Integrated proteomic screening reveals design principles of CRBN molecular glue degraders

Dit onderzoek breidt het landschap van CRBN-neosubstraten aanzienlijk uit door middel van geïntegreerde proteomische screening en machine learning, waardoor inzichtelijke ontwerpprincipes voor de rationele ontwikkeling van nieuwe moleculaire lijm-degraderende middelen worden geleverd.

De kern

🧪 De "Sleutels" die de "Afvalbak" van de Cel openen

Stel je voor dat je lichaam een enorme, drukke stad is. In deze stad werken miljoenen kleine machines (eiwitten) om alles draaiende te houden. Soms zijn er machines die kapot zijn, te veel zijn of gewoon niet meer nodig zijn. Normaal gesproken heeft de cel een eigen vuilnisman die deze oude machines weghaalt en vernietigt.

Maar wat als die vuilnisman een beetje lui wordt, of als er een specifieke, gevaarlijke machine is die hij niet herkent? Dan moet je hem helpen.

Moleculaire lijm (Molecular Glue) is een soort slimme hulpmiddel. Het is een klein chemisch stofje dat als een twee-in-één lijm werkt. Het plakt aan de vuilnisman én aan de oude machine die weg moet. Hierdoor krijgt de vuilnisman een seintje: "Hey, pak deze machine maar!" en hij gooit hem direct in de afvalbak.

🔍 Het Grote Experiment: 960 Proeven in Eén

De onderzoekers van dit artikel wilden weten: Welke machines kunnen we precies weglaten met deze lijm? En welke soort lijm werkt voor welke machine?

Ze hadden een enorme doos met 960 verschillende soorten lijm (chemische stoffen). In plaats van één voor één te testen, wat jaren zou duren, hebben ze een slimme, geautomatiseerde manier bedacht om ze allemaal tegelijk te testen.

1. De Testbaan: Ze gebruikten cellen (kleine proefbuisjes) die vol zaten met hun eigen vuilnisman (CRBN).
2. De Scan: Ze deden de cellen 6 uur lang in contact met de lijm. Daarna keken ze met een superkrachtige microscoop (een soort van chemische scanner) naar wat er was verdwenen.
3. Het Resultaat: Ze ontdekten dat deze lijm meer dan 230 verschillende machines kon verwijderen. Daarvan waren 124 machines die niemand eerder wist dat ze weggehaald konden worden!

🕵️‍♂️ De "Truc" om de waarheid te vinden

Soms is de lijm zo sterk dat hij de vuilnisman zelf overbelast. Dan valt de hele fabriek stil, en verdwijnen er veel dingen die niet eens de bedoeling waren. Dit is als een vuilnisman die zo hard werkt dat hij zelf in een flauwval valt; dan zie je overal rommel, maar weet je niet wat er echt verwijderd was.

Om dit op te lossen, gebruikten de onderzoekers een slimme truc:

• Ze gebruikten een onbreekbare versie van een van de machines (een "dummy").
• Omdat deze dummy niet weggegooid kon worden, bleef de vuilnisman rustig werken.
• Hierdoor zagen ze pas echt welke andere machines er daadwerkelijk door de lijm werden weggehaald, zonder dat de hele fabriek in de war raakte.

🧩 De Geheimen van de Vorm (G-loop en anders)

Vroeger dachten wetenschappers dat je een specifieke vorm nodig had om de vuilnisman te activeren. Ze noemden dit de "G-loop" (een soort handvatje op de machine).

• De verrassing: De onderzoekers ontdekten dat ongeveer de helft van de nieuwe machines die ze vonden, geen handvatje had! Ze hadden een heel andere vorm, maar de lijm paste er toch perfect op.
• Dit betekent dat we veel meer machines kunnen opruimen dan we dachten.

🤖 De Computer die de Vormen Leert

Om te begrijpen waarom bepaalde lijmsoorten werken op de ene machine en niet op de andere, gebruikten ze kunstmatige intelligentie (AI).

Stel je voor dat je duizenden sleutels hebt en duizenden sloten. De AI keek naar de vorm van de sleutels (de chemische structuur) en probeerde te voorspellen welk slot ze openen.

