Mallinnus apuna tunnistamassa SynGAP1‑proteiinin vaihtomutaatioiden aiheuttamaa harvinaista lasten hermostosairautta

Kuvasarja esittää vasemmalta oikealle, kuinka vaihtomutaatio muuttaa SynGAP1-proteiinin rakennetta.

Pekka Postilan johtamassa tutkimusprojektissa mallinnetaan vaihtomutaatioiden vaikutuksia SynGAP1-proteiinin rakenteeseen ja toimintaan. Tämän proteiinin toimintahäiriöt aiheuttavat muun muassa vakavaa älyllistä kehitysvammaisuutta, epilepsiaa ja autismia. Tutkimus vaatii tekijöiltään pikkutarkkaa otetta, paljon kärsivällisyyttä ja valtavasti laskentatehoa.

Joskus vain yhden ainoan nukleotidin muutos perimässä voi johtaa merkittäviin terveysongelmiin ja taudin puhkeamiseen. Kun tällainen muutos vaihtaa tärkeän geenin koodaamassa proteiinissa yhden aminohapon toiseksi, puhutaan vaihtomutaatiosta. Tällainen muutos voi näyttää mitättömän pieneltä, mutta vaikutukset voivat olla hyvin suuria.

Yksi erityisen herkkä geeni tällaisille muutoksille on SYNGAP1, jonka tuottamaa SynGAP1-proteiinia on runsaasti etuaivojen hermosoluissa. SynGAP1-proteiini osallistuu solunsisäisen kasvun säätelyyn ja estää näin esimerkiksi kasvainten leviämistä. Kyseessä on iso, yli 1300 aminohaposta koostuva proteiini, joten tämä ei kuitenkaan ole sen ainoa tai välttämättä edes tärkein tehtävä ihmiskehon toiminnassa.

”Viime vuosina SynGAP1:n monimutkainen biologia on alkanut lopultakin selvitä”, kertoo erikoistutkija ja dosentti Pekka Postila MedChem.fi-laboratoriosta Biolääketieteen laitokselta Turun yliopistolta.

SynGAP1 toimii ikään kuin synapsin portinvartijana. Kun opimme jotain uutta, SynGAP saa kemiallisen merkin ja siirtyy hetkeksi syrjään. Silloin kyseiset reseptorit pääsevät paikalle, ja hermosolujen välinen viestinvälitys vahvistuu.

Lasten harvinainen hermostosairaus

SynGAP1-mutaatioiden aiheuttamat hermosto-oireet ovat harvinaisia: tautia esiintyy vain noin kuudella sadastatuhannesta ihmisestä. Tauti havaitaan varhaislapsuudessa, ja se vaikuttaa hermoston kehitykseen ratkaisevasti läpi elämän.

Perimässämme jokaisesta geenistä on kaksi kopiota, toinen äidiltä ja toinen isältä. Tämän vuoksi yhden geenikopion virhe ei aina välttämättä aiheuta merkittäviä ongelmia. SYNGAP1-geenin kohdalla tilanne on kuitenkin toinen: jo yhden geenialleelin heikentynyt ilmentyminen riittää aiheuttamaan vakavan hermostosairauden.

Taudinkuva on moninainen: tyypillisiä oireita ovat eriasteinen älyllinen kehitysvammaisuus, epilepsia ja autismikirjon piirteet. Juuri moninaisuuden vuoksi tautia ei enää kutsutakaan SynGAP-syndroomaksi.

SYNGAP1-geenin mutaatiot eivät ole yleensä vanhemmilta perittyjä, vaan ne syntyvät lapsen perimään alkiovaiheessa. Mutaatiotyyppejä on useita, mutta ne jaetaan yleensä kahteen ryhmään: trunkaatioihin ja vaihtomutaatioihin.

Trunkaatiot lyhentävät SynGAP1-proteiinia tai voivat estää sen syntymisen kokonaan. Tällaiset suuret muutokset ovat yleensä helppo tunnistaa geenitestien avulla. Suurimman osan haitallisista SYNGAP1-mutaatioista arvioidaan kuitenkin olevan pieniä vaihtomutaatioita, joissa yksi aminohappo vaihtuu toiseksi.

