Facilitating the identification of cryo-EM hit matter in drug discovery with Astex-Faro

Auf der Suche nach neuen Medikamenten beginnen Wissenschaftler oft damit, winzige chemische Fragmente zu finden, die an ein bestimmtes Protein binden – ganz so, als würde ein Schlüssel das passende Schloss finden. Diese Fragmente sind meist sehr klein und binden nur schwach, was sie schwer auffindbar macht. Um diese Interaktionen sichtbar zu machen, nutzen Forscher eine leistungsstarke Bildgebungstechnik namens Kryo-Elektronenmikroskopie, bei der Proteine in einer dünnen Eisschicht eingefroren werden und tausende Bilder aufgenommen werden, um ein 3D-Modell zu erstellen. Wenn sich jedoch ein Fragment nur an wenige der Proteinmoleküle in einer Probe bindet, geht sein Signal im Rauschen verloren und erscheint als schwacher, verschwommener Fleck statt als klare Form. Dies macht es schwierig zu unterscheiden, ob ein Wirkstoffkandidat tatsächlich funktioniert hat oder ob das Bild das Ergebnis experimenteller Variation ist.

Ein Forschungsteam hat eine neue Methode namens Astex-Faro entwickelt, um dieses Problem des Aufspürens schwacher Signale in einem überfüllten Feld zu lösen. Anstatt ein einzelnes Bild isoliert zu betrachten, vergleicht die Methode ein neues Bild mit einer großen Sammlung von Referenzbildern, die vom selben Protein aufgenommen wurden, als dieses noch kein Medikament gebunden hatte. Durch die Analyse der Unterschiede zwischen dem neuen Bild und der gesamten Gruppe der Referenzbilder kann das System mathematisch identifizieren, welche Teile der Struktur tatsächlich unterschiedlich sind. Dies ermöglicht es der Software, die winzigen, schwachen Stellen hervorzuheben, an denen sich ein Wirkstofffragment binden könnte, selbst wenn es nur in einem kleinen Bruchteil der Proben vorhanden ist. Die Forscher testeten diesen Ansatz an drei verschiedenen Proteinen, darunter eines, das in Zellmembranen sitzt, und fanden heraus, dass er diese schwachen Interaktionen zuverlässig erkennen und für das menschliche Auge deutlicher machen konnte.

Der Kern dieses neuen Ansatzes beruht auf einem statistischen Rahmenwerk, das eine Gruppe von Proteinbildern als eine einzige, konsistente Population behandelt. Bevor nach einem Medikament gesucht wird, etabliert das Team zunächst, wie das leere Protein, oder „Apo“-Protein, aussieht, indem es einen Pool aus vielen verschiedenen Rekonstruktionen desselben leeren Proteins sammelt. Da kein Mikroskopbild exakt dem anderen gleicht, bedingt durch natürliche Variationen im Experiment, benötigte das Team eine Methode, um zu messen, wie konsistent diese Bilder untereinander sind. Sie führten eine neue Metrik ein, die sie Fourier-Shell-Kohärenz nennen, um zu prüfen, ob die Gruppe der Bilder hinsichtlich der Details der Struktur bis zu einem bestimmten Grad an Schärfe übereinstimmt. Dies stellt sicher, dass später gefundene Unterschiede echte Veränderungen am Protein sind und nicht bloß zufälliges Rauschen oder Inkonsistenzen in der Art und Weise, wie die Bilder aufgenommen wurden.

Sobald das Team diese zuverlässige Basis dessen etabliert hatte, wie das leere Protein aussieht, konnten sie diese gegen ein neues Bild testen, in dem ein Medikament vorhanden sein könnte. Die Software berechnet für jeden winzigen Punkt im 3D-Modell einen Wert, der misst, wie stark dieser Punkt vom Durchschnitt der leeren Proteingruppe abweicht. Wenn ein Punkt signifikant verschieden ist, wird er als potenzieller Bindungsort markiert. In Tests an einem Protein namens Beta-Galactosidase hob die Methode erfolgreich ein Medikamentenmolekül hervor und zeigte sogar, wie die Teile des Proteins selbst sich leicht verschoben, um den neuen Gast aufzunehmen. Die Forscher sahen diese Verschiebungen auch in den Seitenketten des Proteins – den kleinen Armen, die helfen, das Medikament festzuhalten –, was bestätigte, dass die Veränderungen biologisch bedeutsam und nicht nur zufällige Fehler waren.

