How many crystal structures do you need to trust your docking results?
Die Analyse von 403 Kristallstrukturen der SARS-CoV-2-Hauptprotease aus dem COVID Moonshot-Projekt zeigt, dass die Genauigkeit der strukturgebundenen Pose-Vorhersage nach der Sammlung von etwa fünf Strukturen pro generischem Gerüst ein Plateau erreicht, was eine praktische Richtlinie zur Optimierung der Ressourcenallokation in Wirkstoffforschungs-Kampagnen darstellt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In der hochriskanten Welt der Entdeckung neuer Medikamente verlassen sich Wissenschaftler oft auf eine Strategie, die als strukturgestützte Wirkstoffforschung bezeichnet wird. Stellen Sie sich vor, Sie versuchen, einen Schlüssel zu entwerfen, der perfekt in ein komplexes, dreidimensionales Schloss passt. In diesem Fall ist das Schloss ein Protein im menschlichen Körper, das eine Krankheit verursacht, und der Schlüssel ist ein neues Medikamentenmolekül. Um den Schlüssel passend zu machen, müssen Forscher genau wissen, wie das Schloss geformt ist und wie frühere Schlüssel darin saßen. Seit Jahrzehnten ist der zuverlässigste Weg, diese Form zu sehen, das Einfrieren des Proteins mit einem angehängten Wirkstoff und das Erstellen eines Bildes mittels Röntgenstrahlen – ein Prozess, der eine Kristallstruktur erzeugt. Diese Bilder dienen als Blaupausen und zeigen Wissenschaftlern exakt, wo der Wirkstoff bindet, damit sie das Design zukünftiger Medikamente modifizieren können, um sie stärker und präziser zu machen. Das Fotografieren dieser Bilder ist jedoch teuer, langsam und schwierig. Es erfordert das Züchten perfekter Kristalle und deren Versand an massive Maschinen, was bedeutet, dass Wissenschaftler oft vor einer schwierigen Wahl stehen: Wie viele dieser teuren Bilder müssen sie tatsächlich aufnehmen, bevor sie genügend Informationen haben, um fortzufahren?
Ein Forscherteam setzte sich zum Ziel, diese Frage zu beantworten, indem es auf eine der größten und offensten Bemühungen in der Wirkstoffforschung zurückblickte: die COVID Moonshot. Dieses globale Projekt zielte darauf ab, eine Behandlung für das Virus zu finden, das COVID-19 verursacht, indem tausende verschiedene chemische Designs gegen die Hauptprotease des Virus getestet wurden – ein kritisches Enzym, das das Virus zum Überleben benötigt. Im Verlauf der Kampagne generierte das Team eine beispiellose Sammlung von 403 Kristallstrukturen, von denen jede ein leicht anderes Wirkstoffmolekül zeigt, das an das Enzym gebunden ist. Dieser massive Datensatz bot eine einzigartige Gelegenheit, eine verbreitete Annahme in der Fachwelt zu testen. Viele Wissenschaftler glaubten, dass ihre Computermodelle immer besser darin werden, vorherzusagen, wie neue, bisher unbekannte Wirkstoffe hineinpassen würden, je mehr Kristallstrukturen sie sammeln. Die Forscher wollten sehen, ob es einen Punkt gibt, an dem das Sammeln weiterer Bilder nicht mehr hilft – einen Moment des abnehmenden Grenznutzens, an dem die Kosten für das Aufnehmen eines weiteren Bildes den Nutzen der neuen Information übersteigen.
Um dies zu untersuchen, verwendeten die Forscher eine Methode namens Cross-Docking. Anstatt nur die bereits vorhandenen Bilder zu betrachten, nutzten sie ihre Computer, um zu simulieren, wie jedes einzelne Wirkstoffmolekül aus der Sammlung in die Bindungsstelle jeder anderen Kristallstruktur aus ihrer Sammlung passen würde. Sie prüften dann, ob der Computer die Position des Wirkstoffs basierend auf den verfügbaren Referenzstrukturen korrekt vorhersagen konnte. Sie maßen den Erfolg daran, ob die Vermutung des Computers innerhalb einer winzigen Distanz zur tatsächlichen, experimentell beobachteten Position lag. Indem sie diese Simulationen mit unterschiedlicher Anzahl an Referenzstrukturen durchführten, konnten sie beobachten, wie sich die Genauigkeit verbesserte, wenn mehr Daten hinzugefügt wurden. Sie verglichen auch zwei verschiedene Ansätze: einen, der nur die Form des Proteins nutzte, um die Passform zu erraten, und einen anderen, der die Formen früherer Wirkstoffe als Leitfaden nutzte, um dem Computer zu helfen, die neuen Moleküle auszurichten.
