A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design
Das Papier stellt LDDM vor, ein vereinheitlichtes 3D-generatives Modell, das die Herausforderungen der synthetischen Zugänglichkeit in der Wirkstoffforschung überwindet, indem es das schnelle Design neuartiger, zielspezifischer niedermolekularer Verbindungen und Peptide ermöglicht, welche experimentell validiert wurden, um eine hohe Bindungsaffinität und strukturelle Genauigkeit über fünf Protein-Targets hinweg zu erreichen.
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
Die Suche nach einem neuen Medikament fühlt sich oft an wie die Suche nach einem einzigen, spezifischen Schlüssel in einem Raum voller Milliarden von Schlössern. Jahrzehntelang haben Wissenschaftler versucht, dies zu lösen, indem sie riesige Bibliotheken bestehender chemischer Verbindungen testeten, in der Hoffnung, eine zu finden, die in ein krankheitsverursachendes Protein passt. Während diese Methode funktioniert hat, ist sie langsam und durch die schiere Anzahl der Möglichkeiten begrenzt. Ein neuerer Ansatz nutzt Computer, um diese Schlüssel von Grund auf neu zu entwerfen und Moleküle zu erschaffen, die noch nie zuvor existiert haben. Die Herausforderung bei dieser Methode bestand jedoch darin, dass die Computermodelle oft auf einem Bildschirm gut aussehen, aber im echten Labor unmöglich oder unglaublich schwierig für Chemiker zu bauen sind.
Ein Forschungsteam hat nun ein neues System namens LDDM eingeführt, das diese Lücke schließt. Anstatt nur komplexe Formen zu träumchen, entwirft dieses System Moleküle mit Blick auf die praktischen Schritte der Konstruktion. Es fungiert als einheitliches Werkzeug, das nicht nur neue Medikamente imaginieren kann, sondern auch sicherstellt, dass sie unter Verwendung standardmäßiger chemischer Bausteine synthetisiert werden können. Durch die Kombination der Fähigkeit, vorherzusagen, wie ein Molekül in ein Protein passt, mit einem strikten Fokus darauf, was tatsächlich herstellbar ist, hat das Team eine Pipeline geschaffen, die mit bemerkenswerter Geschwindigkeit und Genauigkeit von der digitalen Gestaltung zur physischen Realität führt.
Der Kern dieser Arbeit ist ein Modell des maschinellen Lernens, das auf einer massiven Sammlung dreidimensionaler Protein- und Wirkstoffstrukturen trainiert wurde. Stellen Sie sich einen Studenten vor, der Millionen von Fotos davon studiert hat, wie Schlüssel in Schlösser passen; dieses Modell hat die physikalischen Regeln dieser Interaktionen gelernt. Im Gegensatz zu früheren Systemen, die vielleicht ein Molekül generierten und hofften, dass es funktioniert, zerlegt LDDM den Designprozess in kleinere, handhabbare Teile. Es kann ein bekanntes Medikament nehmen, einen Teil davon verbergen und den Computer bitten, ein neues Stück zu erfinden, das perfekt in den verbleibenden Raum passt. Es kann auch mit einer leeren Tasche in einem Protein beginnen und ein Molekül von Grund auf, Atom für Atom, aufbauen. Entscheidend ist, dass das System über eine „programmierbare“ Funktion verfügt, die den Designprozess steuert. Es überprüft jeden Schritt, um sicherzustellen, dass das Molekül chemisch stabil bleibt, fest in das Zielprotein passt und aus einer vorab genehmigten Liste von Inhaltsstoffen zusammengesetzt werden kann, die für Chemiker leicht verfügbar sind.
