AI-Enforced Ultra-Large Virtual Screening Discovers Potent CD28 Binders

Diese Studie demonstriert den ersten erfolgreichen prospektiven Einsatz der KI-gestützten Plattform PyRMD2Dock zur Entdeckung potenter, submikromolarer CD28-Binder aus einer ultra-großen chemischen Bibliothek, die als vielversprechende Kandidaten für die Hemmung immunologischer Protein-Protein-Interaktionen identifiziert wurden.

Das Wesentliche

🧪 Die große Schatzsuche: Wie KI einen neuen Schlüssel für das Immunsystem fand

Stell dir vor, das menschliche Immunsystem ist wie eine riesige, hochsichere Festung. Um diese Festung zu öffnen oder zu schließen, braucht man den richtigen Schlüssel. In dieser Studie ging es darum, einen solchen Schlüssel für ein sehr wichtiges Schloss namens CD28 zu finden.

1. Das Problem: Ein flaches Schloss ohne Schlüsselloch

Normalerweise haben Schlüssel (Medikamente) ein tiefes Schlüsselloch (eine Tasche im Protein), in das sie perfekt hineinpassen. Aber das CD28-Protein ist ein „Trickbetrüger". Es hat keine tiefe Tasche, sondern nur eine flache, glatte Oberfläche – wie ein flacher Stein am Strand.

• Die Herausforderung: Einen Schlüssel zu finden, der auf einem flachen Stein hält, ist extrem schwierig. Bisherige Computer-Methoden waren wie der Versuch, einen Nadelhaufen zu durchsuchen, indem man jeden einzelnen Strohhalm einzeln mit der Hand prüft. Das dauert zu lange und ist zu teuer.

2. Die Lösung: Der KI-gestützte Super-Suchroboter

Die Forscher nutzten ein neues Werkzeug namens PyRMD2Dock. Stell dir das wie einen hochmodernen Suchroboter vor, der zwei Fähigkeiten kombiniert:

1. Der Intellekt (KI): Er lernt schnell, wie ein guter Schlüssel aussehen muss, indem er sich Tausende von Beispielen ansieht.
2. Die Kraft (Docking): Er prüft dann, ob diese Schlüssel auch wirklich physikalisch passen.

Anstatt jeden einzelnen der 48 Millionen möglichen chemischen Verbindungen einzeln zu testen (was Jahre dauern würde), tat der Roboter Folgendes:

• Er nahm zuerst eine kleine, bunte Auswahl von 2,4 Millionen Molekülen und testete sie manuell am Computer.
• Aus diesen Ergebnissen lernte die KI: „Aha! Moleküle mit diesen bestimmten Formen und Eigenschaften passen gut."
• Dann nutzte die KI dieses Wissen, um die restlichen 46 Millionen Moleküle in Sekundenbruchteilen zu scannen. Sie sagte im Grunde: „Diese 46 Millionen sind wahrscheinlich Müll, aber diese 232 hier sehen vielversprechend aus!"

3. Die Entdeckung: Die Gewinner aus der Menge

Von den 232 vielversprechenden Kandidaten kauften die Forscher 150 Stück und testeten sie im echten Labor.

• Das Ergebnis: Es war ein voller Erfolg! Viele dieser Moleküle passten tatsächlich auf das CD28-Protein.
• Die Superhelden: Zwei Kandidaten, genannt 100 und 104, waren die Stars. Sie passten so perfekt, dass sie das CD28-Protein fast wie ein Kleber festhielten (mit einer sehr hohen Bindungsstärke).

4. Der Test: Funktioniert das im echten Körper?

Ein Schlüssel nützt nichts, wenn er die Tür nicht wirklich öffnet oder schließt. Also testeten die Forscher, ob diese neuen Moleküle auch im menschlichen Körper funktionieren würden:

• Der Stopp-Test: Sie zeigten, dass die Moleküle verhindern konnten, dass CD28 mit seinem Partner (CD80) spricht. Das ist wie wenn man zwei Personen, die sich gerade unterhalten, die Hände festhält, damit sie nicht weiterreden können.
• Die Armee-Übung: Sie brachten die Moleküle in eine Simulation, bei der menschliche Immunzellen (T-Zellen) gegen Krebszellen (Tumoren) kämpften. Normalerweise würde CD28 die Immunzellen anfeuern, damit sie angreifen. Aber die neuen Moleküle (100 und 104) konnten diese „Anfeuerung" stoppen.
• Das Ergebnis: Die Immunzellen wurden ruhiger, und die Produktion von entzündungsfördernden Botenstoffen (Zytokinen) sank drastisch. Das ist extrem wichtig, um überschießende Immunreaktionen (wie bei Autoimmunerkrankungen) zu behandeln.

