MOZAIC: Compound Growth via In Silico Reactions and Global Optimization using Conformational Space Annealing

Die Studie stellt MOZAIC vor, ein neues Framework für die fragmentbasierte Wirkstoffentwicklung, das reaktionsbasiertes Fragment-Wachstum mit Conformational Space Annealing kombiniert, um synthetisch zugängliche, chemisch diverse und leistungsfähige Wirkstoffkandidaten zu generieren.

Das Wesentliche

MOZAIC: Der digitale Baumeister für neue Medikamente

Stell dir vor, du möchtest ein neues, perfektes Haus bauen, um einen bestimmten Gast (ein Virus oder eine Krankheit) abzuwehren. Aber du hast keine fertigen Pläne. Du hast nur ein paar kleine, einfache Holzklötze (das sind die Fragmente).

Die Forscher Jinhyeok Yoo und Woong-Hee Shin haben ein neues digitales Werkzeug namens MOZAIC entwickelt. Es ist wie ein genialer Architekt, der diese kleinen Holzklötze nicht einfach wild zusammenklebt, sondern sie nach strengen, realen Bauregeln zu einem perfekten Haus zusammenfügt.

Hier ist, wie MOZAIC funktioniert, Schritt für Schritt:

1. Das Problem: Warum die alten Methoden nicht immer funktionierten

Früher haben Computerprogramme versucht, neue Medikamente zu erfinden, indem sie einfach Teile von Molekülen zusammenwürfelten. Das Problem war oft:

• Die "Zaubertrank"-Falle: Der Computer sagte: "Hier ist ein Molekül, das passt super!" Aber wenn Chemiker im echten Labor versuchten, es zu bauen, sagten sie: "Das geht gar nicht! Die Bauregeln der Chemie erlauben das nicht." Es war wie ein Haus, das auf dem Papier toll aussieht, aber in der Realität sofort einstürzt.
• Die Sackgasse: Andere Programme suchten nur in kleinen, bekannten Gärten. Sie fanden zwar etwas, aber nichts wirklich Neues oder Überraschendes.

2. Die Lösung: MOZAIC – Der regelkonforme Baumeister

MOZAIC macht zwei Dinge anders:

• Die Bauregeln (Chemische Reaktionen):
  Stell dir vor, MOZAIC hat ein riesiges Kochbuch mit echten Rezepten (chemische Reaktionen). Es klebt keine Teile einfach zusammen, sondern fragt: "Wie verbindet man diese beiden Zutaten in der echten Welt?" Es nutzt eine Art "Bauplan" (SMARTS-Regeln), der sicherstellt, dass das, was der Computer entwirft, auch im echten Labor gebaut werden kann.

  • Metapher: Statt Kleber zu verwenden, nutzt MOZAIC Schrauben und Muttern, die es wirklich gibt.

• Der Sucher (CSA - Konformationsraum-Abkühlung):
  Wie findet MOZAIC das beste Haus unter Millionen von Möglichkeiten? Es nutzt einen cleveren Suchalgorithmus namens CSA.

  • Die Analogie: Stell dir vor, du suchst den höchsten Berg in einer nebligen Landschaft. Ein normaler Wanderer läuft einfach bergauf und bleibt oft auf einem kleinen Hügel stecken, weil er den Nebel nicht durchdringen kann (das nennt man ein "lokales Minimum").
  • MOZAIC hingegen ist wie ein Hubschrauber, der erst weit herumfliegt, um die ganze Landschaft zu sehen. Dann "abkühlt" es langsam: Zuerst schaut es sich alles Grobe an, dann wird es immer genauer und konzentriert sich auf die absolut höchsten Gipfel. So findet es wirklich die besten Lösungen und verpasst keine versteckten Talsohlen oder Bergspitzen.

