Automated dataset integrating structural and bioactivity data for structure-based drug discovery

Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, wie man einen neuen Schlüssel entwirft, der perfekt in ein bestimmtes Schloss passt. In der Welt der Medizin sind die „Schlösser“ Proteine in unserem Körper, die Krankheiten verursachen, und die „Schlüssel“ sind winzige Wirkstoffmoleküle. Seit Jahrzehnten versuchen Wissenschaftler, einen superintelligenten Roboter (mittels maschinellem Lernen) zu bauen, der allein durch das Betrachten ihrer Formen genau vorhersagen kann, wie gut ein Schlüssel in ein Schloss passt. Aber es gibt ein riesiges Problem: Der Roboter ist hungrig nach Daten, und die Daten, die er benötigt, sind überall verstreut. Einige Wissenschaftler haben die Form des Schlosses, andere haben die Messungen darüber, wie gut ein Schlüssel dreht sich, aber sie befinden sich selten am selben Ort. Es ist, als würde man versuchen, einem Koch beizubringen, ein perfektes Essen zuzubereiten, wenn das Rezept in einem Buch steht, das Bild der Zutaten in einem anderen und die Geschmacksergebnisse in einem dritten. Ohne eine massive, organisierte Bibliothek, die die Form des Schlosses mit der exakten Stärke des Griffs des Schlüssels verbindet, kann der Roboter nicht effektiv lernen.

Hier beginnt die Geschichte von DockTData. Ein Team von Forschern vom National Laboratory of Scientific Computing in Brasilien hat beschlossen, genau diese fehlende Bibliothek zu bauen. Sie haben nicht nur ein paar Rezepte gesammelt; sie haben eine automatisierte Fabrik gebaut, die das Internet nach jeder verfügbaren Information über Protein-Schlösser und Wirkstoff-Schlüssel durchsucht, diese zusammenfügt und in einen einzigen, riesigen Datensatz organisiert. Man kann es sich als einen massiven, digitalen „Matchmaking“-Service vorstellen. Er nimmt die 3D-Blaupausen von Proteinen aus der Protein Data Bank (PDB) und verknüpft sie mit den realen Testergebnissen aus Datenbanken wie BindingDB und ChEMBL. Das Ergebnis ist ein Schatzhaus aus über 24.719 einzigartigen Protein-Ligand-Komplexen. Dies ist nicht nur eine Liste von Zahlen; es ist eine Sammlung, in der jedes einzelne Wirkstoffmolekül direkt mit seiner 3D-Struktur und seiner gemessenen Stärke (wie fest es bindet) verknüpft ist, standardisiert, sodass ein Computer dies alles auf einmal lesen kann. Durch die Bereitstellung dieser Daten offen und kostenlos für alle hoffen die Autoren, der nächsten Generation von Robotern zur Arzneimittelentdeckung den Treibstoff zu geben, den sie brauchen, um schneller und intelligenter zu lernen, was potenziell zu neuen Medikamenten für Krankheiten führen kann, für die es derzeit keine Heilung gibt.

Die Kernmission des Papers: Die ultimative Bibliothek für das Wirkstoffdesign bauen

Das Paper stellt DockTData vor, einen neuen, frei verfügbaren Datensatz, der darauf ausgelegt ist, die „struktur-basierte Wirkstoffentdeckung“ zu beschleunigen. Vereinfacht ausgedrückt ist dies der Prozess, Medikamente zu entwerfen, indem man die 3D-Form des Zielproteins betrachtet und herausfindet, welche Moleküle am besten hineinpassen werden. Die Autoren haben diesen Datensatz erstellt, indem sie eine automatisierte Pipeline gebaut haben, die wie ein supereffizienter Bibliothekar fungiert. Dieser Bibliothekar geht zu drei massiven Quellen – der Protein Data Bank (PDB), die 3D-Strukturen von Proteinen enthält; BindingDB; und ChEMBL, die Messungen darüber enthalten, wie gut Medikamente an Proteine binden – und führt alles zusammen.