🎯 Das Fazit in einem Satz

Die Forscher haben bewiesen, dass man mit Hilfe einer cleveren KI auch die schwierigsten, flachsten „Schlösser" im menschlichen Körper finden und mit kleinen Molekülen öffnen kann. Statt Jahre zu suchen, haben sie in kurzer Zeit neue, potente Medikamente entdeckt, die das Immunsystem präzise regulieren können.

Die Moral der Geschichte: Wenn man einen riesigen Nadelhaufen hat, braucht man nicht mehr alle Strohhalme einzeln zu prüfen. Man braucht einen intelligenten Roboter, der weiß, wonach er suchen muss – und dann findet er die Nadel blitzschnell.

Technische Zusammenfassung

Titel: KI-gestützte Ultra-Large Virtual Screening-Methodik entdeckt potente CD28-Binder

1. Problemstellung

Die Entwicklung von kleinen Molekülen, die Protein-Protein-Interaktionen (PPIs) hemmen, stellt eine historische Herausforderung in der computergestützten Wirkstoffentwicklung dar. Im Gegensatz zu Enzymen mit tiefen, gut definierten Bindetaschen weisen PPI-Oberflächen oft flache, solvent-exponierte Schnittstellen ohne klassische Bindungstaschen auf.
Ein Paradebeispiel für ein derart schwer zu targetierendes Ziel ist der kostimulatorische Immunrezeptor CD28. CD28 ist ein homodimerer Rezeptor, der über eine weitgehend planare und solventzugängliche β-Sandwich-Oberfläche mit seinen Liganden CD80 und CD86 interagiert. Das Fehlen einer tiefen, eingedrückten Kavität macht die Entwicklung kleiner Moleküle, die diese Schnittstelle stabil binden und unterbrechen können, extrem schwierig. Zudem stoßen traditionelle struktur-basierte Virtual-Screening-Verfahren (SBVS) bei der Durchsuchung ultra-großer chemischer Räume (Milliarden von Verbindungen) an massive rechnerische Grenzen.

2. Methodik

Die Autoren berichten über die erste prospektive Anwendung der PyRMD2Dock-Plattform, einer KI-gestützten SBVS-Workflow-Lösung innerhalb der PyRMD Studio Suite. Der Ansatz kombiniert maschinelles Lernen (ML) mit klassischem Docking, um die Skalierbarkeit zu erhöhen.

• Workflow-Architektur:
  • Training: Eine chemisch diverse Teilmenge von 2,4 Millionen Molekülen aus der Enamine REAL Diversity Space (ERDS) wurde mittels RDKit-basierter Diversitätsauswahl (ECFP6-Fingerabdrücke, MaxMin-Algorithmus) ausgewählt.
  • Docking: Diese Teilmenge wurde in eine spezifische Tasche neben der kanonischen Ligandenbindungsstelle von CD28 (PDB ID: 1YJD) gedockt. Die Tasche wurde basierend auf strukturellen Homologien zu CTLA-4 und Interaktionen mit dem Antikörper Tremelimumab identifiziert (Residuen: H38, F93, K95, D106, N107, K109, S110).
  • Modelltraining: Basierend auf den Docking-Ergebnissen ($\Delta G_{AD4}$) wurden 672 Klassifikationsmodelle trainiert. Die Aktivitätsschwellenwerte wurden systematisch optimiert (aktive Klasse: $\le -7,75$ kcal/mol; inaktive Klasse: $\ge -4,75$ kcal/mol). Ein optimiertes Modell wurde ausgewählt, das einen hohen Trade-off zwischen True Positive Rate (TPR) und False Positive Rate (FPR) bei hoher Präzision bietet.
  • Screening: Das trainierte ML-Modell (PyRMD) screenete die verbleibenden ~46 Millionen Verbindungen der ERDS-Datenbank. Dies ermöglichte eine etwa 3,3-fache Beschleunigung im Vergleich zu früheren Versionen.
  • Filterung und Priorisierung:
    • Top-Ranking-Verbindungen (ca. 650.000) wurden erneut gedockt.
    • Strukturbasierte Filter wurden angewendet: Nur Verbindungen mit $\Delta G_{AD4} \le -7,75$ kcal/mol, die gleichzeitig Kontakte zu den Schlüsselresiduen K109 und C94 herstellten, wurden weiterverfolgt.
    • Clustering und Visualisierung reduzierten die Auswahl auf 232 priorisierte Liganden, die drei verschiedene Bindungsorientierungen repräsentierten.