3. Was MOZAIC eigentlich will (Das Ziel)

MOZAIC versucht nicht nur, ein Molekül zu bauen, das an die Krankheit "andockt" (wie ein Schlüssel ins Schloss). Es muss drei Dinge gleichzeitig perfekt machen:

1. Wirksamkeit: Es muss stark gegen die Krankheit wirken (hohe Bindung).
2. Machbarkeit: Es muss leicht herzustellen sein (nicht zu teuer oder kompliziert).
3. Verträglichkeit: Es muss für den menschlichen Körper sicher und "medikamentenartig" sein.

Stell dir vor, MOZAIC ist ein Richter, der drei Punkte gibt: "Wie gut passt es?", "Wie leicht ist es zu bauen?" und "Ist es gesund?". Es sucht nach dem perfekten Kompromiss, bei dem alle drei Punkte hoch sind.

4. Die Beweise: Es funktioniert wirklich!

Die Forscher haben MOZAIC an drei verschiedenen "Testaufgaben" geprüft:

• Test 1 (PDE10A): Sie nahmen einen schwachen Anfangsbaustein und ließen MOZAIC ihn verbessern. Das Ergebnis? MOZAIC baute ein Molekül, das noch besser war als ein bereits bekanntes, teures Medikament (MK-8189). Es war wie ein kleiner Stein, der zu einem riesigen, perfekten Diamanten wurde.
• Test 2 (TrmD): Sie verglichen MOZAIC mit einem anderen bekannten Programm (CReM-dock). MOZAIC fand viel vielfältigere Lösungen. Während das andere Programm immer nur kleine Änderungen an der gleichen Stelle machte (wie immer nur die Farbe des Hauses zu ändern), baute MOZAIC völlig neue Grundrisse. Es war kreativer und fand mehr verschiedene Wege zum Ziel.
• Test 3 (Unsichere Karten): Manchmal weiß man nicht genau, wie das "Schloss" (das Protein im Körper) aussieht. MOZAIC hat auch dann gute Ergebnisse geliefert, selbst wenn die 3D-Karte des Ziel-Proteins nur eine Schätzung war (wie bei AlphaFold). Das zeigt, dass es robust ist.

5. Das Besondere: Anpassungsfähigkeit

Das Tolle an MOZAIC ist, dass man ihm sagen kann, was ihm wichtig ist.

• Willst du ein Medikament, das sich besonders gut im Wasser löst? MOZAIC kann den Fokus darauf legen.
• Willst du etwas, das besonders billig herzustellen ist? MOZAIC passt sich an.
  Es ist wie ein schaltbarer Regler: Du drehst an den Knöpfen, und der digitale Architekt baut genau das, was du brauchst.

Fazit

MOZAIC ist wie ein intelligenter, kreativer Baumeister, der nicht nur im Traumland plant, sondern nach den strengen Gesetzen der echten Chemie baut. Es findet neue, vielversprechende Medikamente, die nicht nur im Computer funktionieren, sondern auch im Labor gebaut und von Menschen eingenommen werden können. Es ist ein großer Schritt, um die Lücke zwischen Computer-Design und echten Heilmitteln zu schließen.

Technische Zusammenfassung

Technische Zusammenfassung: MOZAIC – Komplexes Wachstum durch in-silico-Reaktionen und globale Optimierung

1. Problemstellung

Das Fragment-basierte Drug-Discovery (FBDD) ist eine etablierte Strategie, bei der kleine Molekülfragmente kombiniert werden, um potente Wirkstoffkandidaten zu finden. Bestehende computergestützte Methoden (z. B. genetische Algorithmen oder KI-Modelle) haben zwar Fortschritte bei der Vorhersage von Moleküleigenschaften und Docking-Scores erzielt, weisen jedoch signifikante Mängel auf:

• Synthetische Machbarkeit: Viele generierte Moleküle sind chemisch schwer oder gar nicht synthetisierbar, da die Methoden oft keine realistischen chemischen Reaktionspfade berücksichtigen.
• Lokale Optima: Algorithmische Ansätze (wie genetische Algorithmen) neigen dazu, in lokalen Minima stecken zu bleiben und nicht den globalen Optimumbereich des chemischen Raums zu erkunden.
• Bias: KI-basierte Methoden können Verzerrungen durch ihre Trainingsdaten aufweisen.
• Zielkonflikte: Es ist schwierig, gleichzeitig Bindungsaffinität, synthetische Zugänglichkeit (Synthetic Accessibility, SA) und "Drug-Likeness" (z. B. QED) zu optimieren.

