AI-Enforced Ultra-Large Virtual Screening Discovers Potent CD28 Binders

Questo studio valida il flusso di lavoro di screening virtuale basato sull'intelligenza artificiale PyRMD2Dock, dimostrando la sua efficacia nel scoprire inediti leganti potenti per l'interazione proteina-proteina del recettore immunitario CD28, con conferma sperimentale di composti in grado di bloccare la segnalazione cellulare e ridurre la secrezione di citochine.

L'essenziale

🧬 La Missione: Trovare la chiave per una serratura "piatta"

Immagina che il nostro corpo sia una grande città piena di porte. Alcune porte sono chiuse da serrature classiche, con buchi profondi e complessi dove inserire una chiave (queste sono le proteine che i farmaci tradizionali sanno già aprire).

Ma c'è una porta speciale, chiamata CD28, che è fondamentale per il nostro sistema immunitario. Il problema? Questa porta non ha un buco profondo. È come una superficie di marmo liscia e piatta. Per anni, gli scienziati hanno cercato di trovare una "chiave" (una molecola piccola) che potesse incastrarsi lì per bloccare o aprire questa porta, ma è come cercare di appendere un quadro su una parete di vetro liscia: scivola via tutto.

🤖 L'Intelligenza Artificiale entra in gioco: Il "Cacciatore di Aghi"

Qui entra in gioco la storia. Gli scienziati avevano un'enorme biblioteca digitale contenente 48 milioni di possibili chiavi (molecole). Provare a inserire manualmente ogni singola chiave nella serratura piatta di CD28 sarebbe stato come cercare un ago in un pagliaio, ma in un pagliaio grande quanto un intero continente. Sarebbe costato decenni di tempo e computer potentissimi.

Hanno quindi usato un nuovo strumento chiamato PyRMD2Dock, che è un po' come un detective AI super intelligente.

Ecco come ha lavorato il detective:

1. L'addestramento: Prima di cercare in tutto il pagliaio, il detective ha guardato solo 2,4 milioni di chiavi casuali. Le ha provate tutte contro la serratura piatta e ha visto quali si incastravano un po' meglio delle altre.
2. L'apprendimento: Il detective ha imparato a riconoscere i "segreti" di queste chiavi vincenti. Ha capito: "Ah, le chiavi che funzionano hanno questa forma strana e questo colore chimico".
3. La caccia: Una volta imparato il segreto, il detective ha scansionato i restanti 46 milioni di chiavi in un battito di ciglia. Invece di provarle tutte fisicamente, ha usato la sua intelligenza per dire: "Queste 232 qui sembrano perfette, proviamole!".

🔍 La Selezione: Dal milione al "Top 150"

Il detective ha filtrato l'elenco fino a portarne solo 150 al banco di prova reale. Gli scienziati le hanno comprate e messe alla prova in laboratorio.

Il risultato? È stato incredibile.

• Di 150 provate, 12 hanno funzionato davvero.
• Tra queste, due si sono distinte come le vere eroine: la molecola 100 e la molecola 104.

Queste due non solo si sono attaccate saldamente alla superficie piatta di CD28 (cosa che prima sembrava impossibile), ma hanno anche fatto il loro lavoro: hanno bloccato l'interazione tra CD28 e un'altra proteina chiamata CD80. È come se avessero messo un adesivo sulla serratura piatta, impedendo alla porta di aprirsi quando non dovrebbe.

🛡️ Il Test Finale: Bloccare l'attacco in una città in miniatura

Per essere sicuri che queste molecole funzionassero davvero nella vita reale, gli scienziati le hanno testate in due scenari complessi:

1. Una città tumorale: Hanno messo le molecole in una "palla" di cellule tumorali circondata da cellule immunitarie. Risultato? Le molecole hanno calmato le cellule immunitarie, impedendo loro di attaccare troppo aggressivamente (riducendo le "città in fiamme" o le citochine infiammatorie).
2. Un muro di tessuto: Hanno testato le molecole su un tessuto che simula la parete interna di un polmone o di un intestino. Anche lì, hanno funzionato perfettamente, bloccando l'infiammazione.

