Rational Design of Selective IL-2-based Activators for CAR T Cells Using AlphaFold3 and Physics-Informed Machine Learning

Deze studie presenteert een computationele pipeline die AlphaFold3 en een op natuurkunde gebaseerde machine learning-generator gebruikt om selectieve, orthogonale IL-2/IL-2Rβ-mutanten te ontwerpen die CAR-T-cellen specifiek activeren zonder de bijwerkingen van systemische IL-2.

De kern

De Probleemstelling: Een te krachtige motor zonder remmen

Stel je voor dat CAR-T-therapie een superkrachtige brandweer is die we sturen om kanker (brand) te blussen. Deze brandweerlieden (T-cellen) zijn getraind om alleen specifieke huizen aan te vallen.

Om ze sterker en langer te laten werken, geven artsen hen vaak een extra boost: een stofje genaamd IL-2 (Interleukine-2). Dit werkt als een brandstofinjectie. Maar er zit een groot nadeel aan: deze brandstof werkt niet alleen op de brandweerlieden, maar ook op andere cellen in het lichaam.

• Het kan de hele brandweer te enthousiast maken, wat leidt tot gevaarlijke bijwerkingen (zoals koorts, shock of hersenproblemen).
• Het kan zelfs "verkeerde" cellen (zoals remmende T-cellen) activeren die de brandweer juist tegenhouden.

Het is alsof je de brandstof in de hele stad verspreidt in plaats van alleen in de brandweerwagen. Je wilt een systeem waarbij de brandstof alleen werkt op de brandweerlieden die je zelf hebt gestuurd, en niet op de rest van de stad.

De Oplossing: Een eigen sleutel en een eigen slot

De onderzoekers (Dahmani en Banerjee) wilden een oplossing vinden: een speciale brandstof en een speciaal slot die alleen op elkaar werken.

• Ze noemen dit een "orthogonaal" systeem.
• Ze bouwen een nieuw slot (een receptor) in de CAR-T-cellen.
• Ze ontwerpen een nieuwe brandstof (een gewijzigde IL-2) die alleen in dat nieuwe slot past.
• De natuurlijke IL-2 in het lichaam kan dit nieuwe slot niet openen, en de natuurlijke sloten in het lichaam kunnen de nieuwe brandstof niet openen.

Zo krijgen de CAR-T-cellen hun boost, maar blijft de rest van het lichaam rustig.

De Uitdaging: Het is als een naald in een hooiberg vinden

Het probleem is dat het ontwerpen van zo'n nieuw slot en een nieuwe sleutel extreem moeilijk is. Er zijn miljarden mogelijke combinaties van bouwstenen (aminozuren). Als je dit in het lab zou proberen door blindelings te experimenteren, zou je misschien miljarden jaren moeten wachten om één goede combinatie te vinden.

De Oplossing: De "Digitale Architect" (AlphaFold3 en AI)

In plaats van in het lab te experimenteren, gebruikten de onderzoekers een krachtige computerpipeline genaamd ICPDesign. Ze gebruikten twee slimme hulpmiddelen:

1. AlphaFold3 (De 3D-voorspeller): Dit is een AI die heel goed kan voorspellen hoe eiwitten eruitzien. Het is alsof je een architect hebt die een plattegrond tekent van een gebouw voordat je ook maar één baksteen legt.
2. CSG (De Creatieve Ontwerper): Dit is een wiskundig model dat miljoenen mogelijke ontwerpen genereert, maar slim genoeg is om alleen die te kiezen die waarschijnlijk goed werken.

Hoe het werkt (Stap voor stap):

1. Het Ontwerp: De computer bedenkt duizenden varianten van de "nieuwe sleutel" en het "nieuwe slot".
2. De Simulatie: AlphaFold3 bouwt een 3D-model van elk paar en kijkt: "Past deze sleutel in dit slot?" en "Zit het slot ook in de verkeerde sloten in het lichaam?"
3. De Selectie: De computer gooit alle slechte ontwerpen weg.
   • Als de sleutel niet goed past: weg.
   • Als de sleutel ook nog in de oude, natuurlijke sloten past (gevaarlijk!): weg.
   • Als het ontwerp te veel verschilt van het origineel (en misschien instabiel wordt): weg.
4. De Winnaars: Uiteindelijk houden ze een heel klein groepje "topontwerpen" over.

De Resultaten: De perfecte sleutel gevonden

De computer vond een paar fantastische ontwerpen. Het beste voorbeeld, genaamd 69R3, was een echte doorbraak:

• Het paste perfect in het nieuwe slot (hoge kwaliteitsscore).
• Het paste niet in de oude, natuurlijke sloten (veilig voor het lichaam).
• Het zag er bijna exact hetzelfde uit als het originele eiwit, wat betekent dat het waarschijnlijk stabiel is en goed werkt in het lichaam.
• Het had maar heel weinig veranderingen nodig (slechts 7 bouwstenen anders dan het origineel), wat het makkelijker maakt om te maken.