2. Methodik: Das MOZAIC-Framework

MOZAIC (Molecule Optimization via AutoDock Vina, in Silico fragment Reaction, and Conformational Space Annealing) ist ein neuartiges Framework, das fragmentbasiertes Wachstum mit einem leistungsstarken globalen Optimierungsalgorithmus kombiniert.

A. Kernkomponenten:

• In-silico-Reaktionsregeln: Anstelle von willkürlichem Fragment-Hinzufügen nutzt MOZAIC SMARTS-Muster (Simplified Molecular Input Line Entry System Arbitrary Target Specification), die auf realen organischen Reaktionen basieren (z. B. aus Datenbanken wie AutoClickChem, Robust Rxn, ChemoDOTS). Dies gewährleistet, dass generierte Verbindungen synthetisierbare Reaktionspfade haben.
• Conformational Space Annealing (CSA): CSA ist ein populationsbasierter globaler Optimierungsalgorithmus. Im Gegensatz zu genetischen Algorithmen, die oft in lokalen Minima stecken bleiben, nutzt CSA einen "Abkühlungs"-Prozess, bei dem der Distanz-Schwellenwert ($D_{cut}$) schrittweise verringert wird. Dies ermöglicht zunächst eine breite Erkundung des chemischen Raums und konzentriert sich später auf die feine Abstimmung der besten Lösungen.
• Zielfunktion (Objective Function): Die Fitness eines Moleküls wird durch eine Kombination dreier Metriken bewertet:
  1. AutoDock Vina Score: Vorhersage der Bindungsaffinität ($\Delta G$).
  2. QED (Quantitative Estimate of Drug-likeness): Bewertung der pharmazeutischen Eigenschaften.
  3. SA Score (Synthetic Accessibility): Bewertung der synthetischen Machbarkeit (niedrigere Werte = einfacher zu synthetisieren).
     Die Zielfunktion ist modular und kann leicht angepasst werden (z. B. durch Ersetzen von QED durch Löslichkeitsvorhersagen).

B. Arbeitsablauf:

1. Initialisierung: Ausgehend von einem Startmolekül und definierten Bindungsstellen wird eine "Bank" (Population) von 60 initialen Lösungen erstellt. Diese entstehen durch Anwendung von 104 Reaktionsregeln auf eine Fragmentbibliothek (abgeleitet aus ZINC20), wobei die maximale gemeinsame Teilstruktur (MCS) erhalten bleibt.
2. CSA-Iteration:
   • Selektion: "Seed"-Moleküle werden aus der aktuellen Bank ausgewählt.
   • Generierung: Neue "Kinder"-Moleküle entstehen durch Crossover (Kombination von Reaktionshistorie und Fragmenten von Seed und Partner) oder Mutation (zufällige Neuwahl von Reaktionskomponenten).
   • Update: Die Kinder werden bewertet. Wenn ein Kind innerhalb des aktuellen Distanzschwellenwerts ($D_{cut}$) liegt, wird es nur bei besserem Score die bestehende Lösung ersetzen. Liegt es außerhalb, ersetzt es das schlechteste Mitglied der Bank.
   • Abkühlung: $D_{cut}$ wird schrittweise reduziert, um die Diversität zu steuern.
3. Wiederholung: Der Prozess läuft über drei Runden, um die finale optimierte Bank zu erhalten.

