Agent-Guided De Novo Design of Nanobody Binders Against a Novel Cancer Target

Deze studie presenteert een agent-gestuurde workflow voor het *de novo* ontwerpen van nanobodies tegen een nieuw kankerdoelwit, waarbij een computergestuurde selectie van 288.000 ontwerpen resulteerde in 46 functionele binders met nanomolaire affiniteit, wat de haalbaarheid bewijst van het ontwikkelen van therapeutische binders zonder experimentele structuurdata of eerdere antilichaaminformatie.

De kern

Stel je voor dat je een zeer specifieke sleutel moet maken om een heel nieuw, onbekend slot te openen. Dit slot zit op een kwaadaardige cel (kanker) en we hebben nog nooit zo'n slot gezien. Normaal gesproken zou je duizenden sleutels proberen, hopen dat er eentje past, en dan maandenlang aan die ene sleutel sleutelen tot hij perfect werkt. Dat kost veel tijd, geld en moeite.

De onderzoekers in dit artikel hebben een slimme, digitale manier bedacht om dit proces te versnellen. Ze hebben een AI-agent (een slimme computerassistent) ingezet om niet één, maar 288.000 nieuwe nanosleutels (nanobodies) te ontwerpen, allemaal speciaal voor dit ene, nieuwe slot.

Hier is hoe ze dat deden, vertaald in alledaagse taal:

1. De AI-Agent als "Schatzoeker"

Eerst moest de AI-agent weten waar op het slot hij moest grijpen. Omdat ze geen foto van het slot hadden, gebruikte de agent verschillende digitale tools om het slot te reconstrueren.

• De Analogie: Stel je voor dat de AI-agent een detective is. Hij kijkt naar de vorm van het slot, zoekt naar plekken die makkelijk bereikbaar zijn (zoals een handvat), en checkt of die plekken niet op andere, onschuldige sloten (gezonde cellen) voorkomen.
• Het resultaat: De agent vond 8 specifieke plekken (hotspots) op het kankerslot waar een sleutel het beste zou kunnen passen.

2. De Digitale Fabriek

Vervolgens gingen drie verschillende digitale ontwerpers aan het werk. Ze gebruikten elk een andere creatieve methode om 288.000 unieke nanosleutels te maken.

• De Analogie: Het is alsof je drie verschillende architectenbureaus vraagt om 288.000 verschillende sleutelontwerpen te maken, allemaal gebaseerd op de 8 plekken die de detective had gevonden. Ze gebruikten verschillende "blauwdrukken" (frameworks) om ervoor te zorgen dat ze niet allemaal hetzelfde ontwierpen.

3. De Digitale Filter (De "Scheidsrechter")

Nu hadden ze een enorme berg van 288.000 ontwerpen. Ze konden niet allemaal testen. Dus gebruikten ze een slimme computer-scheidsrechter.

• De Analogie: Stel je voor dat je een gigantische wedstrijd hebt met 288.000 deelnemers. De scheidsrechter kijkt niet alleen naar wie het snelst is, maar ook naar wie het sterkst is, wie het mooiste ontwerp heeft en wie het minst snel breekt.
• De computer selecteerde de 100.000 beste kandidaten die het meest kans maakten om het slot te openen.

4. De Echte Test (Het Lab)

De 100.000 beste digitale ontwerpen werden nu omgezet in echte, fysieke nanosleutels en getest in een laboratorium. Ze gebruikten gistcellen (microscopisch kleine fabriekjes) om de sleutels te produceren en keek of ze echt aan het kankerslot plakten.

• Het resultaat: Van de 116 sleutels die ze nader onderzochten, bleek dat 46 van hen echt goed werkten.
• De prestatie: Sommige van deze digitale ontwerpen waren zo goed, dat ze het slot openen met een kracht die 1000 keer beter is dan wat we normaal verwachten. De beste sleutel paste binnen een nanometer (een miljardste van een meter) perfect.

Waarom is dit zo belangrijk?

Vroeger duurde het vinden van zo'n sleutel maanden of zelfs jaren. Je moest dieren immuniseren of duizenden sleutels fysiek maken en testen.

• De nieuwe methode: Door de hele eerste fase (het ontwerpen en filteren) in de computer te doen, hebben ze de tijd en kosten drastisch verlaagd.
• De grote overwinning: Ze deden dit voor een doelwit waar ze niets over wisten. Geen eerdere data, geen foto's van het slot. Ze maakten alles "vanaf nul" (de novo) met alleen de computer.

