Evolutionary exploration of drug-like chemical space utilizing generative AI and virtual screening

Dit artikel presenteert een evolutionair AI-framework dat generatieve modellen en virtuele screening combineert om efficiënt ultra-grote chemische ruimtes te verkennen en succesvol nieuwe, synthetisch toegankelijke leidingsmoleculen voor de μ-opioïdereceptor te identificeren.

De kern

Stel je voor dat je op zoek bent naar de perfecte sleutel om een heel specifieke, oude en complexe slot te openen. Dit slot is een eiwit in je lichaam (de μ-opioid receptor) dat pijnstillers kan blokkeren, maar de huidige sleutels (zoals fentanyl) werken niet alleen goed, ze hebben ook gevaarlijke bijwerkingen. Je wilt een nieuwe, betere sleutel vinden die alleen werkt als het "slot" een beetje zuur is (zoals in een ontstoken gebied), maar niet als het neutraal is.

Het probleem? Er zijn meer mogelijke sleutels dan er zandkorrels op aarde. De chemische wereld is zo enorm dat het onmogelijk is om ze allemaal één voor één te testen.

Dit artikel beschrijft hoe een team van wetenschappers een slimme, evolutionaire manier heeft bedacht om deze zoektocht te versnellen. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Digitaal Evolutie"-Machine

In plaats van miljoenen sleutels uit een kast te halen en ze één voor één te proberen (wat duizenden jaren zou duren), hebben ze een evolutie-simulatie opgezet.

• De Start: Ze beginnen met een willekeurige groep van 1.000 digitale sleutels.
• De Test: Ze testen deze sleutels virtueel in een computerslot. Welke past het beste?
• De Selectie: De sleutels die het beste passen, worden geselecteerd als de "ouders" van de volgende generatie. De slechte sleutels worden weggegooid.
• De Creatie (AI): Hier komt de kunstmatige intelligentie (AI) om de hoek kijken. In plaats van de oude sleutels gewoon te kopiëren of een beetje te verdraaien (zoals in de natuur), gebruikt de AI een slimme "ontwerper". Deze AI leert van de beste ouders en bedenkt vervolgens nieuwe, verbeterde ontwerpen.
• De Herhaling: Dit proces wordt 20 keer herhaald. Elke ronde worden de sleutels slimmer en specifieker voor het slot. Het is alsof je een groep ontwerpers hebt die elke dag een beetje beter wordt in het maken van de perfecte sleutel, omdat ze leren van de fouten van gisteren.

2. De "Bouwdoos"-Check (Belangrijk!)

Een groot probleem bij computerontwerpen is dat de AI soms een prachtige, maar onmogelijke sleutel ontwerpt die in het echt niet te maken is.

Om dit te voorkomen, hebben de onderzoekers een Bouwdoos-regel ingevoerd.

• De AI mag alleen ontwerpen die bestaan uit bouwstenen die al in een enorme, bestaande bouwdoos (de Enamine REAL Space) zitten.
• Voordat een nieuw ontwerp wordt goedgekeurd, kijkt een computer of je het daadwerkelijk kunt bouwen met die specifieke bouwstenen.
• De Metafoor: Het is alsof je een huis ontwerpt, maar je mag alleen gebruikmaken van bakstenen, ramen en deuren die je al in de schuur hebt liggen. Zo weet je zeker dat je het huis ook echt kunt bouwen zodra je het ontwerp hebt.

3. De Zure Sleutel (Het Experiment)

Het doel was een sleutel te vinden die alleen werkt als het milieu "zuur" is (pH 6.5), maar niet als het neutraal is (pH 7.4). Dit is slim, want ontstekingen zijn vaak zuur.

Na 20 rondes van evolutie en AI-ontwerp, hadden ze een lijst met de beste kandidaten. Ze kozen er vijf uit en bouwden ze in het echt in het laboratorium.

Het resultaat?