3. Wichtige Beiträge und Ergebnisse

Das Paper präsentiert MOZAIC anhand von drei Benchmark-Szenarien:

A. Optimierung eines PDE10A-Hits (Vergleich mit Lead-Verbindung MK-8189):

• MOZAIC startete mit einem schwachen Hit und generierte Verbindungen, die eine 70%ige Verbesserung der vorhergesagten Bindungsaffinität (von -6,0 auf -10,4 kcal/mol) aufwiesen, was sogar besser war als der bekannte Lead-Kandidat MK-8189 (-7,8 kcal/mol).
• Die generierten Moleküle zeigten ähnliche Interaktionsmuster (Wasserstoffbrücken, $\pi$-Stapelung) wie der Lead, füllten die Bindetasche jedoch effizienter aus.
• Erkenntnis: Eine diverse Initialbank (ausgewählt via MaxMinPicker) führte zu besseren globalen Optimierungsergebnissen als eine rein score-basierte Auswahl, da sie den Suchraum besser abdeckte.

B. Vergleich mit CReM-Dock (TrmD-Target):

• Im Vergleich zu CReM-Dock (einem etablierten genetischen Algorithmus) erzeugte MOZAIC Moleküle mit höherer struktureller Diversität.
• MOZAIC generierte 45 einzigartige Gerüste (Scaffolds) mit einer höheren Scaffold-Entropie (3,59 vs. 2,79 bei CReM-Dock).
• Während CReM-Dock oft kleine Substituenten an denselben Positionen hinzufügte, nutzte MOZAIC reaktionsbasierte Modifikationen (z. B. Ringbildung), was zu chemisch neueren und synthetisch machbaren Strukturen führte.

C. Robustheit gegenüber Rezeptor-Strukturen (ADRB2):

• MOZAIC wurde sowohl mit einer Kristallstruktur (PDB: 2RH1) als auch mit einer AlphaFold3 (AF3)-Vorhersage getestet.
• Das Tool generierte Verbindungen mit vergleichbarer Bindungsaffinität und besserer QED/Synthesefähigkeit als bekannte Referenzliganden, selbst wenn die Startstruktur nicht dem Liganden ähnelte.
• Dies demonstriert die Robustheit des Algorithmus gegenüber Unsicherheiten in der Rezeptorstruktur.

D. Anpassung der physikochemischen Ziele (PPAR$\gamma$):

• Durch Ersetzen von QED/SA in der Zielfunktion durch ein Löslichkeitsmodell (ESOL) konnte MOZAIC erfolgreich die Löslichkeit von PPAR$\gamma$-Liganden verbessern, ohne die Bindungsaffinität zu opfern.
• Dies unterstreicht die Flexibilität des Frameworks für spezifische Designziele (z. B. Verbesserung der oralen Bioverfügbarkeit).

4. Bedeutung und Fazit

MOZAIC stellt einen signifikanten Fortschritt in der computergestützten Wirkstoffentwicklung dar, indem es drei kritische Lücken schließt:

1. Synthetische Machbarkeit: Durch die strikte Einhaltung von SMARTS-Reaktionsregeln werden nur chemisch plausible und synthetisierbare Verbindungen generiert.
2. Globale Optimierung: Der CSA-Algorithmus überwindet die Limitierungen lokaler Optima, die bei genetischen Algorithmen häufig auftreten, und erkundet den chemischen Raum effizienter.
3. Vielseitigkeit: Das modulare Design erlaubt die Anpassung an verschiedene Optimierungsziele (Affinität, Löslichkeit, Toxizität etc.).

Zukünftige Herausforderungen:
Die Autoren erkennen an, dass die Genauigkeit von AutoDock Vina (keine Berücksichtigung von Proteinflexibilität oder Solvatationseffekten) eine Limitierung darstellt. Zukünftige Arbeiten planen die Integration von Quantenmechanik-basierten Scoring-Funktionen und Tools zur Vorhersage von Bindetaschen (z. B. Fpocket), um das Framework auch für "Blind Docking"-Szenarien nutzbar zu machen.

Verfügbarkeit:
Der Quellcode und die Benchmark-Daten sind öffentlich unter GitHub verfügbar (https://github.com/kucm-lsbi/MOZAIC/).