💡 Perché è una notizia importante?

Questa storia ci insegna due cose fondamentali:

1. L'AI è un moltiplicatore di forza: Ci permette di esplorare mondi chimici enormi che prima erano inaccessibili.
2. Nessuna serratura è troppo piatta: Grazie a questo metodo, abbiamo dimostrato che anche le superfici più difficili e piatte del corpo umano possono essere "chiuse" o "aperte" con farmaci intelligenti.

In sintesi, gli scienziati hanno usato un'intelligenza artificiale per trovare due chiavi magiche in un oceano di 48 milioni di opzioni, riuscendo a bloccare un interruttore immunitario che prima sembrava impossibile da toccare. È un passo enorme per curare malattie autoimmuni o per controllare meglio le risposte del sistema immunitario contro il cancro.

Sommario tecnico

Titolo: Screening Virtuale Ultra-Grande Impegnato dall'IA per la Scoperta di Leganti Potenti per CD28

1. Il Problema Scientifico

L'interazione tra proteine (PPI) rappresenta una delle sfide più ardue nella scoperta di farmaci basata sulla struttura. A differenza degli enzimi o dei recettori classici che possiedono tasche di legame profonde e ben definite, le interazioni PPI sono spesso caratterizzate da interfacce ampie, esposte al solvente e topograficamente piatte.
In particolare, il recettore immunitario CD28 è un esempio paradigmatico di questo problema. CD28 è un recettore omodimerico che interagisce con i ligandi CD80 e CD86 attraverso una superficie extracellulare β-sandwich prevalentemente piana e accessibile al solvente. L'assenza di una cavità profonda rende estremamente difficile il design di piccole molecole che possano modulare questa interazione. Inoltre, lo screening virtuale tradizionale (SBVS) su spazi chimici ultra-grandi (miliardi di composti) per trovare nuovi chemotipi è spesso proibitivo dal punto di vista computazionale.

2. Metodologia: Il Workflow PyRMD2Dock

Gli autori hanno applicato per la prima volta in modo prospettico e reale la piattaforma PyRMD2Dock, parte della suite PyRMD Studio. Questo approccio integra l'intelligenza artificiale (Machine Learning) con il docking molecolare classico per superare i colli di bottiglia computazionali.

Il processo è stato suddiviso in diverse fasi chiave:

• Preparazione del Dataset e Docking Iniziale: È stato selezionato un subset diversificato di 2,4 milioni di molecole dal database Enamine REAL Diversity Space (ERDS). Queste molecole sono state ancorate (docked) nella struttura cristallografica di CD28 (PDB ID: 1YJD).
• Definizione del Sito di Legame: Poiché il sito canonico di legame (motivo MYPPPY) è troppo piatto, l'analisi strutturale ha identificato una tasca adiacente, delimitata dai residui H38, F93, K95, D106, N107, K109 e S110. Questa scelta è stata validata confrontando la struttura con CTLA-4 e il suo anticorpo tremelimumab.
• Addestramento del Modello ML: I punteggi di docking ($\Delta G_{AD4}$) delle 2,4 milioni di molecole sono stati utilizzati per addestrare 672 modelli di classificazione diversi. Sono stati testati vari threshold per definire le classi "attive" e "inattive" e parametri di taglio ($\epsilon$) per ottimizzare il compromesso tra Tasso di Verità Positiva (TPR) e Tasso di Falso Positivo (FPR). Il modello ottimale ha utilizzato una soglia attiva di -7.75 kcal/mol e una inattiva di -4.75 kcal/mol.
• Screening su Larga Scala: Il modello ML ottimizzato è stato utilizzato per filtrare rapidamente i restanti ~46 milioni di composti dell'ERDS, identificando potenziali leganti senza dover eseguire il docking fisico su ogni singola molecola.
• Filtraggio e Clustering: I risultati sono stati sottoposti a ulteriori filtri basati su:
  • Punteggi di docking confermati ($\Delta G_{AD4} \le -7.75$ kcal/mol).
  • Interazioni critiche con i residui chiave K109 e C94.
  • Analisi dell'area superficiale accessibile al solvente (SASA) e del $\Delta$SASA per valutare il fit sterico.
  • Clustering strutturale per garantire la diversità chimica.
  • Ispezione visiva per confermare le modalità di legame.
    Questo processo ha portato alla selezione finale di 232 ligandi altamente prioritari.

