Transcriptome-based lead generation, ligand- and structure-based prioritization and experimental validation of TLR5-activating molecules

Dit onderzoek presenteert een systeembiologische aanpak die transcriptoomdata combineert met ligand- en structuurgebaseerde prioritering om TLR5-activerende moleculen te genereren en experimenteel te valideren, waardoor de afhankelijkheid van traditionele in silico-methoden wordt overwonnen en de faalratio in de vroege fase van medicijnontwikkeling wordt verlaagd.

De kern

🧬 De Zoektocht naar de Perfecte Sleutel: Een Nieuwe Manier om Medicijnen te Ontwerpen

Stel je voor dat je een enorme, complexe slotkast hebt (ons lichaam) en je bent op zoek naar de perfecte sleutel (een medicijn) die een specifiek slot opent (een ziekte of immuunreactie).

Het oude probleem:
Tot nu toe deden wetenschappers dit meestal op twee manieren:

1. De "Vorm"-methode: Ze keken naar de vorm van het slot en probeerden een sleutel te maken die er precies in paste.
2. De "Vergelijking"-methode: Ze keken naar andere sleutels die al werkten en probeerden daar iets op te kopiëren.

Het probleem is dat deze methoden vaak vergeten hoe het slot zich voelt in de echte wereld. Een sleutel die er perfect uitziet op papier, werkt misschien niet goed als de deur trilt of als er andere mensen in de kamer lopen (de complexe omgeving van een cel). Dit leidt vaak tot medicijnen die in het lab werken, maar in de kliniek falen.

De nieuwe aanpak van dit onderzoek:
De onderzoekers uit India hebben een slimme, nieuwe strategie bedacht. In plaats van alleen naar het slot of andere sleutels te kijken, kijken ze naar het geluid dat het slot maakt als het opent.

Stap 1: Luisteren naar het "Geluid" (Transcriptoom)

Wanneer je lichaam een bacterie bestrijdt, schreeuwt het lichaam met duizenden kleine stemmen (genen) tegelijkertijd. Dit noemen we het transcriptoom.

• De analogie: Stel je voor dat TLR5 (een immuunreceptor) een orkest is. Als de natuurlijke sleutel (een bacteriedeel genaamd flagelline) het slot opent, begint het orkest een heel specifiek nummer te spelen.
• De onderzoekers hebben eerst opgenomen hoe dit orkest klinkt als het door de natuurlijke sleutel wordt getriggerd. Ze hebben een lijst gemaakt van alle instrumenten die harder of zachter spelen.

Stap 2: De "Muziek-Database" (CMap)

Vervolgens hebben ze een enorme database geraadpleegd, de Connectivity Map (CMap). Dit is als een gigantische Spotify-lijst van duizenden bestaande medicijnen.

• Ze hebben gezegd: "Welke van deze duizenden medicijnen maakt precies hetzelfde muzieknummer als onze natuurlijke sleutel?"
• Ze zochten niet naar de vorm van de sleutel, maar naar de muziek die het medicijn in het lichaam maakt. Als een medicijn hetzelfde nummer speelt, betekent dit dat het waarschijnlijk hetzelfde effect heeft op het immuunsysteem.

Stap 3: De "Lijm-Test" (Structuur en Docking)

Nu hadden ze een lijst met verdachten die het juiste nummer speelden. Maar is het ook een goede sleutel?

• Ze gebruikten computerprogramma's om te kijken of deze medicijnen fysiek in het slot passen (moleculaire docking).
• Ze keken of de "tanden" van de sleutel (de chemische structuur) goed in de groeven van het slot (het eiwit TLR5) pasten.
• Het resultaat: Ze vonden dat de medicijnen die ze via de "muziek" hadden gevonden, ook daadwerkelijk fysiek in het slot pasten! Dit gaf hen extra vertrouwen.

Stap 4: De Echte Proef (Het Lab)

Uiteindelijk namen ze de top 9 kandidaten en testten ze ze in het laboratorium op menselijke cellen.

• Het verrassende nieuws: Alle 9 medicijnen deden het werk! Ze activeerden het immuunsysteem, net zoals de natuurlijke bacteriedeel.
• De nuance: Sommige medicijnen werkten echter op een vreemde manier. Ze deden het slot open, maar soms ook weer dicht, afhankelijk van de hoeveelheid.
  • Vergelijking: Het is alsof je een lantaarnpaal aan doet, maar bij te veel stroom gaat hij weer uit. Dit betekent dat deze medicijnen niet alleen op het slot werken, maar ook andere deuren in de buurt openen of dichtdoen.

