Q-MOL: High Fidelity Platform for In Silico Drug Discovery and Design

Het Q-MOL-platform biedt een hoogwaardig, flexibel computergestuurd systeem voor de ontdekking van medicijnen dat, in tegenstelling tot traditionele methoden, succesvol werkt met zowel stijve als intrinsiek ongeordende eiwitten en RNA-structuren door een geavanceerde behandeling van eiwitflexibiliteit en bindingstijden te integreren.

De kern

Q-MOL: De "Chameleons" van de Geneeskunde

Stel je voor dat je een sleutel wilt maken die past in een heel specifiek slot. In de wereld van medicijnen is dat slot een eiwit in je lichaam en de sleutel een medicijn.

Voor decennia hebben computerscienceurs geprobeerd deze sleutels digitaal te ontwerpen (zogenoemde in silico drug discovery). Maar ze hadden een groot probleem: ze dachten dat alle sloten stijf en statisch waren, net als een oud, roestig hangslot. Als je een computerprogramma gebruikt dat uitgaat van stijve sloten, werkt het prima voor simpele enzymen. Maar veel belangrijke ziekteverwekkers (zoals virussen) en ziekteveroorzakende eiwitten zijn niet stijf. Ze zijn flexibel, zelfs wanordelijk. Ze bewegen, veranderen van vorm en gedragen zich als een slang of een chameleon.

De oude computerprogramma's faalden hier omdat ze probeerden een sleutel te maken voor een vorm die op dat moment niet bestond. Zodra het eiwit beweegt, past de sleutel niet meer.

Q-MOL is een nieuw platform dat dit probleem oplost. Het behandelt eiwitten niet als statische beelden, maar als levende, bewegende entiteiten.

Hoe werkt Q-MOL? De "Landschapstheorie"

De auteur, Anton Cheltsov, gebruikt een slimme truc gebaseerd op de Energie Landschap Theorie.

• De Oude Manier: Stel je voor dat je een berg beklimt en denkt dat er maar één top is. Als je daar niet bent, ben je verkeerd.
• De Q-MOL Manier: Q-MOL ziet het eiwit als een gigantisch, golvend landschap met duizenden dalen en pieken. Een eiwit is nooit stil; het "drijft" voortdurend tussen deze verschillende vormen.

In plaats van te proberen één perfecte vorm te vinden, simuleert Q-MOL hoe een medicijn (de sleutel) door dit landschap zwemt. Het zoekt niet naar de "perfecte pasvorm" op één moment, maar naar de sleutel die het beste past in één van de vele mogelijke vormen die het eiwit kan aannemen.

De "Onzichtbare" Deuren vinden

Een ander groot probleem in de geneeskunde is dat veel eiwitten geen duidelijke "deur" (bindingsplaats) hebben. Ze lijken op een gladde muur.

• De Oude Manier: Probeer een sleutel in een gat te steken dat er niet is.
• De Q-MOL Manier: Q-MOL gebruikt een scantechniek. Het neemt kleine deeltjes (zoals aminozuren, de bouwstenen van eiwitten) en laat ze over de hele oppervlakte van het eiwit "rollen".
  • Waar de deeltjes blijven plakken of waar ze energie "verliezen" (een teken dat ze zich prettig voelen), daar is een verborgen deur.
  • Deze deuren zijn vaak cryptische plekken: ze bestaan alleen als het eiwit in een bepaalde beweging is. Q-MOL kan deze plekken vinden, zelfs als ze er normaal gesproken niet uitzien als een gat.

Bewijzen uit de praktijk: Virussen en RNA

Het artikel laat zien dat Q-MOL niet alleen werkt voor eiwitten, maar ook voor RNA (de bouwplannen van virussen).

1. West-Nijl, Zika en Hepatitis C: Q-MOL slaagde erin om nieuwe medicijnen te vinden die de "co-factoren" van deze virussen blokkeren. In plaats van het actieve centrum van het virus aan te vallen (waar het virus zich makkelijk aanpast), vond Q-MOL plekken waar het virus zijn vorm moet veranderen om te werken. Het blokkeerde de "scharnier" in plaats van de "deur".
   • Resultaat: Ze vonden medicijnen die zeer effectief waren, zelfs tegen mutaties van het virus.
2. c-Myc en β-catenin: Dit zijn eiwitten die vaak kanker veroorzaken en extreem chaotisch en flexibel zijn. Traditionele methodes zeggen: "Deze zijn onbehandelbaar." Q-MOL vond toch plekken om ze aan te vallen en ontdekte nieuwe medicijnen die kankercellen deden afsterven.
3. Viraal RNA: Zelfs voor RNA-moleculen (die geen eiwitten zijn) werkte het systeem. Het kon "gaten" vinden in de structuur van het Zika-virus-RNA waar medicijnen aan konden vastplakken.