Die Leistungsfähigkeit dieser Methode wird besonders deutlich, wenn man es mit schwierigen Zielstrukturen zu tun hat, wie etwa Proteinen, die in Zellmembranen eingebettet sind. Diese Strukturen sind von Natur aus komplexer und variabler, was es schwieriger macht, kleine Medikamentenmoleküle zu erkennen. Als das Team seine Methode auf ein Membranprotein namens TRPML1 anwandte, war es in der Lage, ein Medikament tief innerhalb der Membran zu finden – eine Region, die normalerweise sehr verrauscht und schwer zu interpretieren ist. Obwohl das Medikamentensignal schwach und fragmentiert war, identifizierte die statistische Analyse es als signifikante Abweichung vom leeren Protein. Die Methode enthüllte auch, wie sich die Struktur des Proteins um das Medikament herum neu anordnete, und lieferte so ein klares Bild davon, wie die Interaktion in dieser anspruchsvollen Umgebung funktioniert.

Vielleicht ist das wertvollste Merkmal von Astex-Faro die Fähigkeit, Signale zu rekonstruieren, die so schwach sind, dass sie normalerweise unsichtbar wären. Dies geschieht, wenn ein Medikament nur an einen kleinen Prozentsatz der Proteine bindet, eine Situation, die als partielle Besetzung bekannt ist. In diesen Fällen wird die Dichte des Medikaments durch die vielen leeren Proteine verdünnt, wodurch es im Hintergrund verschwindet. Die Forscher zeigten, dass ihre Methode einen spezifischen Gewichtungsfaktor berechnen kann, um das „leere“ Signal mathematisch aus dem Bild zu entfernen. Als sie diese Korrektur auf einen Datensatz anwandten, bei dem das Medikament nur in einem kleinen Bruchteil der Moleküle vorhanden war, wurden die schwachen, unterbrochenen Linien des Medikaments plötzlich zu einer kontinuierlichen, klaren Form. Diese Verbesserung war so effektiv, dass sie es ermöglichte, die Struktur des Medikaments mit einem höheren Detailgrad zu sehen, als dies mit den ursprünglichen, unverarbeiteten Daten möglich gewesen wäre.

Um zu beweisen, dass diese Verbesserung echt und kein Artefakt der Software war, erstellte das Team künstliche Datensätze, indem es computergenerierte Bilder leerer Proteine mit Bildern von medikamentengebundenen Proteinen in bekannten Verhältnissen mischte. Sie fanden heraus, dass mit abnehmender Menge des medikamentengebundenen Proteins das Signal zwar schwächer wurde, die Methode aber dennoch in der Lage war, die Form des Medikaments wiederherzustellen, selbst wenn nur noch 20 % bis 30 % der Moleküle gebunden waren. Selbst in diesen schwierigen Szenarien konnte die Software das Medikament vom Hintergrundrauschen unterscheiden und das Bild so weit schärfen, dass die Verbindung zwischen dem Medikament und dem Protein sichtbar wurde. Dies deutet darauf hin, dass die Methode robust genug ist, um die unordentliche Realität echter Experimente zu bewältigen, in denen die Medikamentenbindung oft unvollständig ist und die Bilder voller Rauschen sind.

Die Forscher verglichen ihr neues Werkzeug auch mit bestehenden Methoden, die versuchen, die Bildklarheit zu verbessern. Während andere Techniken Bilder glätten oder den Kontrast normalisieren können, besitzen sie nicht die Fähigkeit, statistisch zu identifizieren, welche Teile eines Bildes sich wirklich von einer Referenzgruppe unterscheiden. Die neue Methode zeichnet sich dadurch aus, dass sie gezielt nach Ausreißern sucht – also nach Teilen der Struktur, die nicht dem Muster des leeren Proteins entsprechen. Dieser gezielte Ansatz bedeutet, dass sie ein Medikamentenbindungsereignis finden kann, ohne durch den Rest des Proteins abgelenkt zu werden, was sie zu einem präziseren Werkzeug für die Arzneimittelforschung macht. Das Team bestätigte, dass ihre Ergebnisse über verschiedene Arten von Proteinen und experimentelle Bedingungen hinweg konsistent waren, von einfachen, einheitlichen Proben bis hin zu komplexen Membranproteinen mit geringer Medikamentenbesetzung.

Letztlich bietet diese Arbeit einen praktischen Rahmen für das Screening einer großen Anzahl potenzieller Wirkstoffkandidaten mittels Kryo-Elektronenmikroskopie. Indem sie es erleichtert, schwache und partielle Bindungsereignisse zu entdecken, reduziert die Methode das Risiko, einen vielversprechenden Wirkstoffkandidaten zu übersehen, nur weil das Signal zu schwach war, um gesehen zu werden. Sie erhöht die Zuversicht der Wissenschaftler in ihre Ergebnisse und stellt sicher, dass es sich bei einem identifizierten Treffer um eine echte Interaktion und nicht um einen Fehlalarm handelt. Während sich das Feld der Arzneimittelforschung in Richtung der Analyse hunderter Datensätze bewegt, um die nächste Generation von Medikamenten zu finden, werden Werkzeuge wie dieses unerlässlich sein, um riesige Mengen an Rohdaten in klare, verwertbare Erkenntnisse darüber umzuwandeln, wie Medikamente mit ihren Zielstrukturen interagieren.