Computational Design and Evaluation of De Novo Protein Minibinders Targeting Specific Sites of STAT3

All'interno del macchinario microscopico di una cella vivente, una proteina chiamata STAT3 agisce come un interruttore principale, attivando i geni che dicono alle cellule quando crescere e dividersi. In un corpo sano, questo interruttore è strettamente regolato, ma in molti tipi di cancro, rimane bloccato in posizione "on", guidando una crescita incontrollata e la diffusione dei tumori. Gli scienziati hanno a lungo cercato di costruire farmaci per spegnere questo interruttore, ma l'approccio abituale — l'uso di piccole molecole chimiche per bloccare il meccanismo — è fallito ripetutamente nei trial clinici. La superficie della proteina STAT3 è spesso troppo piatta o troppo simile ad altre proteine perché le piccole molecole possano aggrapparsi con sufficiente precisione. Ciò ha spinto i ricercatori a cercare un tipo diverso di strumento, uno più grande e specifico, capace di agganciarsi alla proteina con la certezza di una chiave che entra in una serratura.

Un team di ricercatori si è ora rivolto all'intelligenza artificiale per progettare questi nuovi strumenti da zero. Invece di prendere in prestito dalla biblioteca esistente di proteine della natura, hanno utilizzato un programma per computer per inventare strutture proteiche minuscole e completamente nuove, progettate per legarsi a punti specifici sulla superficie di STAT3. L'obiettivo era creare "minibinder" — piccoli frammenti proteici stabili che potessero attaccarsi a STAT3 e potenzialmente fermare il suo lavoro dannoso. Mirando a diverse regioni della proteina, incluse aree che sono state difficili da raggiungere con i farmaci tradizionali, il team sperava di generare un nuovo set di candidati che potessero essere testati in laboratorio per vedere se riescono a bloccare efficacemente la proteina che guida il cancro.

I ricercatori hanno iniziato identificando sette "hotspot" specifici sulla proteina STAT3, ovvero piccoli ammassi di amminoacidi situati in diverse parti della molecola. Questi punti sono stati scelti perché sono accessibili e svolgono ruoli importanti nel funzionamento della proteina, come aiutarla ad aderire ai recettori cellulari o a legarsi al DNA. Utilizzando uno strumento di progettazione basato su IA chiamato BindCraft, il team ha generato migliaia di potenziali sequenze proteiche, ognuna delle quali rappresentava un tentativo unico di avvolgersi attorno a uno di questi hotspot. Il programma per computer ha agito come un architetto virtuale, abbozzando forme che teoricamente si sarebbero adattate al bersaglio, filtrando al contempo i design che apparivano instabili o improbabili nel legame. Da un pool iniziale di 139 design che hanno superato il controllo iniziale del computer, il team ha ristretto il campo ai candidati più promettenti.

Per garantire che questi design digitali funzionassero realmente nel mondo reale, i ricercatori li hanno sottoposti a un secondo round di valutazione rigorosa utilizzando un sistema di IA più avanzato noto come AlphaFold3. Questo sistema è altamente abile nel prevedere come le proteine si ripiegano nelle loro forme tridimensionali e come interagiscono tra loro. Il team ha cercato i design che mostrassero un alto grado di fiducia nella loro capacità di agganciarsi alla proteina STAT3. Undici design sono emersi come i principali contendenti, tutti predetti come capaci di legarsi saldamente ai loro bersagli previsti. Questi undici minibinder sono stati progettati per attaccarsi a cinque dei sette hotspot originali, coprendo regioni dei domini coiled-coil, SH2 e di legame al DNA della proteina. Le simulazioni hanno suggerito che queste minuscole proteine si siederebbero saldamente sulla superficie di STAT3, coprendo spesso gli amminoacidi specifici che i ricercatori avevano mirato.

Oltre al semplice atto di attaccarsi alla proteina, i ricercatori hanno esaminato se questi nuovi leganti fossero vere creazioni originali. Hanno passato le sequenze degli undici migliori binder attraverso un enorme database di tutte le proteine note per vedere se qualcuno di essi somigliasse a qualcosa di già esistente in natura. I risultati sono stati sorprendenti: sei dei binder non presentavano alcuna corrispondenza nel database, il che significa che erano sequenze completamente nuove, mai viste prima in nessun organismo vivente. Gli altri cinque binder mostravano solo somiglianze molto deboli e insignificanti con oscure proteine batteriche, confermando che i design non erano copie accidentali di parti biologiche esistenti. Ciò suggerisce che l'IA sia riuscita a inventare forme molecolari uniche piuttosto che limitarsi a riorganizzare parti note.

Lo studio ha anche rivelato che alcuni di questi minibinder potrebbero potenzialmente lavorare insieme. Poiché i binder si attaccano a diverse aree non sovrapposte della proteina STAT3, è possibile utilizzarne due contemporaneamente per "sandwichare" il bersaglio. Ad esempio, le simulazioni hanno mostrato che un binder progettato per una regione potrebbe sedersi comodamente accanto a un altro own binder progettato per una regione diversa, senza urtarsi l'un l'altro. Questo apre la porta a una nuova strategia in cui due piccole proteine potrebbero stringere STAT3 simultaneamente, rendendo potenzialmente più difficile per la cellula cancerosa aggirare il blocco. Sebbene i ricercatori sottolineino che questi risultati si basano attualmente su simulazioni al computer e non sono ancora stati testati in laboratorio, gli alti punteggi di fiducia dei modelli di IA forniscono una solida base per il passo successivo.

Il lavoro rappresenta un passo avanti significativo nell'uso dell'intelligenza artificiale per affrontare bersagli farmacologici difficili. Progettando con successo proteine che sono predette per legarsi a punti specifici e impegnativi di una proteina correlata al cancro, il team ha fornito alla comunità scientifica una lista di candidati concreti per la sperimentazione. Le undici sequenze descritte nel documento sono ora disponibili affinché altri scienziati possano sintetizzarle e studiarle in laboratorio. Se queste previsioni digitali reggeranno negli esperimenti fisici, potrebbero offrire una nuova via verso il trattamento dei tumori guidati da STAT3, andando oltre i limiti dei piccoli farmaci chimici ed entrando in una nuova era di terapie proteiche di precisione.