Yksittäinen aminohappovaihdos pitkässä aminohappoketjussa ei aina aiheuta merkittäviä toiminnallisia muutoksia. Vaikutus riippuu ratkaisevasti siitä, missä kohtaa proteiinin kolmiulotteista rakennetta muutos tapahtuu ja millainen aminohappo vaihtuu toiseen. Yhdessä kohdassa muutos voi olla harmiton mutta toisessa toiminnalle tuhoisa.

Tämän vuoksi vaihtomutaatiot ovat erityisen haastavia diagnosoida. Ei myöskään ole olemassa kokeellisia menetelmiä, joilla SYNGAP1-vaihtomutaatioiden haitallisuus voitaisiin luotettavasti todentaa. Diagnoosien tueksi tarvitaankin tarkkoja laskennallisia menetelmiä, jotka arvioivat muutosten vaikutuksia proteiinin toimintaan ja rakenteeseen.

Pekka Postila on saanut tutkimusryhmineen yhteensä 230 000 dollarin rahoituksen vaihtomutaatioiden tutkimiseen Kaliforniassa toimivalta Cure SYNGAP1 -säätiöltä. Tutkimuksen tavoitteena on parantaa SYNGAP1-vaihtomutaatioiden diagnostiikkaa hyödyntämällä erityisesti laskennallista rakennetutkimusta.

Laskostumisen arvoitus

Vaihtomutaatioita ja niiden merkitystä proteiinirakenteille ymmärtääksemme on hyvä katsoa hieman taaksepäin. Kaikki proteiinit muodostuvat aminohappoketjusta, jonka lenkit ovat toisiinsa peptidisidoksilla kiinnittyneitä aminohappoja. Näitä proteiinin peruspalikoita on 20 erilaista.

Proteiinien rakennusosat ja niiden merkitys elämälle tunnistettiin jo 1800-luvulla, mutta proteiinien tarkkaa rakennetta ei ymmärretty ennen 1950-lukua. Silloin Cambridgen yliopiston tutkijat John Kendrew ja Max Perutz onnistuivat kuvaamaan proteiineja ensimmäistä kertaa kolmiulotteisesti röntgenkristallografialla.

Näky oli yllätys: proteiinit muistuttivat sykkyräisiä spagettikasoja tai lankakeriä, täynnä monenlaisia laskoksia, palmikoita ja silmukoita. Muoto ei kuitenkaan ollut satunnainen. Juuri proteiinin kolmiulotteinen rakenne määrää sen vuorovaikutukset ympäristönsä kanssa: sen, mihin proteiini tarttuu, mitä se päästää lähelleen ja mitä se hylkii. Kendrew ja Perutz saivat uraauurtavasta työstä Nobelin palkinnon vuonna 1962.

Amerikkalaistutkija Christian Anfinsen osoitti vuonna 1961, että proteiinin muoto on koodattu suoraan sen aminohappojärjestykseen. Identtinen aminohappoketju tuottaa siis aina saman proteiinirakenteen. Tämäkin oivallus johti Nobelin palkintoon, vuonna 1972.

Samalla syntyi uusi arvoitus, joka jäi vuosikymmeniksi ratkaisematta: vaikka proteiinien aminohappojärjestyksiä pystyttiin selvittämään spektrometrian avulla, kukaan ei ymmärtänyt, millä mekanismeilla nämä ketjut laskostuvat monimutkaisiksi kolmiulotteisiksi kokonaisuuksiksi.

Vuonna 1994 käynnistettiin kilpailu, jonka tavoitteena oli ennustaa proteiinien kolmiulotteisia muotoja pelkän aminohappojärjestyksen perusteella. Ensimmäiset tietokonemallit olivat kuitenkin karkeita, ja yli kahden vuosikymmenen ajan ennustusten tarkkuus ei juuri parantunut.

Tilanne muuttui vuonna 2018, kun neuroverkkotutkija Demis Hassabis ja biokemisti John Jumper esittelivät uuden työkalun. Googlen DeepMind-laboratoriossa kehitetty AlphaFold hyödynsi oppivia neuroverkkoja, jotka etsivät yhtäläisyyksiä tunnettujen proteiinien rakenteiden ja uuden aminohappoketjun välillä.