Die Magie von DockTData liegt darin, wie es die Punkte verbindet. Vor diesem Mal konnte ein Wissenschaftler vielleicht ein Bild eines Proteins mit einem daran haftenden Medikament haben, wusste aber nicht genau, wie stark diese Bindung war, oder er fand die Messung der Stärke in einer anderen Datenbank ohne das dazugehörige Bild. DockTData löst dies, indem es die 24.719 Protein-Ligand-Komplexe (die „Schlösser“ mit ihren „Schlüsseln“) direkt mit 45.331 Bioaktivitätsmessungen verknüpft. Diese Messungen beinhalten Werte wie Kd, Ki, IC50 und EC50, was allesamt Wege sind, um zu sagen: „Wie fest klebt dieses Medikament?“ Die Autoren haben alle diese Werte in Nanomolar (nM) Einheiten standardisiert, damit sie „Äpfel mit Äpfeln“ vergleichbar sind.

Wie sie es gemacht haben: Die automatisierte Matchmaking-Maschine

Die Forscher haben nicht einfach nur kopiert und eingefügt; sie haben ein ausgeklügeltes System gebaut, um sicherzustellen, dass die Übereinstimmungen perfekt sind. Sie nutzten einige kluge Tricks, um sicherzustellen, dass die Daten sauber und zuverlässig sind:

• Der Protein-Match: Sie verwendeten ein Tool namens MMseqs2, um Proteinsequenzen zu vergleichen. Sie legten die Regel fest, dass ein Protein aus einem Drogentest mindestens 85 % identisch mit dem Protein in der 3D-Struktur sein muss, um als Übereinstimmung zu zählen. Das ist vergleichbar mit der Aussage: „Wenn das Schloss zu 85 % so aussieht wie das auf dem Foto, nehmen wir an, dass es dasselbe Schloss ist.“ Dieser Schwellenwert wurde gewählt, um nützliche Variationen (wie leicht unterschiedliche Versionen desselben Proteins) einzuschließen, ohne völlig andere Proteine einzubeziehen.
• Der Wirkstoff-Match: Für die Wirkstoffmoleküle verwendeten sie etwas namens InChIKey. Betrachten Sie dies als einen einzigartigen, 27-stelligen Barcode für jede chemische Struktur. Durch die Neuberechnung dieser Barcodes mit einem Standardwerkzeug (RDKit) für jeden einzelnen Eintrag stellten sie sicher, dass derselbe Wirkstoff nicht doppelt unter verschiedenen Namen oder mit winzigen, verwirrenden Unterschieden aufgeführt wird.
• Die „Ein Schlüssel, ein Schloss“-Regel: Sie waren bei der Paarung sehr streng. Wenn eine Proteinstruktur zwei verschiedene Wirkstoffe gleichzeitig gebunden hatte, schlossen sie diese aus. Sie behielten nur Komplexe, bei denen genau ein Wirkstoffmokül mit einer Proteinstruktur gepaart war. Dies verhindert Verwirrung beim Training von Computermodellen.

Was ist im Karton?

Der resultierende Datensatz ist eine massive Sammlung von Informationen, organisiert in leicht zu verwendenden Tabellen. Hier ist das, was man erhält:

• 24.719 einzigartige Protein-Ligand-Komplexe.
• 11.742 unterschiedliche Wirkstoffmoleküle (Liganden).
• 17.732 einzigartige Proteinstrukturen aus der PDB.
• 2.163 verschiedene Proteintargets (die „Schlösser“).
• Eine Mischung aus kleinen Molekülen (der klassische Medikamententyp, der 24.378 der Einträge ausmacht), Peptiden (271 Einträge) und sogar einigen Oligosacchariden (70 Einträge).

Die Autoren merken an, dass ihre Sammlung kleiner Moleküle um 46 % größer ist als der Anteil kleiner Moleküle an der populären PDBbind Version 2020 General Set, die 16.744 Einträge aufwies. Das bedeutet, dass DockTData Wissenschaftlern einen signifikant größeren Spielplatz bietet, um ihre Ideen zu testen.

