Hoogleraar Ilja Voets boekt belangrijke vooruitgang in onderzoek naar antivriesproteïnen, met als uiteindelijk doel donororganen langer houdbaar te maken voor transplantaties. Met steun van een NWO Vici-beurs en een recente ERC Proof of Concept-subsidie werkt zij aan nieuwe materialen die bevriezingsschade aan cellen, weefsels en organen kunnen voorkomen. De doorbraak kan grote gevolgen hebben voor de transplantatiegeneeskunde.
Het invriezen van biologische systemen legt het metabolisme stil en maakt langdurige opslag in theorie mogelijk. In de praktijk ontstaan echter vaak ernstige beschadigingen bij het ontdooien. IJskristallen spelen daarin een sleutelrol: ze perforeren cellen, waardoor deze hun functie verliezen. Dat fenomeen is ook zichtbaar bij ontdooid rood fruit dat zijn structuur verliest.
Leren van de natuur
Voets laat zich inspireren door organismen die extreme kou overleven, zoals Arctische ijsvissen. Ondanks temperaturen onder nul bevriezen deze dieren niet. De verklaring ligt in kleine ijsbindende eiwitten, zogeheten antivriesproteïnen, die zich hechten aan ijskristallen en verdere groei remmen. Daardoor blijven kristallen klein en wordt schade voorkomen.
Antivriesproteïnen zijn inmiddels in veel planten en dieren aangetroffen, van vissen en insecten tot bacteriën en microalgen. Elk organisme gebruikt deze eiwitten op een andere manier om te overleven. Het onderzoek van Voets richt zich op het fundamentele begrip van deze mechanismen.
Kunstmatige eiwitten uit het lab
In plaats van eiwitten te isoleren uit dieren, produceert het team ze met behulp van bacteriën. “In het chemisch-biologisch laboratorium van de TU/e zetten we bacteriën aan het werk om ijsbindende eiwitten voor ons te produceren,” zegt Voets. “Dat is niet alleen goed voor de ijsvissen, maar ook nuttig voor ons, omdat we zo heel nauwkeurig met de eiwitstructuur kunnen spelen om te onderzoeken welke delen essentieel zijn voor de werking van de eiwitten.”
Samen met onderzoekers van Wageningen University & Research en Washington University werden met behulp van kunstmatige intelligentie volledig nieuwe eiwitten ontworpen. Deze worden geproduceerd met E. coli en getest op hun interactie met ijs.
In een recent artikel in Proceedings of the National Academy of Sciences presenteert het team een nieuwe familie van kunstmatig ontworpen eiwitten die stabieler en actiever zijn dan natuurlijke varianten. “De nieuwe eiwitten blijven stabiel in een veel breder temperatuurbereik,” aldus Voets. Dat maakt ze geschikt voor praktische toepassingen, zoals het invriezen van menselijke donororganen zonder complexe koelprocedures.
Richting maatschappelijke impact
De doorbraak is mogelijk gemaakt door samenkomende ontwikkelingen in eiwitontwerp, cryobiologie, biofysica en geavanceerde microscopie. Voets gebruikte als eerste onderzoeker ter wereld superresolutie-fluorescentiemicroscopie bij temperaturen onder nul om individuele eiwitten op ijs te volgen. Daarnaast werkt zij samen met biomedische ingenieurs, cardiologen van Universitair Medisch Centrum Utrecht en transplantatiechirurgen van Universitair Medisch Centrum Groningen.
Een volgende stap kwam van postdoc Tim Hogervorst, die aantoonde dat de essentiële eigenschappen van de eiwitten ook toepasbaar zijn in polymeermaterialen. Dit maakt schaalbare en kostenefficiënte productie mogelijk.
Met steun van innovatiehub The Gate en de ERC Proof of Concept-subsidie van €150.000 onderzoekt Voets nu hoe deze ontdekking kan worden vertaald naar een concreet product. Daarmee komt het langer en veiliger bewaren van donororganen een belangrijke stap dichterbij.
Afstoting voorspellen
Een andere uitdaging voor donororganen is afstoting door het lichaam. Enkele jaren geleden startte het DEEPGRAFT-consortium een onderzoek naar hoe machine learning en kunstmatige intelligentie kunnen helpen om afstoting van getransplanteerde donornieren nauwkeuriger te voorspellen. Nu gebeurt dit vooral via histopathologische beoordeling van nierbiopten, een tijdrovende methode die niet altijd voldoende voorspellend is.
Het consortium ontwikkelde een deep-learningalgoritme dat is getraind op meer dan 5.800 scans van nierbiopten. Het algoritme kan biopten vooraf indelen in de categorieën normaal, afstoting of andere aandoeningen en fungeert zo als triagesysteem. Het systeem geeft bovendien visuele feedback om pathologen te ondersteunen. Verdere verfijning moet onderscheid tussen subtypen en infecties mogelijk maken.