Yksinkertaistettuna AlphaFold ennustaa proteiinin muodon yhdistämällä tietoa sukulaisproteiinien jo ratkaistuista rakenteista perinteisen homologiamallituksen tavoin. AlphaFold2:lla on sittemmin ennustettu yli 200 miljoonan proteiinin rakenteet. Hassabis ja Jumper palkittiin Nobelin palkinnolla vuonna 2024.

SynGAP Missense Server: Vaihtomutaatioiden mallitusta ja taudinaiheuttavuuden arviointia

AlphaFold2:n tuottamaa SynGAP1-proteiinin rakennetta on käytetty vaihtomutaatioiden mallintamisessa apuna. Menetelmällä on kuitenkin merkittäviä rajoituksia mutaatioiden kanssa.

”Oppiva neuroverkko ei osaa varautua mutaatioihin, ja siinä se voi mennä kunnolla metsään. Vaikka proteiinin aminohappoketjuun tulisi mutaatio, joka oikeasti vääristäisi koko rakenteen, AlphaFold tekee silti mallista ehjän ja niin sanotusti terveen version”, Postila selittää.

AlphaFold ei siis yksin riitä arvioimaan vaihtomutaatioiden vaikutuksia. Tarkemman kuvan saaminen edellyttää muita laskennallisia menetelmiä, ja kokeellisesti ratkaistuja proteiinirakenteita.

AlphaFold-mallin pohjalta Postilan tutkimusryhmä on mallintanut kaikki todennäköiset yhden nukleotidin vaihtumisesta syntyvät mutaatiot SynGAP1-proteiinin rakenteeseen. Jos luotettavaa rakennetietoa ei ollut saatavilla, ryhmä hyödynsi sekvenssipohjaisia ja muita ei‑rakenteellisia ennustusmenetelmiä taudinaiheuttavuuden arviointiin.

Mallituksen tuottamat tulokset on kerätty SGM-serveriin (SynGAP Missense server), joka tarjoaa kaikille avoimen nettiportaalin SYNGAP1-vaihtomutaatioiden taudinaiheuttavuuden arviointiin.

Rakennetasolla SGM-serveri sisältää tällä hetkellä yhteensä 3325 vaihtomutaatiovarianttia ja sekvenssitasolla jopa 8751 varianttia. Tietokanta esittää parhaiden menetelmien pohjalta tehdyn konsensusennusteen, tekoälyn tuottaman kirjallisen ennusteyhteenvedon, linkit kliinisiin tietokantoihin sekä kunkin vaihtomutaation kolmiulotteisen mallin että kaksiulotteisen interaktiodiagrammin.

SGM-serverin ja tietokannan on koodannut ja sitä ylläpitää tutkija Jukka Lehtonen Structural Bioinformatics Laboratory:sta Åbo Akademista. Koska tietokanta on tehty potilasjärjestön pyynnöstä, se pyrkii vastaamaan todelliseen diagnostiseen tarpeeseen.

Supertietokoneet apuna kaivamassa totuutta esiin vaihtomutaatioista

Kliinisessä ClinVar-tietokannassa listattujen SynGAP1‑vaihtomutaatioiden kohdalla Postilan ryhmä on vienyt rakenteisiin perustuvan analyysin vielä askelta pidemmälle. Mutaatioita ei ainoastaan mallinnettu staattisina kolmiulotteisina rakenteina vaan niiden aiheuttamia rakennemuutoksia tutkittiin perusteellisesti myös molekyylidynamiikkasimulaatioilla (MD).

Nämä simulaatiot perustuvat puoliempiiriseen voimakenttämalliin, jossa aminohappojen atomit esitetään ikään kuin palloina ja näiden pallojen väliset sidokset toimivat kuin pieninä jousina. Kun malliin lisätään lämpöä, atomit alkavat liikkua, sidokset joustavat ja proteiinin osat vuorovaikuttavat keskenään. Proteiini alkaa ”elää” tai ”hengittää” samalla tavoin kuin tapahtuu oikeissa soluissakin.

