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

Il cervello umano è protetto da un guardiano formidabile noto come barriera emato-encefalica. Questo sottile muro selettivo riveste i vasi sanguigni nel cervello e funge da filtro rigoroso, permettendo solo a sostanze specifiche di passare dal flusso sanguigno al tessuto cerebrale, bloccando tutto il resto. Sebbene questa difesa sia vitale per mantenere il cervello al sicuro da tossine e infezioni, rappresenta anche un enorme ostacolo per la medicina. Circa il novantotto percento dei potenziali candidati farmaceutici non riesce a superare questa barriera, il che significa che sono inutili per trattare condizioni come l'Alzheimer, il Parkinson o i tumori cerebrali, indipendentemente dalla loro efficacia in una provetta. Per decenni, gli scienziati hanno lottato per prevedere quali molecole possano scivolare attraverso questo varco e quali vengano fermate alla porta. I metodi tradizionali si affidano al test di sostanze chimiche in cellule viventi o animali, un processo lento, costoso e spesso incapace di coprire l'immensa diversità di strutture chimiche esistenti in natura.

Un team di ricercatori ha sviluppato un nuovo strumento computazionale progettato per risolvere questo problema di previsione con maggiore velocità e chiarezza. Hanno creato un sistema chiamato SynNat-BERT, che funziona come un sofisticato modello linguistico per la chimica. Invece di apprendere da un piccolo set di farmaci noti, questo sistema è stato addestrato su una vasta libreria di 1,7 milioni di molecole, attingendo sia da prodotti chimici sintetici creati in laboratorio che da prodotti naturali presenti in piante e funghi. Il sistema impara la "grammatica" delle molecole scomponendole in pezzi substrutturali significativi piuttosto che in semplici atomi individuali, permettendogli di capire come le diverse parti chimiche si incastrino tra loro. Fondamentalmente, i ricercatori hanno combinato questa comprensione strutturale con sette proprietà fisiche specifiche delle molecole, come la loro dimensione, il modo in cui interagiscono con l'acqua e la loro capacità di formare legami. Unendo questi due tipi di informazioni, il sistema può non solo prevedere se una molecola attraverserà la barriera emato-encefalica, ma può anche spiegare esattamente quali parti della molecola siano responsabili di tale capacità.

I ricercatori hanno testato questo nuovo framework chiedendogli di esaminare la loro libreria di prodotti naturali alla ricerca di gemme nascoste: molecole che potevano penetrare nel cervello ma che non erano mai state identificate come tali. Il sistema ha classificato con successo migliaia di candidati, dando priorità a quelli con le giuste caratteristiche fisiche per passare attraverso la barriera. Per verificare se queste previsioni informatiche fossero reali, il team ha selezionato cinque composti alcaloidi distinti, una classe di sostanze chimiche naturali, e li ha testati in un ambiente di laboratorio utilizzando cellule cerebrali umane coltivate in una capsula di Petri. I risultati sono stati sorprendenti: tre dei cinque candidati hanno attraversato con successo la barriera cellulare, con uno che ha performato persino meglio di un farmaco standard usato come controllo positivo. Ciò ha confermato che il modello informatico aveva identificato correttamente nuove strutture permeabili precedentemente trascurate.

Oltre a trovare nuovi candidati, lo studio ha rivelato perché queste molecole funzionavano. L'analisi interna del sistema ha indicato una caratteristica strutturale specifica: una struttura ad anello idrogenata e flessibile nota come scaffold berbina. Quando i ricercatori hanno confrontato questa forma flessibile con una versione aromatica e rigida della stessa struttura, hanno scoperto che la versione rigida non riusciva a superare la barriera. Questa distinzione è stata confermata da simulazioni informatiche dettagliate che modellavano il movimento delle molecole attraverso una membrana lipidica, mostrando che la forma flessibile permetteva alla molecola di diffondersi più facilmente. Lo studio argomenta esplicitamente contro l'idea che le strutture rigide e piatte siano sempre le migliori per la penetrazione cerebrale, dimostrando invece che la flessibilità gioca un ruolo critico.

Il lavoro ha anche sfidato i limiti dei precedenti modelli di intelligenza artificiale in questo campo. Molti sistemi precedenti si basavano su dataset massicci contenenti centinaia di milioni di molecole, ma spesso le trattavano come semplici stringhe di caratteri, perdendo il contesto chimico più profondo. I ricercatori hanno scoperto che il loro dataset più piccolo e mirato di 1,7 milioni di molecole, unito al loro approccio consapevole delle substrutture, era in realtà superiore ai modelli più grandi e meno interpretabili. Hanno dimostrato che l'aggiunta di descrittori fisici specifici e comprensibili al modello era essenziale; rimuovendo questi descrittori, l'accuratezza della previsione diminuiva significativamente. Ciò suggerisce che per compiti complessi come la previsione della permeabilità cerebrale, un modello che comprende sia la forma della molecola che il suo comportamento fisico è superiore a uno che vede solo i dati grezzi.

In definitiva, questa ricerca offre un percorso pratico per la scoperta di farmaci. Combinando una profonda comprensione della struttura molecolare con regole fisiche chiare, il framework SynNat-BERT può setacciare vaste librerie di prodotti naturali per trovare nuovi potenziali candidati per il trattamento delle malattie cerebrali. Lo studio non si è limitato a prevedere un risultato; ha fornito un meccanismo verificato, dimostrando attraverso sia esperimenti di laboratorio che simulazioni informatiche che le specifiche strutture flessibili sono la chiave per attraversare la barriera emato-encefalica. Questo approccio fornisce un modo affidabile per identificare candidati farmaceutici promettenti che erano precedentemente nascosti in piena vista, offrendo un nuovo strumento agli scienziati per progettare medicinali che possano finalmente raggiungere il cervello.