SynNat-BERT: An interpretable dual-modal BERT framework for blood–brain barrier permeability prediction and novel scaffold discovery

Das menschliche Gehirn wird durch einen furchteinflößenden Torwächter geschützt, der als Blut-Hirn-Schranke bekannt ist. Diese dünne, selektive Wand säumt die Blutgefäße im Gehirn und fungiert als strenger Filter, der nur bestimmte Substanzen aus dem Blutkreislauf in das Hirngewebe durchlässt, während alles andere blockiert wird. Während diese Verteidigung lebenswichtig ist, um das Gehirn vor Toxinen und Infektionen zu schützen, stellt sie auch eine massive Hürde für die Medizin dar. Ungefähr achtundneunzig Prozent potenzieller Wirkstoffkandidaten können diese Barriere nicht überwinden, was bedeutet, dass sie für die Behandlung von Erkrankungen wie Alzheimer, Parkinson oder Hirntumoren unbrauchbar sind, ganz gleich, wie effektiv sie in einem Reagenzglas sein mögen. Jahrzehntelang haben Wissenschaftler darum gerungen, vorherzusagen, welche Moleküle durch diesen Torweg schlüpfen können und welche an der Tür gestoppt werden. Traditionelle Methoden beruhen auf dem Testen von Chemikalien in lebenden Zellen oder Tieren – ein Prozess, der langsam, teuer und oft nicht in der Lage ist, die enorme Vielfalt der in der Natur existierenden chemischen Strukturen abzudecken.

Ein Forschungsteam hat nun ein neues computergestütztes Werkzeug entwickelt, das darauf ausgelegt ist, dieses Vorhersageproblem mit größerer Geschwindigkeit und Klarheit zu lösen. Sie entwickelten ein System namens SynNat-BERT, das als hochentwickeltes Sprachmodell für die Chemie fungiert. Anstatt von einem kleinen Satz bekannter Medikamente zu lernen, wurde dieses System mit einer massiven Bibliothek von 1,7 Millionen Molekülen trainiert, die sowohl aus synthetischen Chemikalien aus dem Labor als auch aus Naturstoffen aus Pflanzen und Pilzen stammt. Das System lernt die „Grammatik“ der Moleküle, indem es sie in bedeutungsvolle substrukturelle Teile zerlegt, anstatt sie nur als einzelne Atome zu betrachten, wodurch es versteht, wie verschiedene chemische Bestandteile zusammenpassen. Entscheidend ist, dass die Forscher dieses strukturelle Verständnis mit sieben spezifischen physikalischen Eigenschaften der Moleküle kombinierten, wie etwa ihrer Größe, ihrer Wechselwirkung mit Wasser und ihrer Fähigkeit, Bindungen einzugehen. Durch die Verschmelzung dieser beiden Arten von Informationen kann das System nicht nur vorhersagen, ob ein Molekül die Blut-Hirn-Schranke überwinden wird, sondern auch erklären, welche Teile des Moleküls für diese Fähigkeit verantwortlich sind.

Die Forscher testeten diesen neuen Rahmen, indem sie das System anwiesen, ihre Bibliothek von Naturstoffen nach verborgenen Schätzen zu durchsuchen – Moleküle, die das Gehirn durchdringen könnten, aber bisher nie als solche identifiziert worden waren. Das System klassifizierte tausende Kandidaten erfolgreich und priorisierte jene mit den richtigen physikalischen Eigenschaften, um die Barriere zu passieren. Um zu verifizieren, ob diese Computervorhersagen real waren, wählte das Team fünf verschiedene Alkaloidverbindungen – eine Klasse natürlich vorkommender Chemikalien – und testte sie in einer Laborumgebung unter Verwendung von menschlichen Gehirnzellen, die in einer Kulturschale gezüchtet wurden. Die Ergebnisse waren beeindruckend: Drei der fünf Kandidaten überwanden die Zellbarriere erfolgreich, wobei einer der Kandidaten sogar besser abschnitt als ein Standardmedikament, das als Positivkontrolle diente. Dies bestätigte, dass das Computermodell korrekt neue, permeable Strukturen identifiziert hatte, die zuvor übersehen worden waren.

Über das bloße Finden neuer Kandidaten hinaus enthüllte die Studie auch, warum diese Moleküle funktionierten. Die interne Analyse des Systems deutete auf ein spezifisches Strukturmerkmal hin: eine flexible, hydrierte Ringstruktur, bekannt als Berberin-Gerüst (Berbine Scaffold). Als die Forscher diese flexible Form mit einer starren, aromatischen Version derselben Struktur verglichen, stellten sie fest, dass die starre Version die Barriere nicht überwinden konnte. Dieser Unterschied wurde durch detaillierte Computersimulationen bestätigt, die modellierten, wie sich die Moleküle durch eine Lipidmembran bewegten, wobei gezeigt wurde, dass die flexible Form es dem Molekül ermöglichte, leichter zu diffundieren. Die Studie argumentiert explizit gegen die Vorstellung, dass starre, flache Strukturen immer am besten für die Hirndurchlässigkeit seien, und zeigt stattdessen auf, dass Flexibilität eine entscheidende Rolle spielt.

Die Arbeit forderte auch die Grenzen bisheriger Modelle der künstlichen Intelligenz auf diesem Gebiet heraus. Viele frühere Systeme stützten sich auf massive Datensätze, die hunderte Millionen Moleküle enthielten, behandelten diese jedoch oft als einfache Zeichenketten und vernachlässigten dabei den tieferen chemischen Kontext. Die Forscher fanden heraus, dass ihr kleinerer, fokussierterer Datensatz von 1,7 Millionen Molekülen, gepaart mit ihrem substruktur-bewussten Ansatz, tatsächlich leistungsfähiger war als diese größeren, weniger interpretierbaren Modelle. Sie demonstrierten, dass das Hinzufügen spezifischer, verständlicher physikalischer Deskriptoren für das Modell essenziell war; das Entfernen dieser Deskriptoren führte zu einem signifikanten Abfall der Vorhersagegenauigkeit. Dies deutet darauf hin, dass für komplexe Aufgaben wie die Vorhersage der Hirndurchlässigkeit ein Modell, das sowohl die Form des Moleküls als auch sein physikalisches Verhalten versteht, einem Modell überlegen ist, das nur die Rohdaten sieht.

Letztendlich bietet diese Forschung einen praktischen Weg für die Arzneimittelentdeckung. Durch die Kombination eines tiefen Verständnisses der Molekülstruktur mit klaren physikalischen Regeln kann der SynNat-BERT-Rahmen riesige Bibliotheken von Naturstoffen durchsieben, um neue Ansätze für die Behandlung von Hirnerkrankungen zu finden. Die Studie lieferte nicht nur eine Vorhersage eines Ergebnisses, sondern bot auch einen verifizierten Mechanismus: Sie zeigte durch sowohl Laborexperimente als auch Computersimulationen, dass spezifische flexible Strukturen der Schlüssel zum Überwinden der Blut-Hirn-Schranke sind. Dieser Ansatz bietet einen zuverlässigen Weg, um vielversprechende Wirkstoffkandidaten zu identifizieren, die zuvor verborgen im Offensichtlichen lagen, und bietet Wissenschaftlern ein neues Werkzeug, um Medikamente zu entwickeln, die das Gehirn endlich erreichen können.