Kort samengevat:
De onderzoekers hebben een digitale ontwerpfabriek gebouwd die, geholpen door een slimme AI-detective, duizenden nieuwe medicijnen ontwerpt voor een ziekte waar we nog niets van afwisten. Ze filterden de beste ontwerpen digitaal uit en bewezen in het lab dat deze digitale ideeën ook in de echte wereld werken. Het is een enorme stap in de richting van snellere, goedkopere en preciezere kankerbehandelingen.

Technische samenvatting

Probleemstelling

De ontdekking van therapeutische antilichamen is traditioneel een traag, resource-intensief proces dat vaak maanden tot jaren duurt. Conventionele methoden, zoals dierlijke immunisatie, fagedisplay en screening van synthetische bibliotheken, hebben beperkingen:

• Ze bieden weinig controle over de selectie van epitopen (de bindingsplaatsen op het doelwit).
• Ze vereisen vaak iteratieve optimalisatie voor affiniteit en stabiliteit.
• Ze zijn afhankelijk van bestaande structurele data of homologie.

Dit onderzoek richt zich op een specifiek, uitdagend geval: een nieuw kanker-doelwit voor Desmoplastisch Klein Ronde Cel Tumor (DSRCT). Voor dit doelwit bestaat er:

1. Geen experimenteel opgeloste structuur (geen cryo-EM of röntgenkristallografie).
2. Geen eerdere antilichaam-gegevens (geen templates voor homologie of grafting).
3. Een complexe, multi-domein architectuur met flexibele regio's, wat het moeilijk maakt om stabiele epitopen te identificeren.

Het doel was om een volledig de novo workflow te ontwikkelen die nanobodies (VHH's) kan ontwerpen tegen dit ongekarakteriseerde doelwit, uitsluitend gebaseerd op sequentie en voorspelde structuren, zonder voorafgaande experimentele data.

---

Methodologie

De auteurs presenteerden een geïntegreerde computatie-experimentele workflow bestaande uit vier hoofdfasen, aangedreven door AI-agenten en diverse generatieve modellen:

1. Epitope-identificatie (Hotspot Recommendation Agent)

Omdat er geen experimentele structuur was, gebruikten de auteurs een AI-agent (gebaseerd op een Large Language Model, Claude Sonnet 4) om bindingshotspots te voorspellen.

• Input: De voorspelde structuur van het antigeen en sequentie-informatie.
• Tools: De agent coördineerde zeven bio-informatica-tools die gebruikmaken van twee curatie-databases (IEDB, PFAM) en fysisch-chemische analyses (oppervlakte-toegankelijkheid, hydrofobiciteit, secundaire structuur).
• Output: De agent selecteerde 8 kandidaat-epitope-regio's op basis van bewijs, in plaats van op "hallucinaties" van het model.

2. De Novo Generatie van Nanobodies

Er werden 288.000 nanobody-ontwerpen gegenereerd door drie onafhankelijke generatieve methoden te combineren met variabele parameters:

• Generatieve Modellen:
  • RFantibody: Diffusie-gebaseerde generatie van de ruggegraat (backbone).
  • IgGM: Gezamenlijke diffusie voor sequentie en structuur.
  • mBER: Backpropagatie door structurele voorspellingsmodellen voor sequentie-optimalisatie.
• Variatie: Ontwerpen werden gegenereerd voor 8 hotspots, 3 verschillende VHH-kaders (frameworks), 5 verschillende voorspelde antigeenstructuren (van modellen zoals AlphaFold2, Boltz-2, Chai-1, IntelliFold) en variërende CDR3-lengtes.

3. In Silico Scoring en Filtering

Om de 288.000 ontwerpen te filteren naar de 100.000 beste kandidaten, werd een Multi-Objective Pareto-filtering toegepast via een "Candidate Selection Agent".

• Scoring Metrics:
  • Structurele kwaliteit: pLDDT-scores (NanobodyBuilder2), ipTM en ipLDDT van complexen (Boltz-2).
  • Bindingsaffiniteit: Voorspelling via MochiBind, een sequentie-gebaseerde predictor (gebaseerd op ESM2) die onafhankelijk is van structurele aannames.
  • Ontwikkelbaarheid: Screening op sequentie-risico's (glycosylering, deamidatie, oxidatie) via LAP-methodologie.
• Selectie: In plaats van een gewogen score, werden Pareto-fronten gebruikt om een diverse set van hoge kwaliteit te behouden zonder willekeurige wegingen.

