De novo designed cyclic MC4R peptide agonist reduces food intake in mice

Diese Studie etabliert einen generalisierbaren End-to-End-Workflow für die de-novo-Entdeckung von Peptidwirkstoffen, indem Deep Learning eingesetzt wird, um einen neuartigen zyklischen MC4R-Agonisten zu entwerfen, zu optimieren und zu validieren, der eine hohe Potenz aufweist und die Nahrungsaufnahme bei Mäusen signifikant reduziert.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, einen maßgeschneiderten Schlüssel zu bauen, um ein sehr spezifisches, kompliziertes Schloss (den MC4R-Rezeptor) zu öffnen, das den Hunger im Körper steuert. Normalerweise versuchen Wissenschaftler, Schlüssel zu kopieren, von denen sie wissen, dass sie in der Natur existieren. Doch diese Arbeit handelt davon, einen brandneuen Schlüssel von Grund auf mit einem supersmart Computerprogramm zu bauen, ohne etwas zu kopieren, was die Natur bereits hergestellt hat.

So haben die Forscher es Schritt für Schritt gemacht:

1. Der Computer-Architekt
Zunächst nutzte das Team ein leistungsstarkes KI-Tool (AlphaFold2 genannt), das wie ein digitaler Architekt fungierte. Sie baten den Computer, über 5.000 verschiedene Formen für einen Schlüssel zu „halluzinieren" oder sich vorzustellen. Einige waren gerade Linien, andere waren ringförmig (zyklisch) geformt. Das Ziel war es, Formen zu finden, die perfekt in das „Schloss" des Hungerrezeptors passten.

2. Die erste Probefahrt
Sie wählten eine kleine Gruppe dieser computergestützten Schlüssel aus, um sie im Labor zu testen. Es war ein bisschen wie eine Talentshow:

• 74 % der geradlinigen Schlüssel funktionierten tatsächlich.
• 23 % der ringförmigen Schlüssel funktionierten.
  Einer der ringförmigen Schlüssel war ein Star. Er konnte das Schloss drehen und ein Signal senden, obwohl er völlig anders aussah als die natürlichen Schlüssel, die der Körper normalerweise verwendet. Anfangs war er etwas schwach, aber er bewies, dass das Konzept funktionierte.

3. Die „Tuning"-Werkstatt
Sobald sie einen funktionierenden Prototypen hatten, hörten sie nicht auf. Sie behandelten ihn wie einen Rennwagen, der abgestimmt werden musste. Sie führten Tausende von winzigen Experimenten durch, um verschiedene Teile des Schlüssels auszutauschen (ein Buchstabe im Code nach dem anderen geändert), um zu sehen, welche Änderungen ihn schneller und stärker machten. Sie fügten auch „Stabilisatoren" hinzu, um zu helfen, dass der Schlüssel länger im Körper hält.

Durch diesen Prozess entdeckten sie ein neues geheimes Muster (eine spezifische Buchstabenfolge namens „APWR"), das den Schlüssel besser funktionieren ließ. Sie fanden eine spezifische Änderung – den Austausch eines Teils gegen ein „Prolin"-Stück –, die den Schlüssel unglaublich kraftvoll machte. Diese neue Version, genannt E5P, war etwa 50-mal stärker als der erste funktionierende Prototyp.

4. Der Realitäts-Test
Schließlich nahmen sie diesen supergeladenen Schlüssel und testeten ihn an Mäusen. Sie gaben den Mäusen eine kleine Dosis des Schlüssels direkt in ihr Gehirn. Das Ergebnis? Die Mäuse fraßen sofort deutlich weniger.

Das große Ganze
Diese Arbeit geht nicht nur um ein bestimmtes Medikament gegen Hunger. Es ist eine Demonstration einer neuen „Fließbandproduktion". Die Forscher zeigten, dass man von einer Computeridee zu einem echten, funktionierenden Medikament in einer Maus gelangen kann, ganz ohne sich auf die bestehenden Designs der Natur zu verlassen. Sie bewiesen, dass wir mit den richtigen Werkzeugen völlig neue Arten von Schlüsseln erfinden können, um biologische Prozesse zu entsperren, die wir bisher nicht erreichen konnten.