• Ze testten deze vijf nieuwe moleculen op levende cellen.
• Eén van de vijf (Compound 1) bleek een echte winnaar!
• Hoe het werkt: In een zure omgeving (zoals bij een ontsteking) krijgt het molecuul een extra positief ladingetje. Dit zorgt ervoor dat het zich als een magneet vasthecht aan het slot (het eiwit). In een neutrale omgeving verliest het die lading en glijdt het er zo weer af.
• Het werkt dus precies zoals ze wilden: het blokkeert het pijnsignaal alleen waar het nodig is (in de zure ontsteking), en niet overal in het lichaam.

Waarom is dit zo cool?

Vroeger was het vinden van nieuwe medicijnen als het zoeken naar een naald in een hooiberg, waarbij je de hele berg moest afzoeken.
Met deze methode is het alsof je een slimme robot hebt die:

1. De hooiberg kent.
2. Loopt te snuffelen naar de beste naalden.
3. Loopt te leren van de beste vondsten.
4. Zorgt dat de nieuwe naalden gemaakt zijn van materiaal dat je in de winkel kunt kopen.

Dit artikel bewijst dat je door evolutie (natuurlijke selectie) en kunstmatige intelligentie (slim ontwerpen) te combineren, razendsnel nieuwe, haalbare medicijnen kunt vinden in een wereld van oneindige mogelijkheden. Het is een nieuwe manier om de toekomst van geneesmiddelen te bouwen.

Technische samenvatting

Probleemstelling

Het identificeren van geschikte leidingsmoleculen (lead molecules) binnen de enorme chemische ruimte (geschat op $10^{60}$ verbindingen) is een kritieke uitdaging in de geneesmiddelenontwikkeling. Traditionele high-throughput screening (HTS) van fysieke bibliotheken (vaak 1-5 miljoen verbindingen) is beperkt in chemische diversiteit.
Aan de andere kant bieden virtuele bibliotheken, zoals de Enamine REAL Space (met >70 miljard tot biljoenen "make-on-demand" verbindingen), een veel grotere kans op het vinden van potentieel actieve moleculen. Echter, het volledig enumereren en screenen van deze ultra-grote bibliotheken is computationeel onmogelijk. Bestaande methoden zoals generatieve AI voor de novo design hebben vaak moeite om te garanderen dat de gegenereerde moleculen daadwerkelijk synthetiseerbaar zijn (fysiek realiseerbaar) binnen redelijke tijd en kosten. Er is dus een urgente behoefte aan een geavanceerde aanpak die de ultra-grote chemische ruimte efficiënt navigeert en specifiek synthetiseerbare kandidaten identificeert.

Methodologie

De auteurs presenteren een hybride framework dat evolutionaire algoritmen combineert met generatieve AI en grootschalige virtuele screening. Het proces verloopt in iteratieve cycli:

1. Startpopulatie: Een willekeurige set moleculen wordt gegenereerd.
2. Scoring (Virtual Screening): Elke molecule wordt gescreend via moleculaire docking tegen het doelwit (in dit geval de $\mu$-opioid receptor, MOR) onder twee verschillende pH-condities (pH 7,4 en pH 6,5).
3. Selectie: De best presterende individuen worden geselecteerd. Het doel is het vinden van pH-specifieke liganden (hoge binding bij zure pH, lage binding bij neutrale pH). Dit wordt gemodelleerd als een multi-objective optimalisatieprobleem, omgezet naar een enkelvoudige score via een gewogen som (scalarisatie).
4. Generatie (Evolutie & AI):
   • Een vooraf getraind generatief AI-model (REINVENT-framework) wordt fine-tuned met de geselecteerde top-moleculen van de huidige generatie.
   • Om overfitting te voorkomen en diversiteit te behouden, wordt een klein percentage willekeurige moleculen ("noise") toegevoegd aan de trainingsdata.
   • Het gefinetuned model genereert een nieuwe generatie (nageslacht) van moleculen.
5. Synthesefiltering: Een cruciale stap is het decomponeren van de gegenereerde moleculen in fragmenten en het verifiëren of deze fragmenten bestaan in de Enamine REAL Space bouwstenen-database. Dit garandeert dat de voorgestelde moleculen synthetiseerbaar zijn via bestaande reactieregels.
6. Iteratie: Het proces wordt herhaald (in dit geval 20 iteraties), waarbij de populatie evolueert naar betere pH-specifieke bindingsscores.