• Ze ontdekten dat het niet gaat om één klein puntje op de sleutel, maar om de combinatie van alle puntjes samen.
• Soms lijkt een sleutel op een andere, maar een klein detail maakt het verschil tussen een slot dat open gaat of niet.
• Met deze AI kunnen onderzoekers in de toekomst zelf nieuwe lijmsoorten ontwerpen die precies op de ziekte-veroorzakende machines van een patiënt werken, zonder de gezonde machines aan te raken.

💡 Waarom is dit belangrijk?

Dit onderzoek is als het vinden van een nieuwe gereedschapskist voor artsen.

• Ze hebben een lijst gemaakt van 230 ziekte-veroorzakende machines die nu weggehaald kunnen worden.
• Ze hebben een database (een soort online boek) gemaakt waar iedereen kan kijken welke lijm voor welke machine werkt.
• Ze hebben bewezen dat je veel meer ziektes kunt behandelen dan voor mogelijk werd gehouden, door slimme lijm te gebruiken in plaats van zware chemotherapie.

Kortom: Ze hebben een enorme schat aan nieuwe medicijnen ontdekt door te kijken welke "lijm" welke "oude machine" in de afvalbak kan gooien, en ze hebben een slimme computer gebruikt om te leren hoe je die lijm nog beter kunt maken.

Technische samenvatting

Probleemstelling

Moleculaire lijm-degraderende middelen (Molecular Glue Degraders, MGD's) zijn kleine moleculen die de oppervlakte van E3-ubiquitine-ligases (zoals Cereblon of CRBN) herschikken om niet-natuurlijke substraten (neosubstraten) te rekruteren en af te breken via het proteasoom. Hoewel CRBN-based MGD's (zoals thalidomide en lenalidomide) succesvol zijn in de behandeling van multipel myeloom, blijft de systematische mapping van chemische structuren naar proteoom-brede degradatieprofielen een kritieke bottleneck.
Bestaande kennis is beperkt tot een handvol bekende neosubstraten en vaak gebaseerd op geïsoleerde domein-schermen of beperkte datasets. Er is een gebrek aan grote, publiek toegankelijke datasets die chemische motieven correleren met degradatieprofielen, wat noodzakelijk is voor het ontwikkelen van voorspellende modellen voor rationeel drugdesign. Bovendien is het onderscheid tussen directe binders en indirecte effecten (bijv. door secundaire signalering of complexvorming) vaak onduidelijk.

Methodologie

De auteurs ontwikkelden een geïntegreerde, doelwit-agnostische screeningstrategie die diepe proteomische en ubiquitinoomische profilering combineert met chemoinformatica.

1. Proteomische Screening:

   • Dataset: Een bibliotheek van 960 CRBN-gebaseerde MGD's werd getest.
   • Model: HEK293-cellen die CRBN overexpresseren, behandeld gedurende 6 uur.
   • Techniek: Data-Independent Acquisition Mass Spectrometry (DIA-MS) met Data-Independent Acquisition (DIA) voor kwantificatie van >10.000 eiwitgroepen per plaat.
   • Validatie: Om secundaire effecten (zoals verlies van eiwitsynthese door degradatie van GSPT1) uit te sluiten, werden potentieel GSPT1-degraderende verbindingen hergetest in een lijn die een niet-afbreekbaar GSPT1-mutant (G575N) overexpresseren.
   • CRL-afhankelijkheid: Hits werden getest met en zonder de neddyleringsinhibitor MLN4924 om Cullin-RING ligase (CRL)-afhankelijkheid te bevestigen.

2. Ubiquitinoomische Profiling:

   • Om directe interacties te onderscheiden van secundaire afbraak, werd een korte behandelingsperiode (30 minuten) gebruikt.
   • Techniek: Di-Gly (K-GG) remnant peptide profiling gekoppeld aan slice-PASEF massaspectrometrie. Dit mapt ubiquitineringsplaatsen op proteoomschaal.
   • Criterium: Verbindingen die zowel ubiquitineringsplaatsen induceerden als eiwitdepletie veroorzaakten, werden beschouwd als hoogwaardige kandidaten.

3. Biochemische Validatie:

   • Affiniteitsverrijking met massaspectrometrie (AE-MS) werd gebruikt om directe binding tussen CRBN en specifieke neosubstraten (IRAK1 en BCL6) te valideren, inclusief mutatiestudies om de bindingsdomeinen te lokaliseren.