Technische Zusammenfassung

Technische Zusammenfassung: Ein neu entworfener zyklischer MC4R-Peptidagonist

Problemstellung
Während die auf Deep Learning basierende Strukturvorhersage die Entwicklung von Peptidliganden unabhängig von natürlichen Gerüsten ermöglicht hat, steht das Feld vor einer erheblichen Engstelle: Die meisten computergenerierten Peptide werden über initiale Aktivitätsmessungen hinaus nicht weiterentwickelt. Folglich bleiben die kritischen Wege zur medikamentenähnlichen Optimierung und zur in-vivo-Validierung weitgehend unerforscht. Es besteht ein Bedarf an einem durchgängigen Workflow, der die Lücke zwischen de-novo-Design und der Generierung optimierter, pharmakologisch aktiver Peptide schließt.

Methodik
Die Autoren etablierten einen umfassenden Workflow für die Entdeckung und Reifung von Peptidagonisten, wobei sie den Melanocortin-4-Rezeptor (MC4R) als Modellziel verwendeten. Der Prozess umfasste die folgenden Stufen:

1. De-novo-Design: Mithilfe eines auf AlphaFold2 basierenden Halluzinationsprotokolls, das in ColabDesign implementiert war, generierte das Team über 5.000 Kandidatenpeptide, die sowohl lineare als auch Kopf-zu-Schwanz-zyklische Strukturen umfassten und spezifisch auf die orthosterische Tasche des MC4R ausgerichtet waren.
2. Initiale Screening: Eine priorisierte Teilmenge dieser Kandidaten unterzog sich einem funktionellen Screening zur Bewertung der Aktivität.
3. Systematische Reifung: Für aktive Kandidaten setzte das Team eine mehrprongige Optimierungsstrategie ein:
   • Deep Mutational Scanning: Zur Kartierung von Sequenz-Aktivitäts-Beziehungen.
   • Half-life Extender Conjugation Scanning: Zur Bewertung der Stabilität und des pharmakokinetischen Potenzials.
   • Kombinatorische Optimierungsbibliothek: Zur weiteren Verfeinerung der Potenz.
   • Datengetriebene Analyse: Zur Interpretation der Ergebnisse der oben genannten Scans und zur Steuerung weiterer Designs.
4. In-vivo-Validierung: Die potenteste Variante wurde zentral an Mäuse verabreicht, um ihre Wirkung auf die akute Nahrungsaufnahme zu bewerten.

Hauptergebnisse

• Trefferrate: Das funktionelle Screening zeigte bei 74 % der linearen Peptide und bei 23 % der zyklischen Peptide messbare Aktivität.
• Initiale Entdeckung: Das Team identifizierte einen zyklischen Agonisten mit einem EC₅₀-Wert von 340 nM gegenüber dem humanen MC4R (hMC4R). Bemerkenswerterweise fehlte diesem Peptid das kanonische Melanocortin-Aktivierungsmotiv.
• Motiv-Identifizierung: Die Optimierungsversuche identifizierten ein alternatives Aktivierungsmotiv, das auf einem APWR-Segment basiert.
• Potenzoptimierung: Durch systematische Mutagenese wurde eine Einzelstellenvariante mit einer Prolin-Substitution an Position 5 (E5P) erzeugt. Diese Variante zeigte einen signifikant verbesserten EC₅₀-Wert von 6,7 nM gegenüber hMC4R.
• In-vivo-Wirksamkeit: Die zentrale Verabreichung der E5P-Variante (10 nmol) reduzierte erfolgreich die akute Nahrungsaufnahme bei Mäusen und lieferte den Proof of Concept für die in-vivo-Aktivität des de-novo-entworfenen Peptids.

Bedeutung und Behauptungen
Die Arbeit behauptet, eine generalisierbare „Design-zu-Validierungs"-Strategie nachzuweisen. Dieser Ansatz wandelt de-novo-Peptiddesigns erfolgreich in optimierte, pharmakologisch aktive Peptide um und schließt die Lücke zwischen computergenerierter Erzeugung und therapeutischer Anwendung. Darüber hinaus erweitert die Arbeit den bekannten chemischen Raum der MC4R-Agonisten, indem sie Chemotypen identifiziert, die jenseits der Einschränkungen endogener Melanocortine funktionieren, und zwar speziell unter Verwendung nicht-kanonischer Aktivierungsmotive. Die Studie validiert die Nützlichkeit von auf Deep Learning basierenden Halluzinationsprotokollen in Kombination mit rigoroser experimenteller Reifung für die Wirkstoffentdeckung.