3. Wichtige Beiträge

• Erste prospektive Anwendung: Dies ist der erste Nachweis einer erfolgreichen, realen Anwendung des PyRMD2Dock-Workflows zur Entdeckung von PPI-Inhibitoren.
• Skalierbarkeit: Demonstration, wie KI-gestützte Filterung (ML) die Notwendigkeit eliminiert, jede einzelne Verbindung in einer ultra-großen Bibliothek explizit zu docken, wodurch rechenintensive Engpässe umgangen werden.
• Targeting flacher Oberflächen: Erfolgreiche Identifizierung von kleinen Molekülen für die flache, solvent-exponierte Schnittstelle von CD28, was als Modell für andere schwierige Immunrezeptoren dient.
• Offene Software: Bereitstellung der PyRMD Studio Suite als benutzerfreundliche GUI, die komplexe KI-Workflows für Forscher ohne tiefe Programmierkenntnisse zugänglich macht.

4. Ergebnisse

• Experimentelle Validierung: Von den priorisierten 232 Verbindungen wurden 150 kommerziell bezogen und experimentell getestet.
• Hit-Rate: Das Screening ergab eine bemerkenswerte Hit-Rate. 12 Verbindungen zeigten signifikante Signalveränderungen im Dianthus-Assay (ca. 7,3 % Hit-Rate).
• Bindungsaffinität (MST): Mittels Microscale Thermophoresis (MST) wurden direkte Bindungen quantifiziert. Die Leitverbindungen 100 und 104 zeigten submikromolare Affinitäten:
  • Cpd 100: $K_d = 343,8$ nM
  • Cpd 104: $K_d = 407,1$ nM
• Funktionale Hemmung:
  • ELISA: Beide Verbindungen unterbrachen die CD28-CD80-Interaktion kompetitiv mit IC$_{50}$-Werten von 231,4 nM (100) bzw. 840,6 nM (104).
  • Zelluläre Reporter-Assays: In einem Jurkat/Raji-System blockierten beide Verbindungen die CD28-vermittelte Signalgebung (IC$_{50}$ von 748,9 nM für 100).
  • 3D-Kokultur-Modelle: In physiologisch relevanten Modellen (Tumor-PBMC und humanes Luftwegsgewebe-PBMC) reduzierten die Verbindungen die Zytokinsekretion (IFN-$\gamma$, IL-2, TNF-$\alpha$) dosisabhängig und effektiv.
• Bindungsmodus: Die Analyse zeigte, dass die hochaktiven Verbindungen 100 und 104 in zwei unterschiedlichen, aber gleichwertigen Bindungsorientierungen (Cluster 1 und 3) vorliegen, die beide Schlüsselwechselwirkungen mit dem Zielprotein eingehen.

5. Bedeutung

Diese Studie validiert den PyRMD2Dock-Workflow als hochskalierbares und effektives Protokoll zur Erschließung massiver chemischer Bibliotheken. Sie beweist, dass KI-gestützte Virtual-Screening-Methoden erfolgreich genutzt werden können, um strukturell anspruchsvolle Immunrezeptor-Schnittstellen (wie CD28) zu targetieren, die bisher als "undruggable" galten. Die Entdeckung potenter CD28-Antagonisten (100 und 104) eröffnet neue Wege für die Entwicklung von Immuntherapien und demonstriert, dass flache PPI-Oberflächen durch kleine Moleküle modulierbar sind. Dies erweitert das Spektrum der behandelbaren PPI-Ziele erheblich und bietet eine Blaupause für die zukünftige Entdeckung von Wirkstoffen gegen komplexe Proteininteraktionen.