4. In Vitro Validatie

• Yeast Surface Display (YSD): De geselecteerde 100.000 kandidaten werden tot expressie gebracht in gist.
• FACS: Twee rondes van Fluorescence-Activated Cell Sorting werden uitgevoerd om antigeenspecifieke binders te verrijken.
• SPR (Surface Plasmon Resonance): 116 geselecteerde kandidaten werden gerecombineerd tot eiwitten en getest op kinetiek en affiniteit.

---

Belangrijkste Resultaten

• Hoge Hit-rate: Van de 116 kandidaten die werden getest met SPR, toonden 46 (39,7%) betrouwbare bindingskinetiek (Rmax ≥ 30 RU).
• Affiniteit: De gevonden nanobodies hadden dissociatieconstanten ($K_D$) variërend van 0,66 nM tot 305 nM, met een mediaan van 31,7 nM.
  • De beste kandidaat (PRJ266_044) had een $K_D$ van 0,66 nM.
  • Een andere kandidaat (PRJ266_104) had een $K_D$ van 0,13 nM, hoewel deze een lagere signaalsterkte had.
• Specificiteit: Geen enkele kandidaat toonde binding aan het controle-antigeen (Transferrine-receptor TfR1), wat specifieke binding bevestigt.
• Invloed van Ontwerpparameters:
  • Framework: Framework B leverde het overgrote deel (45/46) van de hoogste signaalbinders op, wat aantoont dat het kadersysteem cruciaal is voor de vertaling van computergeneratie naar functionele binders.
  • Modellen: Zowel IgGM als mBER leverden bevestigde binders. RFantibody leverde ook binders op, maar deze hadden vaak lagere SPR-signalen (Rmax < 30 RU), wat de kinetische fit onzekerder maakte.
  • Structuurvoorspelling: Er was geen statistisch significant verschil in affiniteit gebaseerd op welk van de vijf gebruikte structurele modellen als input diende, hoewel de steekproefgrootte beperkt was.
• Hotspot-Adherentie: Analyse toonde aan dat ontwerpen die waren gekonditioneerd op specifieke hotspots inderdaad neigen naar die regio's in de voorspelde complexen, hoewel de echte bindingsplaatsen soms overlappende epitopen waren (bijv. hotspots B, F en G lijken een continu oppervlak te vormen).

---

Bijdragen en Significatie

1. Eerste succesvolle toepassing op een volledig nieuw doelwit: Dit is een van de eerste rapporten waarin de novo ontworpen nanobodies met nanomolaire affiniteit worden gegenereerd tegen een doelwit waarvoor geen experimentele structuur en geen eerdere antilichaam-data beschikbaar waren.
2. Agent-geleide Workflow: Het artikel demonstreert de kracht van het gebruik van AI-agenten om complexe workflows te sturen, van epitope-selectie (met fysisch-chemische onderbouwing) tot multi-objectieve kandidaatselectie. Dit verlegt de bottleneck van experimentele screening naar de kwaliteit van de generatieve modellen en scoringsfuncties.
3. Validatie van In Silico Scoring: Hoewel er een correlatie was tussen in silico scores en experimentele resultaten, was deze niet perfect. De studie benadrukt dat in silico filtering essentieel is voor schaalbaarheid, maar dat experimentele validatie (SPR) nog steeds noodzakelijk is, vooral voor nieuwe doelwitten.
4. Schaal en Diversiteit: De workflow genereerde en screende een ongeëvenaarde diversiteit aan epitope-gestuurde ontwerpen (288.000 gegenereerd, 100.000 gescreend), wat onmogelijk is met traditionele methoden.
5. Toekomstperspectief (DBTL): De auteurs leggen de basis voor een "Design-Build-Test-Learn" cyclus. De verkregen data (binders vs. niet-binders, kinetische data) zal dienen als trainingsdata voor doelwit-specifieke ML-modellen om de volgende ontwerpcycli te optimaliseren.

Conclusie:
De studie bewijst dat een geïntegreerde, agent-gestuurde computatie-experimentele workflow succesvol functionele nanobodies kan ontwerpen tegen een compleet onbekend kanker-doelwit. Dit opent de deur voor snellere, meer gerichte ontdekking van therapeutische antilichamen zonder afhankelijkheid van traditionele immunisatie of bestaande structurele templates.