3. Risultati Sperimentali

Dalla selezione computazionale, 150 composti sono stati acquistati e sottoposti a validazione sperimentale a più livelli:

• Screening Primario (Dianthus TRIC): 150 composti sono stati testati su CD28 purificato. 12 composti (7,3% del subset) hanno mostrato un'interazione significativa, deviando dal controllo veicolo.
• Validazione Biophysica (MST): L'analisi tramite Microscopia Termoforetica (MST) ha confermato il legame diretto. Due composti, 100 e 104, hanno mostrato affinità sub-micromolare:
  • Composto 100: $K_d = 343.8$ nM.
  • Composto 104: $K_d = 407.1$ nM.
    Altri composti (es. 24, 68) hanno mostrato affinità nel range micromolare.
• Disruzione dell'Interazione CD28-CD80 (ELISA Competitivo): I composti 100 e 104 hanno dimostrato una potente capacità di inibire l'interazione tra CD28 e CD80, con valori di $IC_{50}$ di 231.4 nM e 840.6 nM rispettivamente.
• Blocco del Segnalamento Cellulare (Reporter Assay): In un saggio basato su luciferasi con cellule Jurkat, i composti 100 e 104 hanno bloccato efficacemente la segnalazione costimolatoria CD28, con $IC_{50}$ di 748.9 nM e 1.13 $\mu$M.
• Modelli Co-cultura 3D (Validazione Fisiologica):
  • Tumor-PBMC: In un modello tridimensionale di sferoidi tumorali A549 co-coltivati con PBMC umani, i composti hanno ridotto significativamente la secrezione di citochine (IFN-$\gamma$, IL-2, CD69 solubile), dimostrando un blocco dell'attivazione delle cellule T in un microambiente tumorale.
  • Tessuto Epiteliale Aereo-PBMC: In un modello di tessuto epiteliale delle vie aeree umane (MucilAir™), il composto 100 ha inibito la produzione di citochine (IFN-$\gamma$, IL-2, TNF-$\alpha$) in modo dose-dipendente, confermando l'efficacia in un contesto di barriera mucosa.

4. Contributi Chiave e Significato

• Validazione di un Workflow AI: Questo studio rappresenta la prima applicazione reale e prospettica della piattaforma PyRMD2Dock, dimostrando che l'integrazione di ML e docking può scalare efficacemente per lo screening di decine di milioni di composti.
• Superamento delle Barriere Strutturali: Il successo nel trovare leganti per CD28, un target noto per la sua superficie piana e "difficile", prova che le interfacce PPI esposte al solvente possono essere colpite da piccole molecole se si utilizzano strategie computazionali avanzate e spazi chimici sufficientemente ampi.
• Scoperta di Nuovi Farmaci: L'identificazione dei composti 100 e 104 fornisce nuovi candidati per lo sviluppo di immunoterapie, con un profilo di attività superiore rispetto ai controlli esistenti in modelli fisiologicamente rilevanti.
• Analisi delle Modalità di Legame: L'analisi computazionale ha rivelato che i composti più attivi (100 e 104) occupano la tasca target in orientamenti di legame distinti ma entrambi validi, offrendo spunti preziosi per l'ottimizzazione futura (hit-to-lead).

In conclusione, questo lavoro valida un protocollo scalabile ed efficace per l'estrazione di modulatori di piccole molecole da librerie chimiche massive, aprendo nuove strade per il targeting di recettori immunitari complessi e interazioni proteina-proteina precedentemente considerati "non aggredibili" (undruggable).