Prospective discovery of LasB inhibitors by integrating generative design, free energy ranking, and experimental validation
Diese Studie präsentiert einen vollständig quelloffenen computergestützten-experimentellen Workflow, der generatives molekulares Design mit rigorosen freien Energieberechnungen integriert, um erfolgreich drei potente, stabile nanomolare Inhibitoren des *Pseudomonas aeruginosa*-Virulenzfaktors LasB zu identifizieren und damit ein skalierbares Framework zur Beschleunigung der frühen Phase der Wirkstoffforschung aufzuzeigen.
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 gleicht der Suche nach einem einzigen, spezifischen Schlüssel in einer Bibliothek, die Milliarden von Schlössern enthält. Der Prozess ist langsam, teuer und oft frustrierend, da Chemiker Millionen potenzieller Kandidaten von Hand aufbauen und testen müssen, um zu sehen, welche tatsächlich passen. Seit Jahrzehnten versuchen Wissenschaftler, diesen Prozess mithilfe von Computern zu beschleunigen, indem sie diese nutzen, um vorherzusagen, welche Moleküle funktionieren könnten, noch bevor ein einziges Atom physisch zusammengesetzt wurde. Diese Computerprognosen waren jedoch oft zu ungenau, um ihnen allein zu vertrauen, was dazu führte, dass Forscher Zeit mit der Synthese von Verbindungen verschwendeten, die sich als nutzlos herausstellten. Die Herausforderung bestand darin, ein System zu schaffen, das sowohl schnell genug ist, um riesige neue chemische Gebiete zu erkunden, als auch präzise genug, um einen wahren Gewinner von einem Beinahe-Treffer zu unterscheiden.
In einer kürzlich durchgeführten Studie haben Forscher erfolgreich zwei leistungsstarke Computermethoden kombiniert, um dieses Problem zu lösen, und einen Workflow geschaffen, der mit bemerkenswerter Effizienz von der digitalen Vorstellung zur physischen Realität führt. Sie konzentrierten ihre Bemühungen auf ein gefährliches Bakterium namens Pseudomonas aeruginosa, eine häufige Ursache für schwere Krankenhausinfektionen, die mit bestehenden Antibiotika zunehmend schwieriger zu behandeln ist. Dieses Bakterium verlässt sich auf ein spezifisches Protein, eine molekulare Maschine namens LasB, um menschliches Gewebe abzubauen und die Infektion zu verbreiten. Da dieses Protein außerhalb der Bakterienzelle ausgeschieden wird, ist es leichter mit einem Wirkstoff zu erreichen als Ziele, die hinter der harten Außenhülle des Bakteriums verborgen sind. Das Ziel war es, ein neues Molekül zu entwerfen, das an dieses Protein binden und dessen Funktion stoppen kann, wodurch das Bakterium effektiv unschädlich gemacht wird, ohne es zu töten – eine Strategie, die die Chance verringern könnte, dass das Bakterium Resistenzen entwickelt.
Das Team begann mit drei bekannten Molekülen, die bereits eine gewisse Fähigkeit zeigten, an das LasB-Protein zu binden, aber nicht perfekt waren. Unter Verwendung eines Computerprogramms, das darauf ausgelegt ist, neue Molekularstrukturen zu generieren, starteten sie mit diesen drei Keimen und baten die Software, tausende Variationen zu entwerfen. Das Programm mischte nicht einfach nur wahllos Atome, sondern wurde von Regeln geleitet, die Moleküle begünstigten, die wahrscheinlich wirksame Medikamente sind und sich leicht im Labor herstellen lassen. Über mehrere Runden der digitalen Evolution generierte die Software fast 40.000 einzigartige Kandidatenmoleküle. Aus dieser massiven digitalen Bibliothek wählten die Forscher eine kleine, vielfältige Gruppe von 50 Verbindungen aus, die basierend auf ihrer Form und ihren chemischen Eigenschaften am vielversprechendsten erschienen.
Um sicherzustellen, dass diese 50 Kandidaten den Bau wirklich wert waren, wandte das Team einen zweiten, strengeren Computertest an. Dieser Schritt beinhaltete die Simulation der physikalischen Kräfte zwischen dem Wirkstoffkandidaten und dem Protein mit extremer Präzision, wobei exakt berechnet wurde, wie fest sie aneinanderhalten würden. Diese Methode, bekannt als Freie-Energie-Berechnung, ist rechenintensiv, aber weitaus genauer als Standard-Screening-Methoden. Die Ergebnisse dieser Simulation ermöglichten es dem Team, die 50 Kandidaten zu ranken und die allerbesten für die physische Synthese auszuwählen. Sie bauten sechs dieser am besten bewerteten Moleküle im Labor nach und testeten sie gegen das bakterielle Protein.
Das Ergebnis war ein klarer Erfolg für diesen integrierten Ansatz. Drei der neu geschaffenen Moleküle erwiesen sich als potente Inhibitoren, die das bakterielle Protein mit hoher Effizienz bei Konzentrationen von nur 22 bis 53 Nanomolar stoppten. Diese Verbindungen waren nicht nur wirksam, sondern zeigten auch eine ausgezeichnete Stabilität in Blut- und Metabolisierungstests, was bedeutet, dass sie wahrscheinlich lange genug im Körper verbleiben würden, um ihre Aufgabe zu erfüllen. Obwohl die neuen Medikamente in einer Zellkultur eine gewisse Toxizität gegenüber menschlichen Zellen zeigten, deutet ihre starke Fähigkeit, das bakterielle Protein zu targetieren, auf einen lebensfähigen Weg für die weitere Entwicklung hin. Die Studie zeigt, dass durch die Verknüpfung von generativem Design, das neue Ideen schafft, mit strengem, physikbasiertem Ranking, das diese Ideen mit hoher Präzision testet, Wissenschaftler den riesigen Ozean der chemischen Möglichkeiten durchqueren und wertvolle Schätze finden können, ohne sich zu verlieren.
Die Forscher lernten auch wichtige Lektionen über die Grenzen ihrer Methode. Sie fanden heraus, dass die Computerprognosen zwar exzellent darin waren, zu ranken, welche Moleküle besser als andere waren, aber manchmal überschätzten sie genau, wie stark die Bindung sein würde. Diese Diskrepanz trat wahrscheinlich auf, weil der Computer die Ausgangsposition der neuen Moleküle schätzen musste, bevor er die detaillierte Simulation ausführte, und ein kleiner Fehler in dieser Schätzung die endgültige Berechnung beeinflussen konnte. Ungeachtet dessen funktionierte das System gut genug, um drei völlig neue, hochwirksame Inhibitoren aus einem Pool von Tausenden zu identifizieren, was beweist, dass diese Digital-First-Strategie experimentelle Arbeiten effektiver leiten kann als traditionelles Ausprobieren. Die Studie kommt zu dem Schluss, dass dieser Ansatz einen skalierbaren, Open-Source-Rahmen bietet, den andere Wissenschaftler nutzen können, um ähnliche Herausforderungen anzugehen, was potenziell die Entdeckung von Medikamenten für andere schwierige Krankheiten beschleunigt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.