Warum das wichtig ist: Mehr als nur Zahlen

Das Paper betont, dass die Qualität und Größe der Trainingsdaten die größten Engpässe für maschinelles Lernen in der Wirkstoffentdeckung sind. Wenn man einen Roboter mit einem kleinen, unordentlichen Datensatz trainiert, wird er schlechte Angewohnheiten lernen. DockTData bietet einen „saubereren“, größeren und transparenteren Datensatz. Da die Autoren genau dokumentiert haben, woher jedes Stück der Daten stammt („Provenienz“), können Wissenschaftler jeden Wert auf seine ursprüngliche Quelle zurückverfolgen, Fehler überprüfen und den Kontext verstehen.

Der Datensatz umfasst eine Vielzahl von Messungstypen: 58,8 % sind IC50-Werte, 20,3 % sind Ki, 11,3 % sind Kd und 9,7 % sind EC50. Diese Vielfalt ist wichtig, da verschiedene Arten von Messungen leicht unterschiedliche Geschichten darüber erzählen, wie ein Wirkstoff funktioniert. Indem sie alle an einem Ort zusammengeführt und auf Nanomolar-Einheiten standardisiert wurden, können Forscher die spezifische Art der Daten wählen, die ihren Bedürfnissen entspricht.

Die „No-Go“-Zonen: Was das Paper ausschließt

Es ist wichtig anzumerken, was DockTData nicht ist. Die Autoren stellen explizit klar, dass sie keine Strukturen enthalten, die nur durch Computer vorhergesagt wurden (wie etwa durch AlphaFold) ohne experimentellen Beweis. Sie haben nur Strukturen aufgenommen, die tatsächlich im Labor mittels Röntgenkristallographie, NMR oder Kryo-Elektronenmikroskopie gelöst wurden. Das bedeutet, dass der Datensatz strikt in der experimentellen Realität verwurzelt ist und nicht auf Computersimulationen basiert.

Darüber hinaus schließt das Paper mehrdeutige Paarungen aus. Wenn eine Proteinstruktur mehrere verschiedene Wirkstoffe gebunden hatte oder wenn die Verbindung zwischen der Proteinsequenz und der Wirkstoffmessung zu schwach war (unter dem Identitätsschwellenwert von 85 %), wurden diese Daten verworfen. Die Autoren argumentieren, dass diese Strenge notwendig ist, um „Rauschen“ zu vermeiden, das maschinelle Lernmodelle verwirren könnte. Sie merken auch an, dass sie zwar viel Daten haben, aber nicht behaupten, das Problem der Wirkstoffentdeckung gelöst zu haben. Stattdessen stellen sie ein besseres Fundament bereit – eine „transparente, wiederverwendbare und kontinuierlich expandierende Ressource“ – auf der andere aufbauen können.

Das abschließende Fazit

DockTData ist ein Geschenk an die wissenschaftliche Gemeinschaft. Es ist eine massive, organisierte und kostenlose Bibliothek, die die 3D-Formen von Proteinen mit der realen Stärke von Wirkstoffinteraktionen verbindet. Durch die Automatisierung des Prozesses der Datenerhebung und -bereinigung haben die Autoren eine Ressource geschaffen, die größer und vielfältiger ist als viele bisherige Sammlungen. Sie haben es Forschern ermöglicht, intelligentere KI-Modelle zu trainieren, neue Theorien darüber zu testen, wie Wirkstoffe an Proteine binden, und letztendlich die Entdeckung neuer Medikamente zu beschleunigen. Der Datensatz steht unter einer Creative Commons Attribution 4.0 International License zur Verfügung, was bedeutet, dass jeder ihn nutzen, teilen und erweitern kann, solange er die Urheber nennt. Es ist ein klarer Schritt nach vorn, um die chaotische Welt der Wirkstoffentdeckungsdaten in eine strukturierte, maschinenlesbare Sprache zu verwandeln.