Eiwitstructuurvoorspelling

Eiwitstructuurvoorspelling, ook bekend als eiwitvouwing of proteïnestructuurvoorspelling, is het proces van het voorspellen van de driedimensionale structuur van een eiwit op basis van zijn aminozuursequentie. De functionele activiteit van een eiwit is sterk afhankelijk van zijn specifieke vouwing. Kennis van deze structuur is cruciaal voor het begrijpen van eiwitfuncties, interacties en ziekteprocessen.

Er zijn verschillende benaderingen voor eiwitstructuurvoorspelling. Een veelgebruikte methode is structurele homologie, waarbij de sequentie van een onbekend eiwit wordt vergeleken met eiwitten waarvan de structuur reeds bekend is. Als er voldoende gelijkenis is, kan worden aangenomen dat de onbekende eiwitstructuur vergelijkbaar is met die van de bekende eiwitten. Een andere methode is ab initio voorspelling, waarbij de structuur wordt berekend op basis van de fysische principes van eiwitvouwing, zonder gebruik te maken van bekende structuren. Dit is computationeel intensiever en wordt vaak gebruikt wanneer er geen vergelijkbare bekende structuren zijn.

Machine learning, met name deep learning, heeft de afgelopen jaren een grote impact gehad op dit veld. Algoritmes zoals AlphaFold van DeepMind hebben aanzienlijke vooruitgang geboekt in de nauwkeurigheid van structurele voorspellingen, waardoor ze concurrerend worden met experimentele methoden zoals röntgenkristallografie en cryo-elektronenmicroscopie.

Eiwitstructuurvoorspelling speelt een belangrijke rol in diverse wetenschappelijke disciplines, waaronder geneeskunde (bijvoorbeeld voor het ontwerpen van medicijnen), biotechnologie en fundamenteel biologisch onderzoek. De nauwkeurigheid van deze voorspellingen blijft een actief onderzoeksgebied.