Discovery of TDP-43 aggregation inhibitors via a hybrid machine learning framework

In deze studie wordt een hybride machinelearningframework ontwikkeld dat twee veelbelovende nieuwe therapeutische kandidaten, berberrubine en PE859, identificeert die TDP-43-aggregatie remmen en locomotorische defecten in een *C. elegans*-model van neurodegeneratie verminderen.

De kern

Stel je voor dat je hersenen een enorm drukke bibliotheek zijn. In deze bibliotheek werken duizenden boeken (eiwitten) die zorgen dat alles goed loopt. Maar soms, bij ziektes zoals ALS of dementie, begint één specifiek boek – laten we het TDP-43 noemen – te plakken. Het plakt aan andere boeken en vormt enorme, hardnekkige klonten. Deze klonten blokkeren de gangen van de bibliotheek, waardoor de "boeken" niet meer kunnen werken en de bibliotheek langzaam instort.

Op dit moment hebben we geen medicijn dat deze klonten weer los kan maken. Maar in dit nieuwe onderzoek hebben wetenschappers een slimme, hybride methode bedacht om een oplossing te vinden. Hier is hoe ze dat deden, vertaald naar alledaagse taal:

1. De Slimme Zoekmachine (De AI)

De onderzoekers bouwden een soort super-detective met behulp van kunstmatige intelligentie. Deze detective is niet één persoon, maar een team:

• De Chemische Expert: Kijkt naar de bouwstenen van de medicijnen (de moleculen) alsof het Lego-blokjes zijn.
• De Biologische Expert: Kijkt naar hoe deze blokjes zich gedragen in het lichaam.
• De Snelheidskraker (XGBoost): Dit is de hoofddetective die alle informatie snel combineert en een oordeel velt.

Om te begrijpen waarom de detective bepaalde medicijnen kiest, gebruikten ze een trucje genaamd SHAP-analyse. Dit is alsof je de detective vraagt: "Waarom heb jij dit gekozen?" en hij antwoordt: "Omdat dit specifieke stukje van het medicijn precies past in het gat van het probleem."

2. De Schatzoeker (Monte Carlo Tree Search)

Vervolgens lieten ze een andere slimme techniek, een schatzoeker, door een enorme berg met 3.853 verschillende medicijnpotjes graven. In plaats van elk potje één voor één te testen (wat jaren zou duren), voorspelde de computer welke twee potjes de grootste kans hadden om de TDP-43-klonten te voorkomen.

Deze twee gelukkige kandidaten waren berberrubine en PE859.

3. De Sleutel in het Slot (Moleculaire Docking)

Voordat ze de medicijnen daadwerkelijk testten, keken ze in een digitale vergrootglas. Ze zagen dat deze twee stoffen precies in een speciaal gedeelte van het TDP-43-eiwit pasten, het RRM-domein.

• De analogie: Stel je TDP-43 voor als een slot dat vastzit. Berberrubine en PE859 zijn twee verschillende soorten sleutels. Ze passen beide in het slot, maar ze draaien op een iets andere manier, waardoor ze het slot weer openen en de klonten voorkomen.

4. De Proef in de Wereld (Testen)

Nu was het tijd om te zien of het in de echte wereld werkte:

• In de cel (HEK-cellen): Ze deden de medicijnen in een laboratoriumschaaltje met cellen. Het resultaat? De klonten werden duidelijk minder. De "bibliotheek" werd weer opgeruimd.
• In de worm (Caenorhabditis elegans): Ze testten het op kleine wormpjes die menselijk TDP-43 hadden. Deze wormpjes bewegen normaal gesproken niet goed als ze ziek zijn.
  • PE859 werkte als een wondermiddel: de wormpjes konden weer vrolijk en krachtig rondkruipen.
  • Berberrubine werkte als een hulpje: het maakte de wormpjes iets beter, maar niet helemaal gezond.

