De novo designed cyclic MC4R peptide agonist reduces food intake in mice

Questo studio stabilisce un flusso di lavoro end-to-end generalizzabile per la scoperta di farmaci peptidici de novo utilizzando l'apprendimento profondo per progettare, ottimizzare e validare un nuovo agonista ciclico del MC4R che raggiunge un'alta potenza e riduce significativamente l'assunzione di cibo nei topi.

L'essenziale

Immagina di dover costruire una chiave personalizzata per aprire una serratura molto specifica e complicata (il recettore MC4R) che controlla la fame nel corpo. Di solito, gli scienziati cercano di copiare chiavi che già esistono in natura. Ma questo articolo riguarda la costruzione di una chiave completamente nuova da zero, utilizzando un programma informatico super-intelligente, senza copiare nulla di ciò che la natura ha già creato.

Ecco come hanno fatto i ricercatori, passo dopo passo:

1. L'Architetto Informatico
Per prima cosa, il team ha utilizzato un potente strumento di intelligenza artificiale (chiamato AlphaFold2) per agire come un architetto digitale. Hanno chiesto al computer di "allucinare" o immaginare oltre 5.000 forme diverse per una chiave. Alcune erano linee rette, altre avevano la forma di anelli (ciclici). L'obiettivo era trovare forme che si adattassero perfettamente alla "serratura" del recettore della fame.

2. La Prima Prova Stradale
Hanno selezionato un piccolo gruppo di queste chiavi progettate al computer per testarle in laboratorio. È stato un po' come un talent show:

• Il 74% delle chiavi a linea retta ha funzionato effettivamente.
• Il 23% delle chiavi a forma di anello ha funzionato.
  Una delle chiavi a forma di anello è stata una stella dello spettacolo. È riuscita ad aprire la serratura e inviare un segnale, anche se sembrava completamente diversa dalle chiavi naturali che il corpo usa solitamente. All'inizio era un po' debole, ma ha dimostrato che il concetto funzionava.

3. Il Laboratorio di "Sintonizzazione"
Una volta ottenuto un prototipo funzionante, non si sono fermati lì. L'hanno trattato come un'auto da corsa che necessitava di sintonizzazione. Hanno eseguito migliaia di piccoli esperimenti per scambiare diverse parti della chiave (cambiando una lettera alla volta nel codice) per vedere quali modifiche la rendevano più veloce e potente. Hanno anche aggiunto "stabilizzatori" per aiutare la chiave a durare più a lungo nel corpo.

Attraverso questo processo, hanno scoperto un nuovo modello segreto (una sequenza specifica di lettere chiamata "APWR") che rendeva la chiave più efficace. Hanno trovato una modifica specifica: sostituire una parte con un pezzo di "Prolina" che rendeva la chiave incredibilmente potente. Questa nuova versione, chiamata E5P, era circa 50 volte più potente del primo prototipo funzionante.

4. Il Test nel Mondo Reale
Infine, hanno preso questa chiave potenziata e l'hanno testata sui topi. Hanno somministrato ai topi una piccola dose della chiave direttamente nel loro cervello. Il risultato? I topi hanno mangiato significativamente meno cibo immediatamente.

Il Quadro Generale
Questo articolo non riguarda solo un farmaco specifico per la fame. È una dimostrazione di una nuova "catena di montaggio". I ricercatori hanno mostrato che si può passare da un'idea al computer a un farmaco reale e funzionante su un topo, tutto senza fare affidamento sui progetti esistenti della natura. Hanno dimostrato che, con gli strumenti giusti, possiamo inventare tipi completamente nuovi di chiavi per sbloccare processi biologici a cui non potevamo accedere prima.

Sommario tecnico

Riepilogo Tecnico: Agonista Peptidico Ciclico MC4R Progettato De Novo

Enunciato del Problema
Sebbene la previsione della struttura basata sul deep learning abbia consentito la progettazione di ligandi peptidici indipendenti da impalcature naturali, il settore affronta un collo di bottiglia significativo: la maggior parte dei peptidi generati computazionalmente non viene portata oltre le misurazioni iniziali di attività. Di conseguenza, i percorsi critici per l'ottimizzazione simile a un farmaco e la validazione in vivo rimangono poco esplorati. È necessario un flusso di lavoro end-to-end che colmi il divario tra la progettazione de novo e la generazione di peptidi ottimizzati e farmacologicamente attivi.

Metodologia
Gli autori hanno stabilito un flusso di lavoro completo per la scoperta e la maturazione di agonisti peptidici, utilizzando il recettore della melanocortina-4 (MC4R) come bersaglio modello. Il processo ha coinvolto le seguenti fasi:

1. Progettazione De Novo: Utilizzando un protocollo di allucinazione basato su AlphaFold2 implementato in ColabDesign, il team ha generato oltre 5.000 peptidi candidati, comprendenti sia strutture lineari che cicliche testa-coda, specificamente diretti verso la tasca ortosterica del MC4R.
2. Screening Iniziale: Un sottoinsieme prioritario di questi candidati ha subito uno screening funzionale per valutare l'attività.
3. Maturazione Sistematica: Per i candidati attivi, il team ha adottato una strategia di ottimizzazione multivectoriale:
   • Scansione di Mutazione Profonda: Per mappare le relazioni sequenza-attività.
   • Scansione di Coniugazione di Estensori dell'Emivita: Per valutare la stabilità e il potenziale farmacocinetico.
   • Libreria di Ottimizzazione Combinatoria: Per affinare ulteriormente la potenza.
   • Analisi Basata sui Dati: Utilizzata per interpretare i risultati delle suddette scansioni e guidare un'ulteriore progettazione.
4. Validazione In Vivo: La variante più potente è stata somministrata centralmente a topi per valutarne l'effetto sull'assunzione acuta di cibo.

Risultati Chiave

• Tasso di Rilevamento: Lo screening funzionale ha rivelato attività misurabile nel 74% dei peptidi lineari e nel 23% dei peptidi ciclici.
• Scoperta Iniziale: Il team ha identificato un agonista ciclico con un EC₅₀ di 340 nM contro il MC4R umano (hMC4R). Si noti che questo peptide mancava del motivo canonico di attivazione delle melanocortine.
• Identificazione del Motivo: Gli sforzi di ottimizzazione hanno identificato un motivo di attivazione alternativo centrato su un segmento APWR.
• Ottimizzazione della Potenza: Attraverso mutagenesi sistematica, è stata generata una variante a sito singolo con una sostituzione di prolina alla posizione 5 (E5P). Questa variante ha dimostrato un EC₅₀ significativamente migliorato di 6,7 nM contro hMC4R.
• Efficacia In Vivo: La somministrazione centrale della variante E5P (10 nmol) ha ridotto con successo l'assunzione acuta di cibo nei topi, fornendo una prova di concetto per l'attività in vivo del peptide progettato de novo.

Significato e Affermazioni
Il documento afferma di dimostrare una strategia "dal design alla validazione" generalizzabile. Questo approccio converte con successo i progetti peptidici de novo in peptidi ottimizzati e farmacologicamente attivi, colmando il divario tra generazione computazionale e applicazione terapeutica. Inoltre, il lavoro espande lo spazio chimico noto degli agonisti MC4R identificando chemiotipi che funzionano oltre i vincoli delle melanocortine endogene, utilizzando specificamente motivi di attivazione non canonici. Lo studio convalida l'utilità dei protocolli di allucinazione basati sul deep learning accoppiati a una rigorosa maturazione sperimentale per la scoperta di farmaci.