Waarom is dit belangrijk?

1. Snelheid en Kosten: Door eerst naar het "geluid" (de reactie van de cel) te kijken in plaats van alleen naar de vorm, vinden ze sneller goede kandidaten.
2. Minder Falen: Omdat ze rekening houden met hoe het medicijn zich in een levend systeem gedraagt (de "muziek"), is de kans kleiner dat het medicijn later faalt.
3. Toekomst: Deze methode werkt niet alleen voor dit ene slot (TLR5), maar kan worden gebruikt voor bijna elk medicijnprobleem, zelfs voor die waar we de vorm van het slot nog niet eens kennen.

Kort samengevat:
De onderzoekers hebben bewezen dat je medicijnen kunt vinden door te luisteren naar hoe een cel reageert, in plaats van alleen naar de vorm van het doelwit te kijken. Het is alsof je een verdachte zoekt door te luisteren naar zijn voetstappen in het huis, in plaats van alleen te zoeken naar zijn gezicht op een foto. En het werkt!

Technische samenvatting

Titel: Transcriptoom-gebaseerde lead-generatie, ligand- en structuur-gebaseerde prioritering en experimentele validatie van TLR5-activerende moleculen.

1. Het Probleem

De huidige protocollen voor in silico drugdiscovery vertrouwen overwegend op twee methoden:

1. Ligand-gebaseerde benadering: Nieuwe leads worden gegenereerd via fragment-signatuurmatching.
2. Structuur-gebaseerde benadering (SBDD): Gebaseerd op moleculaire docking en conformationele dynamiek.

Een groot nadeel van deze traditionele methoden is dat ze geen rekening houden met de complexe cellulaire context waarin medicijnen uiteindelijk werken. Dit leidt vaak tot een hoge faalrate in latere fasen van de ontwikkeling (safety en efficacy). Transcriptoom-gebaseerde drugdiscovery (TBDD) kan dit probleem aanpakken door systeem-niveau responsen van drugs in een vroeg stadium te integreren, maar deze methode is nog niet voldoende geëxploiteerd, vooral niet in combinatie met structurele validatie.

Het specifieke doel van dit onderzoek was het vinden van nieuwe kandidaten voor TLR5 (Toll-like receptor 5). TLR5 is een complex immuunologisch doelwit dat moeilijk te targeten is met SBDD vanwege de complexe interacties tussen verschillende TLRs en de afwezigheid van een volledige kristalstructuur (op het moment van start van het onderzoek).

2. Methodologie

De auteurs ontwikkelden een geïntegreerde framework die TBDD combineert met traditionele SBDD en experimentele validatie. De workflow bestond uit de volgende stappen:

• Transcriptoom-gebaseerde Lead-generatie (TBDD):

  • Gebruik van genexpressie-data van Calu-3 cellen geactiveerd door het natuurlijke ligand flagelline (GSE923 dataset).
  • Identificatie van differentieel tot expressie gebrachte genen (DEGs) met een log2 fold-change drempel van 2.
  • Query van de Connectivity Map (CMap) database met twee methoden:
    • cmap1: Gebruik van zowel up- als down-regulated genen.
    • cmap2: Gebruik van alleen up-regulated genen.
  • Selectie van kleine moleculen met een hoge CMap-score (>0.9) die de flagelline-signatuur nabootsen.

• Chemische Signatuur Analyse:

  • Analyse van MACCS-fingerprints om te bepalen of de CMap-hits gedeelde structurele patronen vertonen.
  • Hiërarchische clustering van de hits om chemische diversiteit te beoordelen.

• Structuur-gebaseerde Validatie (SBDD):

  • Gebruik van een Cryo-EM structuur van menselijk TLR5 (PDB ID: 3J0A) en een AlphaFold-model ter validatie.
  • Moleculaire docking: Uitgevoerd met de Glide module (Schrödinger Suite) en HADDOCK voor flexibele docking.
  • Validatie van de binding met een controle-set van ~2454 FDA-goedgekeurde drugs.
  • Analyse van intermoleculaire interacties (waterstofbruggen, hydrofobe interacties) met LigPlot en X-Score voor bindingsechtheid.