Conclusie

Kortom: deze onderzoekers hebben een nieuwe, slimme manier gevonden om medicijnen te vinden die de "plakkende" eiwitten in de hersenen kunnen stoppen. Ze hebben twee veelbelovende kandidaten gevonden die in de testfase goed werkten. Het is alsof ze eindelijk de sleutels hebben gevonden om de bibliotheek weer veilig en functioneel te maken, wat een enorme stap kan zijn in de strijd tegen zware hersenziektes.

Technische samenvatting

Probleemstelling

De aggregatie van het TAR DNA-bindende eiwit 43 (TDP-43) is een kenmerkend pathologisch proces bij diverse neurodegeneratieve aandoeningen, waaronder amyotrofische laterale sclerose (ALS) en frontotemporale dementie (FTD). Hoewel recente therapeutische inspanningen hebben aangetoond dat kleine moleculen het potentieel hebben om deze aggregatie te remmen, ontbreekt er momenteel nog steeds een effectieve behandeling. De uitdaging ligt in het snel en accuraat identificeren van nieuwe kandidaat-moleculen die specifiek op TDP-43 inwerken.

Methodologie

De auteurs ontwikkelden een hybride machine learning-framework om nieuwe TDP-43 aggregatie-remmers te ontdekken. De aanpak omvatte de volgende stappen:

• Feature Engineering: Het model combineerde drie soorten data:
  1. Embeddings gegenereerd door Graph Neural Networks (GNN) voor het vastleggen van moleculaire structuren.
  2. Traditionele chemische descriptors.
  3. Biologische target-annotaties.
• Classificatie en Interpretatie: Als eindclassificator werd XGBoost gebruikt. Om het model interpreteerbaar te maken, werd SHAP-analyse (SHapley Additive exPlanations) toegepast. Dit stelde de onderzoekers in staat om de belangrijkste chemische kenmerken en target-annotaties te identificeren die correleren met anti-aggregatie-activiteit.
• Structuur-optimalisatie: Een aanvullende Monte Carlo Tree Search (MCTS) analyse werd uitgevoerd om specifieke chemische substructuren te benadrukken die geassocieerd zijn met voorspelde activiteit.
• Screening: Het getrainde model werd gebruikt om een externe bibliotheek van 3.853 kleine moleculen te screenen.
• Validatie: De top-kandidaten werden onderzocht via moleculaire docking (om binding aan het RNA-herkenningsmotief, RRM, van TDP-43 te voorspellen) en experimentele validatie in cellulaire (HEK-cellen) en dierlijke modellen (Caenorhabditis elegans met menselijk TDP-43).

Belangrijkste Bijdragen

• De ontwikkeling van een innovatief hybride ML-model dat diep leren (GNN) combineert met traditionele chemische en biologische data voor drug discovery.
• Het succesvol toepassen van SHAP en MCTS voor het interpreteren van het model en het onthullen van de onderliggende chemische logica achter de voorspellingen.
• De identificatie en validatie van twee nieuwe, eerder niet geteste verbindingen: berberrubine en PE859.

Resultaten

• Screening en Binding: Het model selecteerde berberrubine en PE859 als veelbelovende kandidaten. Moleculaire docking-analyses toonden aan dat beide verbindingen gunstig interacteren met het RRM-domein van TDP-43, elk via een uniek bindingsmechanisme.
• Cellulaire Validatie: Experimenten in HEK-cellen bevestigden dat beide verbindingen de TDP-43-aggregatie significant verminderden.
• In vivo Validatie: In C. elegans die menselijk TDP-43 tot expressie brachten:
  • PE859 leidde tot een significante verbetering van locomotorische defecten.
  • Berberrubine toonde een partiële verbetering van de symptomen.

Betekenis

Dit werk vestigt een robuust hybride machine learning-benadering die de snelheid en efficiëntie van de ontdekking van kleine moleculen voor geneesmiddelen kan versnellen. Door twee nieuwe therapeutische kandidaten (PE859 en berberrubine) te leveren die effectief zijn tegen TDP-43-pathologieën, biedt deze studie een veelbelovende richting voor de ontwikkeling van toekomstige behandelingen voor ALS en FTD. De combinatie van AI-gedreven screening met experimentele validatie demonstreert de kracht van computationele biologie bij het oplossen van complexe neurodegeneratieve uitdagingen.