A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design
Il documento introduce LDDM, un modello generativo 3D unificato che supera le sfide di accessibilità sintetica nella scoperta di farmaci consentendo la progettazione rapida di nuove piccole molecole e peptidi specifici per il target, i quali sono stati validati sperimentalmente per raggiungere un'elevata affinità di legame e accuratezza strutturale attraverso cinque target proteici.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Trovare un nuovo farmaco spesso sembra come cercare una chiave specifica e singola in una stanza piena di miliardi di serrature. Per decenni, gli scienziati hanno cercato di risolvere questo problema testando vastissime librerie di composti chimici esistenti, sperando di trovarne uno che si adattasse a una proteina causante una malattia. Sebbene questo metodo abbia funzionato, è lento e limitato dall'enorme numero di possibilità. Un approccio più recente utilizza i computer per progettare queste chiavi da zero, creando molecole che non sono mai esistite prima. La sfida con questo metodo, tuttavia, è stata che i design dei computer spesso sembrano ottimi su uno schermo, ma sono impossibili o incredibilmente difficili da costruire per i chimici in un vero laboratorio.
Un team di ricercatori ha introdotto un nuovo sistema chiamato LDDM che colma questo divario. Invece di sognare solo forme complesse, questo sistema progetta molecole tenendo conto delle fasi pratiche di costruzione. Funge da strumento unificato che può non solo immaginare nuovi farmaci, ma anche garantire che possano essere sintetizzati utilizzando blocchi di costruzione chimici standard. Combinando la capacità di prevedere come una molecola si inserisce in una proteina con un rigoroso focus su ciò che è effettivamente producibile, i ricercatori hanno creato una pipeline che passa dal design digitale alla realtà fisica con una velocità e un'accuratezza straordinarie.
Il cuore di questo lavoro è un modello di apprendimento automatico addestrato su una vasta collezione di strutture tridimensionali di proteine e farmaci. Immaginate uno studente che ha studiato milioni di foto di come le chiavi si adattano alle serrature; questo modello ha imparato le regole fisiche di quelle interazioni. A differenza dei sistemi precedenti che potevano generare una molecola sperando che funzionasse, LDDM suddivide il processo di progettazione in pezzi più piccoli e gestibili. Può prendere un farmaco noto, nascondere una parte di esso e chiedere al computer di inventare un nuovo pezzo che si incastri perfettamente nello spazio rimanente. Può anche partire da una tasca vuota in una proteina e costruire una molecola da zero, atomo per atomo. Fondamentalmente, il sistema include una caratteristica "programmabile" che guida il processo di progettazione. Controlla ogni passaggio per garantire che la molecola rimanga chimicamente stabile, si inserisca strettamente nella proteina bersaglio e possa essere assemblata da un elenco pre-approvato di ingredienti prontamente disponibili per i chimici.
Per dimostrare che questo sistema funziona, i ricercatori lo hanno testato su cinque diversi target biologici, che vanno da enzimi coinvolti nel cancro a proteine utilizzate dai virus. In un esperimento, hanno riprogettato una molecola che aiuta il corpo a scomporre una specifica proteina legata alla crescita cellulare. Il computer ha suggerito nuove strutture chimiche per i bordi esterni del farmaco. Quando il team ha sintetizzato quattro di questi nuovi design, tutti si sono legati con successo alla proteina bersaglio con alta precisione. In un altro test, hanno migliorato un inibitore peptidico progettato per bloccare una proteina chiamata catepsina S, attiva nelle malattie infiammatorie. Sostituendo una parte della molecola con un amminoacido non naturale suggerito dal modello, hanno creato una versione 3,5 volte più potente dell'originale.
I ricercatori hanno anche affrontato la sfida di creare farmaci completamente nuovi da zero. Per una proteina chiamata PGK1, coinvolta nel metabolismo energetico e legata a diverse malattie, il sistema ha generato migliaia di candidati unici. Dopo aver filtrato quelli che potevano essere acquistati o realizzati facilmente, il team ne ha testati sei. Quattro di essi si sono legati alla proteina, con il migliore che mostrava una forza di legame di 14,7 micromolare. Per confermare esattamente come queste nuove molecole funzionassero, il team ha utilizzato tecniche di imaging avanzate come la spettroscopia di risonanza magnetica nucleare e la risonanza plasmonica di superficie. Questi metodi hanno permesso di vedere l'interazione fisica del farmaco con la proteina, confermando che la previsione del computer sulla posizione di legame fosse corretta.
Successi simili sono stati osservati con proteine coinvolte nel cancro e nel virus SARS-CoV-2. Per una proteina chiamata BRD4, che regola l'espressione genica, il sistema ha progettato una nuova molecola che si legava al target con un'affinità stimata tra 40 e 60 micromolare. Per validare questo legame, il team ha utilizzato la spettroscopia di risonanza magnetica nucleare per osservare gli spostamenti chimici nella proteina coerenti con il sito di legame previsto. Per la proteina virale chiamata Mac1, il team ha progettato una molecola che poteva spostare un segnale cellulare naturale, raggiungendo una concentrazione inibitoria di 46,2 micromolare. Nel caso della proteina virale, la cristallografia a raggi X ha confermato la struttura fisica del nuovo farmaco all'interno della proteina, corrispondendo ai modelli del computer con alta accuratezza. In ogni caso, le molecole sono state sintetizzate con successo in laboratorio.
Lo studio dimostra che l'intelligenza artificiale generativa può andare oltre gli esercizi teorici per produrre medicinali tangibili e testabili. Limitando il computer a progettare solo entro l'ambito di ciò che è sinteticamente possibile, i ricercatori hanno evitato l'errore comune di creare molecole "inutilizzabili". I risultati suggeriscono che questo approccio può accorciare significativamente il tempo necessario per trovare un punto di partenza per un nuovo farmaco. Sebbene le molecole identificate in questo studio non siano ancora pronte per diventare esse stesse medicinali, esse fungono da punti di partenza confermati che si legano ai loro target esattamente come previsto. Questo lavoro fornisce un quadro pratico per il futuro della scoperta di farmaci, dove computer e chimici lavorano in un ciclo stretto per progettare, costruire e testare nuove terapie con una maggiore efficienza rispetto al passato.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.