• Experimentele Validatie:

  • ELISA-assay op CAL-27 cellen (menselijke tongkanker cellijn) om de expressie van TLR5 te meten na behandeling met de geprioriteerde hits.
  • Dosis-respons studies uitgevoerd om het activatiepatroon te bepalen.

3. Belangrijkste Bijdragen

• Geïntegreerd Framework: De studie demonstreert een succesvolle workflow die transcriptoom-data (CMap) koppelt aan structurele validatie, waardoor leads worden geselecteerd die zowel biologisch relevant zijn als structureel compatibel met het doelwit.
• Validatie van TBDD voor TLR5: Het bewijst dat TBDD effectief kan worden toegepast op complexe immuunreceptoren waar SBDD vaak vastloopt door gebrek aan structurele data of complexiteit.
• Prioritering van Hits: Door de combinatie van CMap-scores, docking-scores en interactie-analyse, werden 9 robuuste kandidaten geselecteerd uit duizenden potentiële hits.
• Experimenteel Bewijs: Alle 9 geprioriteerde moleculen werden experimenteel bevestigd als TLR5-activerende middelen, wat de voorspellende kracht van het model onderstreept.

4. Resultaten

• Genexpressie: 49 DEGs werden geïdentificeerd (21 up, 28 down). Pathway-analyse bevestigde dat deze genen gerelateerd zijn aan immuunresponsen (bijv. NF-κB, cytokine-cytokine receptor interactie).
• CMap Hits: De TBDD-methode genereerde respectievelijk 80 (cmap1) en 332 (cmap2) hits.
• Structuur-Validatie:
  • De CMap-hits toonden een significant hogere verrijking van strakke bindingen (Glide score < -6.0 kcal/mol) in vergelijking met een willekeurige set van FDA-drugs (p-waarden van 0.0129 en 0.0004).
  • Clustering toonde aan dat de hits niet willekeurig waren, maar specifieke chemische subgroepen vertegenwoordigden.
• Top 9 Kandidaten: De volgende 9 moleculen werden geselecteerd en experimenteel bevestigd:
  1. Fenoterol
  2. Piceatannol
  3. ABT-751
  4. Azacytidine
  5. Cytarabine
  6. Ganciclovir
  7. Kinetin-riboside
  8. Penicillin-G
  9. Streptozotocin
• Dosis-respons:
  • Upregulatie: Cytarabine, Azacytidine, Penicillin-G, Streptozotocin en Piceatannol toonden een dosis-afhankelijke toename in TLR5-expressie.
  • Downregulatie: Fenoterol, ABT-751, Ganciclovir en Kinetin-riboside toonden een dosis-afhankelijke afname. Dit suggereert dat sommige drugs TLR5 indirect reguleren via andere pathways (bijv. via cAMP/PKA of microtubuli-stress) in plaats van als directe agonist te werken.
• Off-target Effecten: Docking tegen andere TLR5-pathway proteïnen (zoals MyD88, IRAK4) toonde aan dat sommige hits ook interacties kunnen hebben met andere componenten van het signaalweg, wat de complexe dosis-respons verklaart.

5. Betekenis en Conclusie

De studie toont aan dat het integreren van transcriptoom-gebaseerde lead-generatie met structurele validatie een krachtige strategie is om de faalrate in drugdiscovery te verlagen. Het framework is succesvol getoetst op TLR5 en levert een nieuwe reeks kleine moleculen op die de receptor kunnen moduleren.

De bevindingen benadrukken dat:

1. TBDD leads kan genereren die structureel compatibel zijn met het doelwit, zelfs zonder dat de initiële selectie op structuur gebaseerd was.
2. De biologische respons (TLR5-activatie) niet altijd lineair is; sommige drugs activeren TLR5 direct, terwijl anderen het indirect moduleren via stress- of signaalwegen.
3. Het model schaalbaar is naar andere complexe biologische doelen en ziektecondities waar traditionele SBDD tekortschiet.

De auteurs concluderen dat deze geïntegreerde aanpak de efficiëntie van de vroege fase van drugontwikkeling aanzienlijk kan verbeteren door cellulaire context eerder in het proces te betrekken.