Die Ergebnisse zeigten ein klares Muster, das die Vorstellung von „mehr ist immer besser“ infrage stellt. Die Forscher fanden heraus, dass die Genauigkeit der Vorhersagen stark davon abhing, wie ähnlich der neue Wirkstoff den bereits in der Datenbank vorhandenen Wirkstoffen war. Wenn das neue Molekül einem früheren sehr ähnlich sah, konnte der Computer seine Position unter Verwendung von nur wenigen Referenzstrukturen mit hoher Genauigkeit vorhersagen. Die überraschendste Erkenntnis betraf jedoch die Vielfalt der Strukturen und nicht die Gesamtzahl der Strukturen. Das Team stellte fest, dass, sobald sie etwa fünf Kristallstrukturen für ein spezifisches chemisches Gerüst (Scaffold) hatten, das Hinzufügen weiterer Strukturen desselben Typs fast keinen zusätzlichen Nutzen mehr brachte. Die Erfolgsrate bei der Vorhersage der Wirkstoffposition stagnierte auf einem Niveau, auf dem es durch das bloße Sammeln von mehr Molekülen derselben Art nahezu unmöglich war, sich weiter zu verbessern.
Tatsächlich zeigte die Studie, dass die Diversität der chemischen Strukturen weitaus wichtiger war als das schiere Volumen der Daten. Für die erfolgreichsten Wirkstoffserien der Kampagne waren lediglich fünf Kristallstrukturen derselben grundlegenden Form ausreichend, um eine Erfolgsrate von über 95 Prozent zu erreichen. Das Hinzufügen von Dutzenden weiterer Strukturen derselben Form steigerte diese Zahl nicht signifikant. Umgekehrt stellten die Forscher fest, dass die Genauigkeit sank, wenn sie versuchten, die Position eines Wirkstoffs mit einer völlig neuen chemischen Form vorherzusagen, sofern sie keine Referenzstruktur hatten, die dieser neuen Form entsprach. Dies deutet darauf darauf hin, dass der wertvollste Einsatz von Ressourcen nicht darin besteht, ständig leicht variierende Versionen desselben Wirkstoffs zu fotografieren, sondern ganz neue chemische Formen zu fotografieren, sobald diese entdeckt werden.
Die Forscher untersuchten auch, ob die Qualität der Kristallstrukturen eine Rolle spielte. Sie betrachteten Faktoren wie die Schärfe der Bilder und wie stark die Atome im Modell zu „zittern“ schienen. Sie fanden heraus, dass die Computermodelle selbst bei geringerer Bildqualität die Wirkstoffpositionen immer noch genau vorhersagen konnten, sofern die chemischen Formen ähnlich genug waren. Dies deutet darauf hin, dass der Engpass im Prozess nicht die Qualität der Röntgenbilder ist, sondern die Fähigkeit des Computers, die korrekte Startposition des Wirkstoffs zu generieren. Selbst wenn der Computer mit einem perfekten Weg gegeben wurde, die beste Vermutung zu bewerten, konnte er die Erfolgsrate nicht wesentlich über das hinaus verbessern, was er mit einer Standard-Bewertungsmethode erreichte. Dies legt nahe, dass die Hauptschwierigkeit in der initialen Generierung der Wirkstoffposition liegt und nicht darin, die richtige aus einer Liste von Möglichkeiten auszuwählen.
Diese Erkenntnisse bieten einen praktischen Leitfaden für zukünftige Wirkstoffforschungskampagnen. Anstatt Zeit und Geld für das Sammeln hunderter Kristallstrukturen für eine einzige chemische Serie aufzuwenden, können Wissenschaftler nun auf einen kleineren, strategischeren Satz abzielen. Indem sie sich darauf konzentrieren, Strukturen für einige wenige verschiedene chemische Gerüste zu sammeln – vielleicht fünf bis zehn Strukturen pro Gerüst –, können sie nahezu die gleiche Vorhersagekraft erreichen, als hätten sie hunderte gesammelt. Dieser Ansatz ermöglicht es Forschern, schneller und effizienter voranzukommen, indem sie ihre Ressourcen auf die Erforschung neues chemischen Terrains statt auf die erneute Untersuchung bereits bekannten Bodens richten. Die Studie bestätigt eine lang gehegte Intuition unter medizinischen Chemikern: Ein Satz von vielfältigen Referenzpunkten ist mächtiger als ein tiefer Satz ähnlicher Punkte. Indem sie verstehen, wo der Grenznutzen nachlässt, kann die wissenschaftliche Gemeinschaft klügere Entscheidungen darüber treffen, wie sie die Zeit und das Geld investiert, die erforderlich sind, um neue Medikamente in die Welt zu bringen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.