Waarom is dit belangrijk?

Dit onderzoek is als het vinden van de perfecte sleutel voor een veiligheidsdeur.
Vroeger moesten artsen een hele stad verlichten om één huis te beschermen (veel bijwerkingen). Met deze nieuwe computertechniek kunnen ze nu een specifieke sleutel maken die alleen dat ene huis opent.

Dit betekent in de toekomst:

• Veiligere kankerbehandelingen met minder bijwerkingen.
• Een manier om de "brandweer" (CAR-T-cellen) precies te sturen waar ze nodig is.
• Een bewijs dat computers nu zo slim zijn dat ze nieuwe medicijnen kunnen ontwerpen die we in het lab misschien nooit zelf zouden vinden.

Kortom: Ze hebben een digitale fabriek gebouwd die de perfecte, veilige brandstof voor kankerbestrijding ontwerpt, zodat we de "brand" kunnen blussen zonder de hele stad in de war te sturen.

Technische samenvatting

Probleemstelling

Chimeric Antigen Receptor (CAR) T-celtherapie is een doorbraak in de kankerbehandeling, maar lijdt aan ernstige beperkingen, waaronder systemische toxiciteit en een gebrek aan specificiteit. Het gebruik van recombinant menselijk Interleukine-2 (rhIL-2) om CAR T-cellen te stimuleren, leidt vaak tot ongewenste bijwerkingen zoals Cytokine Release Syndrome (CRS) en neurotoxiciteit. Daarnaast stimuleert systemisch IL-2 ook regulatorische T-cellen (Tregs), wat de immunotherapie kan onderdrukken.

Bestaande benaderingen om dit op te lossen, zoals het ontwikkelen van orthogonale IL-2/IL-2Rβ-systemen (waarbij een gemuteerde IL-2 alleen bindt aan een gemuteerde receptor op de CAR T-cellen en niet aan endogene receptoren), vereisten tot nu toe uitgebreide experimentele screening. Sockolosky et al. toonden aan dat het vinden van één werkende orthogonale variant via willekeurige mutagenese een experimentele ruimte van ongeveer $10^8$ sequenties vereist, wat onhaalbaar is voor directe laboratoriumtesting. Er is dus behoefte aan een rationele, computationele ontwerppijplijn om deze ruimte efficiënt te verkennen.

Methodologie: Het ICPDesign Framework

De auteurs introduceren ICPDesign (Integrative Computational Protein Design), een multi-constraint, datagedreven pijplijn die drie kerncomponenten integreert:

1. Constrained Sequence Generator (CSG):

   • Een generatief model gebaseerd op het Potts-model en Maximum Entropy-principes.
   • Het model gebruikt een Boltzmann-Dirichlet-Multinomial (BDM) verdeling om sequenties te genereren die voldoen aan specifieke biophysieke en evolutionaire constraints.
   • In plaats van willekeurige screening, gebruikt het Hamiltonian Monte Carlo (HMC) om de parameters van het model te optimaliseren, waardoor het model sequenties kan "leren" genereren die een hoge waarschijnlijkheid hebben om de gewenste interacties (binding) en orthogonaliteit (geen binding met wild-type) te vertonen.
   • Het model is getraind op een geconcateneerde Multiple Sequence Alignment (cMSA) van 571 IL-2/IL-2Rβ-paren uit verschillende soorten.

2. AlphaFold3 (AF3) voor Structurele Validatie:

   • De gegenereerde sequenties worden voorgelegd aan AlphaFold3 voor structurele voorspelling van het complex.
   • AF3 wordt gebruikt om de kwaliteit van de voorspelling te beoordelen via pTM (Template Modelling score, voor globale vouwing) en ipTM (interface pTM, voor bindingsaffiniteit).

3. Rationele Filter- en Ranking-strategie:

   • De pijplijn werkt als een trechter:
     • Stap 1: Generatie van kandidaat-sequenties via CSG.
     • Stap 2: Filtering op log-likelihood scores.
     • Stap 3: Structurele modellering met AF3. Alleen modellen met pTM > 0.65 en ipTM > 0.65 (voor de gewenste cognate binding) worden behouden.
     • Stap 4: Orthogonaliteitscheck. De voorspelling van de mutant met het wild-type (WT) IL-2Rβ moet een ipTM < 0.5 hebben (indicatie van geen binding).
     • Stap 5: Secundaire constraints: De structuur moet een lage RMSD hebben t.o.v. het WT-structuur (PDB: 2ERJ) om de biologische functie te behouden, en het aantal mutaties moet geminimaliseerd worden.

