The occurrence of linear cholesterol-recognition motifs in alpha-helical transmembrane domains has long been debated. Here, we demonstrate the ability of a genetic algorithm guided by coarse-grained molecular dynamics simulations—a method coined evolutionary molecular dynamics (Evo-MD)—to directly resolve the sequence which maximally attracts cholesterol for single-pass alpha-helical transmembrane domains (TMDs). We illustrate that the evolutionary landscape of cholesterol attraction in membrane proteins is characterized by a sharp, well-defined global optimum. Surprisingly, this optimal solution features an unusual short, slender hydrophobic block surrounded by three successive lysines. Owing to the membrane thickening effect of cholesterol, cholesterol-enriched ordered phases favor TMDs characterized by a long rather than a too short hydrophobic length (a negative hydrophobic mismatch). However, this short hydrophobic pattern evidently offers a pronounced net advantage for the attraction of free cholesterol in both coarse-grained and atomistic simulations. We illustrate that optimal cholesterol attraction is in fact based on the superposition of two distinct structural features: (i) slenderness and (ii) hydrophobic mismatch. In addition, we explore the evolutionary occurrence and feasibility of the two features by analyzing existing databases of membrane proteins and through the direct expression of analogous short hydrophobic sequences in live cell assays. The puzzling sequence variability of proposed linear cholesterol-recognition motifs is indicative of a sub-optimal membrane-mediated attraction of cholesterol which markedly differs from ligand binding based on shape compatibility. Significance Statement Our work demonstrates how a synergy between evolutionary algorithms and high-throughput coarse-grained molecular dynamics can yield fundamentally new insights into the evolutionary fingerprints of protein-mediated lipid sorting. We illustrate that the evolutionary landscape of cholesterol attraction in isolated transmembrane domains is characterized by a well-defined global optimum. In contrast, sub-optimal attraction of cholesterol is associated with a diverse solution space and features a high sequence variability despite acting on the same unique molecule. The contrasting physicochemical nature of the resolved attraction optimum suggests that cholesterol attraction via linear motifs does not pose a dominant pressure on the evolution of transmembrane proteins.

Abstract Proteins can specifically bind to curved membranes through curvature-induced hydrophobic lipid packing defects. The chemical diversity among such curvature ‘sensors’ challenges our understanding of how they differ from general membrane ‘binders’, that bind without curvature selectivity. Here, we combine an evolutionary algorithm with coarse-grained molecular dynamics simulations (Evo-MD) to resolve the peptide sequences that optimally recognize the curvature of lipid membranes. We subsequently demonstrate how a synergy between Evo-MD and a neural network (NN) can enhance the identification and discovery of curvature sensing peptides and proteins. To this aim, we benchmark a physics-trained NN model against experimental data and show that we can correctly identify known ‘sensors’ and ‘binders’. We illustrate that sensing and binding are in fact phenomena that lie on the same thermodynamic continuum, with only subtle but explainable differences in membrane binding free energy, consistent with the serendipitous discovery of sensors. Teaser AI-based design helps explain curvature-selective membrane binding behavior.

Motivation: Many membrane peripheral proteins have evolved to transiently interact with the surface of (curved) lipid bilayers. Currently, methods to quantitatively predict sensing and binding free energies for protein sequences or structures are lacking, and such tools could greatly benefit the discovery of membrane-interacting motifs, as well as their de novo design. Results: Here, we trained a transformer neural network model on molecular dynamics data for >50,000 peptides that is able to accurately predict the (relative) membrane-binding free energy for any given amino acid sequence. Using this information, our physics-informed model is able to classify a peptide's membrane-associative activity as either non-binding, curvature sensing, or membrane binding. Moreover, this method can be applied to detect membrane-interaction regions in a wide variety of proteins, with comparable predictive performance as state-of-the-art data-driven tools like DREAMM, PPM, and MODA, but with a wider applicability regarding protein diversity, and the added feature to distinguish curvature sensing from general membrane binding. Availability: We made these tools available as a web server, coined Protein-Membrane Interaction predictor (PMIpred), which can be accessed at https://pmipred.fkt.physik.tu-dortmund.de.