4. Interpretable Machine Learning (iML):

   • Algoritme: XGBoost (gradient boosting) werd gebruikt om eiwitafbraak te voorspellen op basis van moleculaire vingerafdrukken (molecular fingerprints).
   • Interpretatie: Variable Importance in Projection (VIP) scores en SHAP (SHapley Additive exPlanations) analyses werden gebruikt om de chemische structuren te identificeren die specifiek zijn voor bepaalde neosubstraten.

Belangrijkste Bijdragen en Resultaten

• Uitbreiding van het Neosubstraat Landschap:

  • Uit de screening van 960 verbindingen werden 233 hoogwaardige kandidaat-neosubstraten geïdentificeerd die zowel ubiquitineren als afbreken.
  • 124 hiervan zijn volledig nieuwe, niet eerder gerapporteerde CRBN-neosubstraten.
  • Een opmerkelijke bevinding is dat >50% van de nieuwe neosubstraten geen voorspelde G-loop degron bevat (een structuur die vaak essentieel wordt geacht voor CRBN-binding). Dit bevestigt dat het CRBN-landschap breder is dan alleen G-loop-afhankelijke targets.

• Functionele Diversiteit:

  • De nieuwe targets omvatten diverse klassen: kinases (IRAK1, WEE1, ATR, MELK), transcriptiefactoren (BCL6, ZBTB-familie), chromatinremodelers en epigenetische co-regulatoren.
  • Veel targets hebben klinische relevantie, met 15% die sterk afhankelijk zijn voor kankercellen (DepMap scores) en associaties met niet-oncologische ziekten.

• Mechanistische Inzichten:

  • IRAK1: Een ziekte-relevant target zonder G-loop. De studie identificeerde het C-lobe domein van de kinase (residuen 381-524) als cruciaal voor CRBN-binding. De degrader toonde hoge selectiviteit voor IRAK1 ten opzichte van familieleden (IRAK2/3/4).
  • BCL6: Een G-loop-bevattend target. De studie toonde aan dat mutatie van één glycine (G608) niet voldoende is om binding te voorkomen; een triple mutant (G598N/G608N/G636N) was nodig om binding te blokkeren, wat suggereert dat meerdere zinkvinger-domeinen samenwerken. De nieuwe degraders toonden een sterkere binding en afbraak dan bestaande middelen (ALV1).

• Ontwerpprincipes via Machine Learning:

  • De iML-modellen onthulden dat degradatie wordt bepaald door combinaties van structurele kenmerken, niet door geïsoleerde motieven.
  • Er werden specifieke "vingerafdrukken" geïdentificeerd die selectiviteit bepalen. Bijvoorbeeld, fp1698 (een directe koolstof-koolstof binding van de isoindolinon-kern) werd geïdentificeerd als de sleutel tot selectiviteit voor WEE1 versus CSNK1A1. Dit bevestigde eerdere rationele chemische inzichten op een onbevooroordeelde manier.
  • Het model toonde aan dat de moleculaire context (de omgeving van een motief) bepaalt of een verbinding actief is of niet.

• Open Resource:

  • De volledige dataset is beschikbaar gesteld via een interactieve database genaamd NeosubstratesDB.

Significantie

Dit werk vormt een mijlpaal in het veld van Targeted Protein Degradation (TPD):

1. Schaal en Diepte: Het is de grootste en meest systematische proteomische screening van CRBN-MGD's tot nu toe, wat de kennis van het neosubstraat-landschap aanzienlijk uitbreidt.
2. Paradigmaverschuiving: Het bewijst dat CRBN-neosubstraten niet beperkt zijn tot G-loop-domeinen, wat de zoektocht naar nieuwe targets voor ziekte-relevante eiwitten (zoals kinases zonder G-loop) opent.
3. Rationeel Design: Door de integratie van grote datasets met interpretable machine learning, biedt de studie een raamwerk voor het rationeel ontwerpen van volgende generatie MGD's met specifieke selectiviteit en verminderde off-target effecten.
4. Validatie van Workflow: De studie valideert een robuuste workflow (proteomics + ubiquitinomics + iML) die als gouden standaard kan dienen voor toekomstige MGD-ontwikkeling en overdraagbaar is naar andere E3-ligases.

Samenvattend biedt deze studie niet alleen een uitgebreide lijst van nieuwe drugtargets, maar ook de mechanistische en computationele tools om de volgende generatie moleculaire lijm-degraderende middelen te ontwerpen.