Näiden tietokonesimulaatioiden avulla voidaan tarkasti selvittää, miten vaihtomutaatiot muuttavat proteiinin kolmiulotteista rakennetta.

Menetelmän näennäisestä yksinkertaisuudesta huolimatta laskennallinen kuorma on valtava, ja jo nanosekuntien mittaiset simulaatiot edellyttävät supertietokoneiden käyttöä. Tutkimuksessa 211 vaihtomutaatiovarianttia on MD-simuloitu yhteensä noin 100 mikrosekuntia (150 ns × 3 × 211). Lisäksi MD‑simulaatioihin pohjautuvia laskostumisenergialaskuja on tehty muillekin rakenneosien varianteille. Laskujen tarkkuus on käytettävissä olevan tiedon perusteella omaa luokkaansa.

Ilman CSC – Tieteen tietotekniikan keskuksen tarjoamaa suurteholaskentaa näin mittava laskenta ei olisi ollut mahdollista. Postila kiittelee yhteistyötä CSC:n kanssa vuolaasti.

”Kun aina välillä tuntuu, että kaikista resursseista vain leikataan, on CSC:n kaltainen keskitetty palveluorganisaatio kaltaisellemme tutkimusryhmälle erinomainen järjestely. Toivottavasti tämä asia ei muutu tulevaisuudessakaan.”

Projektin simulaatioita on ajettu pääosin Puhti‑supertietokoneen GPU-osiolla. Postilan ryhmä on käyttänyt kuitenkin simulaatioissa ja AlphaFold‑mallituksessa lisäksi Mahti‑supertietokonetta. Yhden noin 140 000 atomia kattavan simulaation ajaminen kestää tavallisesti pari päivää, ja lisäksi kaikki simulaatiot on toistettava vähintään kolme kertaa.

”Malli ei ole täysin deterministinen, ja peräkkäisissä simulaatioissa voi olla pieniä eroja. Useampi ajo varmistaa, että olemme ymmärtäneet oikein.”, Postila toteaa.

Katse kohti tulevaa: SynGAP1-proteiinin vuorovaikutukset

Postilan johtama tutkimus pyrkii aktiivisesti laajentamaan SGM-serveriä sisältämään parasta tietoa vaihtomutaatioiden taudinaiheuttavuudesta. Uusia ennustusmenetelmiä kuten AlphaFoldiin perustuva AlphaMissense, ilmestyy kiihtyvällä tahdilla.

Rakennetasolla ryhmä selvittää, miten vaihtomutaatiot vaikuttavat SynGAP1-proteiinin vuorovaikutuksiin muiden proteiinien tai esimerkiksi solukalvon kanssa.

Tarkastellessa geenisekvenssejä ja proteiinirakenteita sekä abstrakteja ennusteita, voi helposti unohtua, että proteiinit eivät toimi yksin. Solun sisällä ne ovat jatkuvassa ja dynaamisessa vuorovaikutuksessa toistensa kanssa.

SynGAP1 ei ole tässä asiassa poikkeus. Sen proteiiniketjuissa oleva CC‑domeeni (engl. coiled‑coil, ”kierteinen kierre”) kietoutuu viereisten ketjujen ympärille ja muodostaa kimpun, joka sitoo kolme SynGAP1‑proteiinia yhteen.

Itsensä lisäksi SynGAP sitoutuu myös Ras‑ ja Rap‑GTPaasien kaltaisiin säätelyproteiineihin sekä erilaisiin tukiproteiineihin, kuten PSD95‑proteiiniin, jotka ovat keskeisiä hermosolujen viestinnässä ja synapsien toiminnassa.

”Laskentatehon kasvaessa voimme lisätä ymmärrystämme ajamalla yhä pidempiä simulaatioita ja mallintamalla yhä suurempia järjestelmiä, joissa on mukana useita vuorovaikutuksessa olevia komponentteja”, Postila toteaa.

Pekka Postila esittelee videolla (YouTube), miten SynGAP Missense Server toimii käytännössä.

Teksti, tutkijoiden ryhmäkuva ja video: Juha Merimaa
27.1.2026
Lue artikkeli PDF-muodossa