Waarom is dit zo belangrijk?

De belangrijkste boodschap van dit papier is een ommekeer in het denken:

Flexibele eiwitten zijn niet moeilijker te behandelen dan stijve eiwitten; ze zijn juist makkelijker!

Waarom? Omdat een stijf eiwit maar één vorm heeft. Als je medicijn daar niet past, is het klaar. Maar een flexibel eiwit heeft duizenden vormen. Dat betekent dat er duizenden kansen zijn om een medicijn te vinden dat past in een van die vormen. Q-MOL maakt gebruik van die enorme diversiteit.

Samenvatting in één zin

Q-MOL is een slimme computermethode die stopt met proberen medicijnen te ontwerpen voor "stijve beelden" van ziekten, en in plaats daarvan medicijnen ontwerpt die passen in de dynamische dans van flexibele eiwitten en virussen, waardoor het mogelijk wordt om ziektes te genezen die voorheen als "onbehandelbaar" werden beschouwd.

Technische samenvatting

Titel: Q-MOL: Een High Fidelity Platform voor In Silico Drug Discovery en Design

Auteur: Anton Cheltsov (Q-MOL LLC, San Diego, CA, USA)

---

1. Het Probleem

Traditionele in silico methoden voor drug discovery, zoals moleculaire docking en virtuele screening (VLS), hebben de afgelopen decennia veelbelovende resultaten opgeleverd voor relatief stijve eiwitten (zoals veel enzymen) of tijdens de optimalisatie van hit- naar lead-verbindingen. Echter, deze methoden falen vaak bij de toepassing op:

• Hoog flexibele en intrinsiek ongeordende eiwitten (IDP's): Deze vormen het grootste deel van farmacologisch belangrijke doelen (bijv. transcriptiefactoren, adaptor-eiwitten, allosterische modulatoren).
• De "Undruggable" uitdaging: Veel van deze doelen missen goed gedefinieerde, klassieke bindingszakken (druggable pockets). Ze gebruiken vaak uitgebreide oppervlakken of cryptische/allosterische sites die alleen ontstaan door specifieke conformationele overgangen.
• Bestaande beperkingen:
  • Onjuiste of te vereenvoudigde behandeling van eiwitflexibiliteit.
  • Gebrek aan correct geannoteerde druggable pockets.
  • Scoring-functies die vaak overgefit zijn of gebaseerd op statische structuren.
  • Machine Learning (ML) modellen die vaak falen omdat ze "black box"-systemen zijn die niet gebaseerd zijn op de fysica en thermodynamica van het specifieke systeem, en dus niet generaliseren naar nieuwe eiwitfamilies.

2. Methodologie: Het Q-MOL Platform

Het Q-MOL-platform lost deze problemen op door een unieke aanpak die gebaseerd is op de Theorie van het Energie-landschap van eiwitvouwing (Energy Landscape Theory - ELT).

• Implicitie Behandeling van Flexibiliteit: In plaats van eiwitflexibiliteit expliciet te modelleren (wat rekenkundig onhaalbaar is) of te negeren, gebruikt Q-MOL een impliciete benadering. Het behandelt de eiwitreceptor als een multidimensionale parametrische hyperspace van bindingsenergieën.
• Ligand-centric Benadering: De docking-simulatie draait in de interne coördinatenruimte van de ligand. De berekende bindingsenergie wordt niet bepaald door een getrainde scoring-functie, maar door het verkennen van alle mogelijke eiwitconformaties in de nabijheid van een geselecteerde docking-site binnen het energie-landschap.
• Voorspelling van Bindingsplaatsen: Het platform kan allosterische en cryptische bindingsplaatsen voorspellen op eiwitten die geen klassieke zakken hebben. Dit gebeurt door het "scannen" van het moleculaire oppervlak van het doelwit met:
  • Bekende kleine moleculen (als structurele sondes).
  • De 20 individuele aminozuren (als structurele sondes) om gebieden met excess vrije energie te detecteren die thermodynamisch gunstig zijn voor binding.
• Universele Toepasbaarheid: De methodologie is niet beperkt tot eiwitten. Hetzelfde protocol wordt "As Is" (zonder aanpassingen) toegepast op polynucleotide-structuren, zoals niet-coderend viraal RNA.
• Workflow:
  1. Detectie van bindingsplaatsen: Scannen van het oppervlak om allosterische sites te vinden.
  2. Primair VLS: Screening van grote bibliotheken (bijv. 275.000 verbindingen) tegen de voorspelde sites.
  3. Biologische validatie: Selectie van hits voor in vitro en in vivo testen.
  4. Computational Optimization: Focus op analoge verbindingen van primaire hits om de binding te verfijnen.