De auteurs testten drie verschillende definities van het interface-gebied om de zoekruimte te verkennen: een 5 Å afstandsbasis, een 2xSASA (oplosmiddel-toegankelijk oppervlak) basis, en een Referentie (Ref) basis gebaseerd op eerdere literatuur.

Belangrijkste Bijdragen

• Ontwikkeling van ICPDesign: Een nieuwe, modulaire pijplijn die generatieve AI (CSG) combineert met state-of-the-art structurele voorspelling (AlphaFold3) voor het ontwerpen van orthogonale cytokines.
• Efficiëntie: Het verminderen van de experimentele zoekruimte van $10^8$ naar een gefocuste set van enkele duizenden (en uiteindelijk enkele tientallen) hoogwaardige kandidaten.
• Validatie van AF3 voor Design: Het aantonen dat AlphaFold3 niet alleen voorspellingen kan doen, maar ook effectief kan worden gebruikt als een filter voor de novo protein design, met name voor het beoordelen van orthogonaliteit.
• Open Source: De CSG-code en de trainingsdata zijn beschikbaar gesteld als een Python-pakket, wat herhaalbaarheid en toepassing op andere systemen mogelijk maakt.

Resultaten

• Hoogwaardige Hits: De pijplijn produceerde een set van top-rankende mutanten met uitstekende metrics. De gemiddelde ipTM voor cognate paren (mutant + gemuteerde receptor) lag rond 0.724 ± 0.05, en de pTM rond 0.770 ± 0.042. Dit is vergelijkbaar met de scores van het experimenteel bepaalde wild-type complex en de bekende 3A10-mutant.
• Orthogonaliteit: Alle geselecteerde hits toonden een ipTM < 0.5 wanneer ze werden gemodelleerd tegen het wild-type IL-2Rβ, wat een sterke voorspelling is van orthogonaliteit (geen cross-reactiviteit).
• Structurele Fideliteit: De ontworpen mutanten behielden een hoge structurele gelijkenis met het wild-type complex, met een gemiddelde RMSD van 0.843 ± 0.375 Å.
• Top-Kandidaat (69R3): Een specifieke hit, genaamd 69R3 (afgeleid van de 'Ref' interface), stak eruit:
  • Zeer hoge ipTM (0.77) en pTM (0.84).
  • Extreem lage RMSD t.o.v. WT (0.349 Å), wat aangeeft dat de bindingstijl bijna identiek is aan het wild-type.
  • Zeer lage mutatie-burden: slechts 7 mutaties (6 op IL-2, 1 op IL-2Rβ), vergeleken met 10 mutaties in de bekende 3A10-variant.
  • Dynamische analyse met het Gaussian Network Model (GNM) toonde aan dat de collectieve bewegingen van 69R3 sterk overeenkwamen met die van het wild-type complex (hoge RMSIP-waarden), wat suggereert dat de functionele dynamiek behouden blijft.
• Invloed van Interface-definitie: De studie liet zien dat het gebruik van verschillende interface-definities (5 Å vs. 2xSASA vs. Ref) leidt tot verschillende mutatiepatronen en diversiteit in de ontworpen sequenties, waarbij de 'Ref' interface de meest efficiënte resultaten opleverde met de minste mutaties.

Significantie

Dit onderzoek biedt een krachtig bewijs dat computationele ontwerppijplijnen, aangedreven door AlphaFold3 en physics-informed machine learning, de ontwikkeling van veilige en specifieke immunotherapiën kunnen versnellen.

• Klinische Impact: Het succesvol ontwerpen van orthogonale IL-2-systemen kan leiden tot CAR T-therapieën die minder systemische toxiciteit veroorzaken en geen lymphodepletie vereisen, waardoor de behandeling veiliger en toegankelijker wordt.
• Paradigmaswitch: Het bewijst dat het niet langer nodig is om te vertrouwen op massale, willekeurige mutagenese en screening. In plaats daarvan kunnen "in-silico" hits worden geprioriteerd op basis van structurele en dynamische criteria, wat de kosten en de tijd voor experimentele validatie drastisch verlaagt.
• Toekomstige Toepassingen: De methode is niet beperkt tot IL-2; het ICPDesign-framework kan worden toegepast op andere cytokine-receptorparen (zoals IL-15) of andere eiwit-eiwit interacties waar specifieke binding en orthogonaliteit vereist zijn.

Kortom, deze studie markeert een belangrijke stap in de rationalisatie van het ontwerp van gesynthetiseerde biologische systemen voor precisie-immunotherapie.