Expansion of DNA-Encoded Library Hits Using Generative Chemistry and Ultra-Large Compound Catalogs

Die Suche nach einem neuen Medikament beginnt oft mit einer Durchforstung eines riesigen, chaotischen Meeres aus chemischen Möglichkeiten. Wissenschaftler müssen ein einzelnes Molekül finden, das perfekt in ein spezifisches biologisches Ziel passt, wie ein Schlüssel, der in ein Schloss gleitet, um einen Krankheitsprozess zu stoppen oder einen defekten Mechanismus im Körper zu reparieren. Jahrzehntelang war die Standardmethode hierfür das Hochdurchsatz-Screening, eine Methode, bei der Maschinen Hunderttausende von physischen Chemikalien nacheinander testen. Obwohl diese Methode effektiv ist, ist sie langsam, teuer und erfordert enorme Mengen an physischem Material. Eine modernere Technik namens DNA-kodierte Bibliotheken hat sich als leistungsstarke Alternative herauskristallisiert. Bei dieser Methode koppeln Wissenschaftler jedem von Milliarden winziger chemischer Bausteine einen einzigartigen DNA-Barcode an. Sie mischen diese zusammen und lassen sie mit einem Zielprotein interagieren. Die DNA-Tags dienen als Datensatz, der es den Forschern ermöglicht, schnell abzulesen, welche Chemikalien an das Protein gebunden haben und welche nicht. Dies erlaubt das Screening einer enormen Anzahl von Verbindungen mit weitaus weniger Kosten und Aufwand als traditionelle Methoden. Diese Bibliotheken sind jedoch durch die spezifischen Chemikalien begrenzt, die die Forscher ursprünglich gebaut haben. Wenn das bestmögliche Arzneimittelmolekül nicht innerhalb dieses anfänglichen Satzes von Bausteinen existiert, endet die Suche dort, und ein potenzielles Heilmittel bleibt unentdeckt.

Forscher an der University of North Carolina at Chapel Hill haben eine neue Strategie entwickelt, um diese Einschränkung zu überwinden, indem sie die realen Daten aus diesen DNA-Bibliotheken mit der Vorhersagekraft künstlicher Intelligenz kombinieren. Ihre Arbeit konzentriert sich auf ein Protein namens 53BP1, das eine entscheidende Rolle bei der Reparatur beschädigter DNA in Zellen spielt. Durch das Verständnis, wie man dieses Protein blockieren kann, hoffen Wissenschaftler, Gen-Editing-Werkzeuge wie CRISPR effizienter zu machen. Das Team begann mit einer gezielten Sammlung von etwa 58.000 Chemikalien, die bereits gegen das 53BP1-Protein mittels der DNA-Bibliotheksmethode getestet worden waren. Sie identifizierten einige vielversprechende Kandidaten, die eine gewisse Fähigkeit zeigten, an das Protein zu binden. Anstatt hier aufzuhören, nutzten sie diese ersten Ergebnisse, um ein generatives KI-Modell zu trainieren. Dieses Modell sucht nicht einfach nach Kopien der bestehenden Chemikalien; es lernt die Regeln dafür, was ein Molekül dazu bringt, an das Protein zu binden, und erfindet dann völlig neue Strukturen, die diesen Regeln folgen. Um sicherzustellen, dass diese neuen Ideen praktikabel sind, gleichen die Forscher ihre KI-Erfindungen mit einem massiven, öffentlich verfügbaren Katalog von Milliarden kommerziell erhältlicher Chemikalien ab, bekannt als Enamine REAL Space.

Der Prozess funktionierte wie eine geführte Tour durch eine riesige Landschaft chemischer Möglichkeiten. Die Forscher nahmen zuerst die besten Treffer aus ihrem ursprünglichen DNA-Bibliotheks-Screening und nutzten diese, um eine Million ähnlicher Moleküle aus dem kommerziellen Katalog zu finden. Sie speisten diese Gruppe dann in ihr KI-System ein, welches tausende neue, hypothetische Moleküle generierte, die noch besser an das 53BP1-Protein binden sollten. Das System prüfte diese neuen Designs dann gegen die tatsächliche Form des Proteins, um zu sehen, ob sie hineinpassen würden. Die vielversprechendsten virtuellen Kandidaten wurden dann wieder mit realen, käuflichen Chemikalien aus dem Katalog abgeglichen. Dieser Zyklus wurde wiederholt, was es der KI ermöglichte, ihre Vorschläge zu verfeinern und noch vielfältigere chemische Formen zu erforschen. Das Ergebnis war eine Liste neuer Verbindungen, die sich strukturell stark von den ursprünglichen in der DNA-Bibliothek gefundenen unterscheiden, die jedoch alle sofort von Chemikalienlieferanten zu kaufen waren.

Als das Team diese neuen, von der KI nominierten Verbindungen im Labor testete, waren die Ergebnisse ermutigend. Sie verwendeten einen sensitiven Assay, um zu messen, wie gut die Chemikalien einen bekannten Binder vom 53BP1-Protein verdrängen können. Drei der neuen Verbindungen zeigten eine starke Aktivität, wobei Konzentrationen von 50 Mikromolar oder weniger nötig waren, um einen signifikanten Effekt zu erzielen, während elf andere bei Konzentrationen von bis zu 100 Mikromolar gut abschnitten. Diese Ergebnisse waren vergleichbar mit den besten Treffern aus der ursprünglichen, viel kleineren DNA-Bibliothek. Entscheidend war, dass die neuen Verbindungen nicht bloße Kopien der alten waren; sie besaßen eine größere Vielfalt an Formen und chemischen Merkmalen. Sie schienen zudem bessere Eigenschaften für die Anwendung als Medikamente zu besitzen, wie etwa eine höhere vorhergesagte Wasserlöslichkeit und eine Struktur, die für Chemiker leichter zu synthetisieren ist. Die Studie zeigte, dass Forscher durch die Nutzung einer kleinen Menge experimenteller Daten zur Steuerung einer künstlichen Intelligenz ihre Suche über die physischen Grenzen ihrer ursprünglichen Bibliothek hinaus schnell erweitern können. Dieser Ansatz ermöglicht es ihnen, neuartige, potente und kommerziell verfügbare Moleküle zu finden, ohne tausende neue Verbindungen von Grund auf neu synthetisieren zu müssen, was einen optimierten Weg zur Entdeckung der nächsten Generation therapeutischer Werkzeuge bietet.