen verhouden. Het proces van plaatsbepaling in de ruimte herhaalt zich een aantal keer, en dan komt er een structuur uit rollen. AlphaFold2 vertelt er meteen bij hoe waarschijnlijk het is dat de gepresenteerde structuur vergelijkbaar is met de werkelijkheid.
In het wetenschappelijke tijdschrift Science werd dit proces in 2020 vergeleken met het maken van een puzzel: eerst worden de stukjes aaneen gelegd tot kleine groepjes – in dit geval dus clusters met aminozuren – en dan wordt gekeken naar manieren om die kleine groepjes tot een groter geheel te smeden.
:format(webp)/s3/static.nrc.nl/wp-content/uploads/2024/10/09204625/data122844001-b5e48d.jpg)
Rosetta
De vinding waar David Baker de Nobelprijs voor krijgt, is van jaren eerder. Baker – die in 1998 ook deelnam aan de eiwitvoorspel-competitie – had ook een model, genaamd Rosetta. Ook daarvan was oorspronkelijk het doel eiwitstructuren te voorspellen, maar hij had een slimme gedachte: kon Rosetta ook suggesties doen voor de aminozuurvolgorde als het gevoed werd met een eiwitstructuur? Hij hoopte dat zo misschien wel eiwitten met totaal nieuwe functies konden ontstaan.
In 2003 lukte dat voor het eerst. Het eiwit kon niks, maar dat het helemaal nieuw was en niet in de natuur voorkwam, was spectaculair. Baker publiceerde sindsdien regelmatig over nieuwe eiwitten met gerichte functies, zoals het op gang brengen van specifieke chemische reacties.
Baker en DeepMind hebben allebei hun achterliggende code publiek beschikbaar gemaakt. Het bleek een goudmijn voor onderzoekers en bedrijven. Voorheen kostte het maanden tijd – en veel geld – om met kristallografie een eiwitstructuur te bepalen. Nu kan dat in minuten. Ook het ontwerpen van eiwitten met gewenste eigenschappen is in een stroomversnelling gekomen.
Commercieel bedrijf
„Dat deze vondsten nu al deze erkenning krijgen, is geweldig”, zegt Stef van Grieken. Hij is mede-oprichter van Cradle, een bedrijf dat een platform ontwikkelt waarmee wetenschappers en bio-engineers op een toegankelijke manier nieuwe eiwitten kunnen ontwerpen en optimaliseren. „Het is nog vroeg, concrete producten zijn er nog niet veel, omdat onderzoek en ontwikkeling voor bijvoorbeeld nieuwe medicijnen en voedingsmiddelen alsnog jaren duurt. Het gaat hiermee wel zoveel sneller, en is zoveel goedkoper, dat ik echt denk dat het voor een revolutie gaat zorgen.”
Het is voor het eerst dat mensen van een commercieel bedrijf – DeepMind is van Google – de Nobelprijs voor Scheikunde winnen. Dat is opvallend, vindt ook Van Grieken – zelf ex-werknemer van Google – maar niet verrassend nu zoveel nieuwe ontwikkelingen in de scheikunde computationeel van aard zijn. „Aan universiteiten zijn de middelen nu eenmaal beperkt, Google heeft oneindige rekenkracht. Waar menselijke creativiteit en AI elkaar raken, kan AI veel impact hebben en dat is in de wetenschap bij uitstek het geval.”