Doelwit: De $\mu$-opioid receptor (MOR). Het doel was het vinden van pH-specifieke agonisten die bij zure pH (zoals in ontstekingsweefsel) binden, maar bij neutrale pH (in het bloed) minder binden, om zo bijwerkingen te verminderen.

Belangrijkste Bijdragen

• Hybride Framework: Integratie van generatieve AI in een evolutionair algoritme om de zoekruimte te verrijken en lokale optima te vermijden, terwijl synthetiseerbaarheid wordt gewaarborgd via fragment-matching.
• Efficiënte Navigatie: Een methode om effectief te zoeken in een chemische ruimte van $\sim 10^{15}$ verbindingen (Enamine REAL Space) zonder de volledige lijst te hoeven enumereren.
• pH-afhankelijke Optimalisatie: Een specifieke implementatie om moleculen te vinden die hun protonatiestoestand en bindingsaffiniteit veranderen afhankelijk van de pH-omgeving, wat essentieel is voor gerichte therapieën.
• Validatie: Een volledig workflow van in silico design tot experimentele validatie, inclusief synthese en biochemische testen.

Resultaten

• Evolutionaire Vooruitgang: Na 20 iteraties steeg de gemiddelde gewogen score van de top 100 liganden significant. Er was een duidelijke verbetering in de voorspelde bindingsaffiniteit bij zure pH (pH 6,5) ten opzichte van neutrale pH (pH 7,4).
• Protonatie-ontwikkeling: Het algoritme leerde impliciet om moleculen te genereren die neutraal zijn bij pH 7,4 maar geprotoneerd (positief geladen) bij pH 6,5. Het percentage van dergelijke moleculen steeg van ~5% in de eerste iteratie naar ~60% in de 20e iteratie.
• Selectie voor Synthese: Uit de 19.318 gegenereerde moleculen werden er 5 geselecteerd voor chemische synthese op basis van:
  1. Voorspelde pH-specifieke binding.
  2. Beschikbaarheid van bouwstenen in Enamine REAL.
  3. Voorspelde vorming van een zoutbrug met Asp149 (een cruciale interactie in de MOR).
• Experimentele Validatie:
  • Alle 5 gesynthetiseerde verbindingen werden getest met een radio-gelabelde verdringingsassay (RDA).
  • Compound 1 toonde een duidelijke pH-afhankelijke activiteit: een IC50 van 167 nM bij pH 6,0 versus 1424 nM bij pH 7,4 (ongeveer 10-voudig minder potent bij neutrale pH).
  • Compound 4 toonde ook pH-afhankelijkheid, zij het met een lagere totale potentie.
  • Moleculaire dynamica (MD) simulaties bevestigden dat de protonatie van het stikstofatoom in Compound 1 essentieel is voor de vorming van een zoutbrug met Asp149 en andere hydrofobe interacties, wat de binding bij lage pH stabiliseert. Bij deprotonatie (neutrale pH) breekt deze interactie en verliest het molecuul zijn binding.

Betekenis en Conclusie

Dit onderzoek demonstreert dat de integratie van generatieve AI met evolutionaire algoritmen een veelbelovende route is om ultra-grote chemische ruimtes te verkennen voor de ontdekking van nieuwe, synthetiseerbare leidingsmoleculen.

• Versnelling van Ontdekking: De methode kan potentieel de traditionele HTS vervangen of aanvullen door in silico een chemische ruimte te doorzoeken die vele ordes van grootte groter is dan fysieke bibliotheken.
• Kwaliteit van Hits: Door direct te focussen op synthetiseerbaarheid en specifieke eigenschappen (zoals pH-afhankelijkheid), worden hits gegenereerd die direct experimenteel getest kunnen worden, wat de tijd en kosten van vroege ontwikkelingsfasen verlaagt.
• Toekomstperspectief: De auteurs suggereren dat dit type "closed-loop" platform (combinatie van computationele voorspelling en experimentele validatie) de nieuwe standaard kan worden voor vroege geneesmiddelenontdekking, met name voor het vinden van selectieve liganden met verbeterde farmacologische eigenschappen.