Um zu beweisen, dass dieses System funktioniert, testeten die Forscher es an fünf verschiedenen biologischen Zielen, die von Enzymen, die an Krebs beteiligt sind, bis hin zu Proteinen, die von Viren verwendet werden, reichen. In einem Experiment gestalteten sie ein Molekül um, das dem Körper hilft, ein spezifisches Protein abzubauen, das mit Zellwachstum in Verbindung steht. Der Computer schlug neue chemische Strukturen für die Außenkanten des Wirkstoffs vor. Als das Team vier dieser neuen Designs synthetisierte, banden alle vier erfolgreich mit hoher Präzision an das Zielprotein. In einem anderen Test verbesserten sie einen Peptid-Inhibitor, der dazu dient, ein Protein namens Cathepsin S zu stoppen, das bei entzündlichen Erkrankungen aktiv ist. Durch den Austausch eines Teils des Moleküls gegen eine nicht-natürliche Aminosäure, die vom Modell vorgeschlagen wurde, schufen sie eine Version, die 3,5-mal potenter war als das Original.
Die Forscher gingen auch die Herausforderung an, völlig neue Medikamente von Grund auf zu erschaffen. Für ein Protein namens PGK1, das am Energiestoffwechsel beteiligt ist und mit mehreren Krankheiten in Verbindung steht, generierte das System Tausende von einzigartigen Kandidaten. Nachdem sie nach jenen gefiltert hatten, die leicht gekauft oder hergestellt werden konnten, testete das Team sechs davon. Vier von ihnen banden an das Protein, wobei das beste eine Bindungsstärke von 14,7 Mikromolar aufwies. Um genau zu bestätigen, wie diese neuen Moleküle wirkten, nutzte das Team fortschrittliche Bildgebungstechniken wie die Kernspinresonanzspektroskopie und die Oberflächenplasmonenresonanz. Diese Methoden ermöglichten es, die physikalische Interaktion des Wirkstoffs mit dem Protein zu beobachten, was bestätigte, dass die Vorhersage des Computers bezüglich der Bindungspose korrekt war.
Ähnliche Erfolge wurden mit Proteinen erzielt, die an Krebs und dem SARS-CoV-2-Virus beteiligt sind. Für ein Protein namens BRD4, das die Genexpression reguliert, entwarf das System ein neues Molekül, das mit einer geschätzten Affinität zwischen 40 und 60 Mikromolar an das Ziel bindet. Um diese Bindung zu validieren, nutzte das Team die Kernspinresonanzspektroskopie, um chemische Verschiebungen im Protein zu beobachten, die mit der vorhergesagten Bindungsstelle übereinstimmen. Für ein virales Protein namens Mac1 entwarf das Team ein Molekül, das ein natürliches zelluläres Signal verdrängen konnte und eine inhibitorische Konzentration von 46,2 Mikromolar erreichte. Im Fall des viralen Proteins bestätigte die Röntgenkristallographie die physische Struktur des neuen Wirkstoffs innerhalb des Proteins, welche die Computermodelle mit hoher Genauigkeit entsprach. In jedem Fall wurden die Moleküle erfolgreich im Labor synthetisiert.
Die Studie zeigt, dass generative künstliche Intelligenz über theoretische Übungen hinausgehen und greifbare, testbare Medikamente produzieren kann. Indem sie den Computer dazu zwangen, nur innerhalb des Bereichs zu entwerfen, der synthetisch möglich ist, vermieden die Forscher die häufige Falle, „unbaubare“ Moleküle zu erschaffen. Die Ergebnisse legen nahe, dass dieser Ansatz die Zeit, die benötigt wird, um einen Ausgangspunkt für ein neues Medikament zu finden, erheblich verkürzen kann. Obwohl die in dieser Studie identifizierten Moleküle selbst noch nicht bereit sind, als Medikamente zu dienen, fungieren sie als bestätigte Ausgangspunkte, die genau wie vorhergesagt an ihre Ziele binden. Diese Arbeit bietet einen praktischen Rahmen für die Zukunft der Arzneimittelentwicklung, in der Computer und Chemiker in einer engen Schleife zusammenarbeiten, um neue Therapien mit größerer Effizienz als je zuvor zu entwerfen, zu bauen und zu testen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.