3. Belangrijkste Bijdragen

• Validatie van ELT in Drug Discovery: Het is het eerste platform dat de principes van de ELT succesvol implementeert voor moleculaire docking, waardoor het mogelijk wordt om flexibele en ongeordende doelen effectief aan te pakken.
• Doorbraak bij "Undruggable" Doelen: Het bewijst dat flexibele eiwitten en IDP's juist beter toegankelijk zijn voor drug discovery dan stijve eiwitten, omdat ze een grotere diversiteit aan conformationele toestanden bieden die een breder scala aan chemotypes kunnen accommoderen.
• Onafhankelijkheid van Stijve Pockets: Het systeem vereist geen vooraf bestaande, goed gedefinieerde bindingszakken; het kan succesvol docken op platte, structuurloze oppervlakken.
• Cross-Modale Toepassing: Het succesvol toepassen van eiwit-geoptimaliseerde protocollen op RNA-moleculen (HIV en Zika virus RNA) toont de universaliteit van de force field en de methode.

4. Resultaten en Validatie

Het Q-MOL-platform is gevalideerd in meer dan 60 projecten (in vitro, in cellulo en in vivo) met uiteenlopende doelen:

• West Nile Virus (WNV) NS2B-NS3pro: Identificatie van allosterische remmers die de interactie tussen de cofactor NS2B en het enzym verstoren.
  • Resultaat: Van 50 geteste verbindingen waren er 18 actief (36% succesratio), waaronder 3 nanomoleaire remmers. De verrijking was 99,97% (85 hits uit 275.000).
• Hepatitis C Virus (HCV) NS3/4A: Remming van de interactie met de NS4A-cofactor.
  • Resultaat: Succesvolle identificatie van actieve liganden voor 3 verschillende allosterische sites. De beste hit (NSC704342) had een IC50 van 183 nM, vergelijkbaar met de referentiestof Telaprevir (148 nM), en was actief tegen resistente mutaties.
• Zika (ZIKV) en Dengue (DENV) Virus: Toepassing van de WNV-strategie.
  • Resultaat: Pan-flavivirale remmers (zoals NSC86314) bleken actief tegen ZIKV en DENV. NSC86314 werd geco-crystalliseerd met ZIKV NS2B-NS3 (PDB 7M1V) en toonde in vivo activiteit.
• Retinoid X Receptor α (RXRα) en MT1-MMP:
  • Identificatie van een selectieve RXRα-antagonist (NSC640358) die apoptose induceert.
  • Ontdekking van een modulator voor het hemopexine-domein van MT1-MMP die metastase remt, met succesvolle in vivo validatie na slechts één ronde screening.
• β-catenin: Voorspelling van allosterische sites op het armadillo-repeat domein.
  • Resultaat: Ontdekking van NSC211416 met een directe bindingsaffiniteit (Kd) van 55 nM en een thermische smelttemperatuurverschuiving (ΔTm) van 17°C.
• cMyc (Intrinsiek ongeordend): Succesvolle mapping van bindingsplaatsen op dit "undruggable" doelpunt.
• RNA-Doelen: Voorspelling van bindingsplaatsen op HIV-1 Core Packaging Signal en Zika xrRNA, met identificatie van hits die bekend staan om hun antivirale eigenschappen (bijv. triazool-derivaten en TAT-peptiden).

5. Betekenis en Conclusie

Deze paper levert een fundamentele bijdrage aan het veld van in silico drug discovery door aan te tonen dat de huidige beperkingen van docking-software niet inherent zijn aan de complexiteit van flexibele doelen, maar aan de methodologische aanpak.

• Paradigmaverschuiving: Het weerlegt de opvatting dat flexibele eiwitten moeilijker te targeten zijn dan stijve enzymen. Integendeel, hun conformationele diversiteit biedt meer kansen voor specifieke en potente binding.
• Validatie: In tegenstelling tot veel theoretische modellen, is elk aspect van de Q-MOL-software grondig gevalideerd met experimentele data (kristallografie, enzymatische assays, celtesten en diermodellen).
• Toekomstperspectief: Het platform biedt een robuuste, universele oplossing voor het ontdekken van medicijnen tegen een breed scala aan doelen, inclusief die welke eerder als "onbereikbaar" werden beschouwd, zonder de noodzaak van gespecialiseerde supercomputers (door gebruik van cloud computing en efficiënte algoritmen zoals BSP-bomen).

Kortom, Q-MOL bewijst dat door het correct modelleren van eiwitflexibiliteit via de theorie van het energie-landschap, de novo drug discovery voor de meest uitdagende biologische doelen haalbaar en succesvol is.