De novo designed cyclic MC4R peptide agonist reduces food intake in mice

Deze studie vestigt een generaliseerbare end-to-end workflow voor de novo ontdekking van peptidegeneesmiddelen door middel van deep learning een nieuw cyclisch MC4R-agonist te ontwerpen, te optimaliseren en te valideren die hoge potentie bereikt en bij muizen de voedselinname aanzienlijk verlaagt.

De kern

Stel je voor dat je probeert een op maat gemaakte sleutel te bouwen om een zeer specifieke, ingewikkelde slot (de MC4R-receptor) te openen die de honger in het lichaam reguleert. Meestal proberen wetenschappers sleutels na te maken die al in de natuur bestaan. Maar dit artikel gaat over het bouwen van een gloednieuwe sleutel vanaf nul met behulp van een superintelligente computerprogramma, zonder iets na te maken wat de natuur al heeft gemaakt.

Hier is hoe de onderzoekers dit stap voor stap deden:

1. De Computerarchitect
Eerst gebruikte het team een krachtig AI-tool (genaamd AlphaFold2) om te fungeren als een digitale architect. Ze vroegen de computer om meer dan 5.000 verschillende vormen voor een sleutel te "hallucineren" of te bedenken. Sommigen waren rechte lijnen, en anderen waren gevormd als lussen (cyclisch). Het doel was om vormen te vinden die perfect zouden passen in het "slot" van de hongerreceptor.

2. De Eerste Proefrit
Ze selecteerden een kleine groep van deze door de computer ontworpen sleutels om in het lab te testen. Het was een beetje als een talentenjacht:

• 74% van de rechte lijn-sleutels werkte daadwerkelijk.
• 23% van de lus-vormige sleutels werkte.
  Een van de lus-vormige sleutels was een sterrenpresteerder. Het kon het slot draaien en een signaal sturen, zelfs al leek het er volledig anders uit dan de natuurlijke sleutels die het lichaam normaal gebruikt. Het was in eerste instantie een beetje zwak, maar het bewees dat het concept werkte.

3. De "Afstemming"-Werkplaats
Zodra ze een werkend prototype hadden, hielden ze daar niet op. Ze behandelden het als een raceauto die afgesteld moest worden. Ze voerden duizenden kleine experimenten uit om verschillende onderdelen van de sleutel te vervangen (één letter in de code tegelijk veranderen) om te zien welke veranderingen het sneller en sterker maakten. Ze voegden ook "stabilisatoren" toe om te helpen de sleutel langer in het lichaam te laten standhouden.

Door dit proces ontdekten ze een nieuw geheim patroon (een specifieke reeks letters genaamd "APWR") dat de sleutel beter liet werken. Ze vonden één specifieke verandering – het vervangen van een onderdeel door een "Proline"-stuk – die de sleutel ongelooflijk krachtig maakte. Deze nieuwe versie, genaamd E5P, was ongeveer 50 keer sterker dan het eerste werkende prototype.

4. De Realiteitstest
Tot slot namen ze deze supergeladen sleutel en testten deze op muizen. Ze gaven de muizen een kleine dosis van de sleutel direct in hun hersenen. Het resultaat? De muizen aten direct aanzienlijk minder voedsel.

Het Grote Geheel
Dit artikel gaat niet alleen over één specifiek medicijn voor honger. Het is een demonstratie van een nieuwe "assemblagelijn". De onderzoekers lieten zien dat je kunt gaan van een computeridee naar een echt, werkend medicijn bij een muis, allemaal zonder te vertrouwen op de bestaande ontwerpen van de natuur. Ze bewezen dat we met de juiste tools volledig nieuwe soorten sleutels kunnen uitvinden om biologische processen te openen die we eerder niet konden bereiken.

Technische samenvatting

Technische Samenvatting: Een De Novo Ontworpen Cyclisch MC4R-Peptideagonist

Probleemstelling
Hoewel structuurvoorspelling op basis van deep learning het ontwerp van peptideliganden onafhankelijk van natuurlijke scaffolds mogelijk heeft gemaakt, staat het veld voor een aanzienlijke knelpunt: de meeste computationeel gegenereerde peptiden worden niet verder ontwikkeld dan de eerste activiteitsmetingen. Bijgevolg blijven de kritieke paden voor geneesmiddelachtige optimalisatie en in vivo validatie onderbelicht. Er is behoefte aan een end-to-end workflow die de kloof overbrugt tussen de novo-ontwerp en de generatie van geoptimaliseerde, farmacologisch actieve peptiden.

Methodologie
De auteurs hebben een uitgebreide workflow voor de ontdekking en maturatie van peptideagonisten opgezet, waarbij de melanocortine-4-receptor (MC4R) als modeldoelwit werd gebruikt. Het proces omvatte de volgende fasen:

1. De Novo Ontwerp: Met behulp van een op AlphaFold2 gebaseerd hallucinatieprotocol geïmplementeerd in ColabDesign, genereerde het team meer dan 5.000 kandidaatpeptiden, bestaande uit zowel lineaire als head-to-tail cyclische structuren, specifiek gericht op de orthostere pocket van MC4R.
2. Initieel Screening: Een geprioriteerde subset van deze kandidaten onderging functioneel screening om activiteit te beoordelen.
3. Systematische Maturatie: Voor actieve kandidaten hanteerde het team een meerzijdige optimalisatiestrategie:
   • Deep Mutational Scanning: Om sequentie-activiteitsrelaties in kaart te brengen.
   • Half-life Extender Conjugatie Scanning: Om stabiliteit en farmacokinetisch potentieel te beoordelen.
   • Combinatorische Optimalisatielibrarie: Om de potentie verder te verfijnen.
   • Datagedreven Analyse: Gebruikt om de resultaten van bovenstaande scans te interpreteren en verder ontwerp te sturen.
4. In Vivo Validatie: Het meest potente variant werd centraal toegediend aan muizen om het effect op acute voedselinname te evalueren.

Belangrijkste Resultaten

• Trefferpercentage: Functionele screening toonde meetbare activiteit in 74% van de lineaire peptiden en 23% van de cyclische peptiden.
• Initiële Ontdekking: Het team identificeerde een cyclische agonist met een EC₅₀ van 340 nM tegen de menselijke MC4R (hMC4R). Opmerkelijk is dat dit peptide het canonieke melanocortine-activatiemotief ontbeerde.
• Motif-identificatie: Optimalisatie-inspanningen identificeerden een alternatief activatiemotief dat is gecentreerd rond een APWR-segment.
• Potentie-optimalisatie: Door systematische mutagenese werd een single-site variant gegenereerd met een proline-substitutie op positie 5 (E5P). Dit variant vertoonde een aanzienlijk verbeterde EC₅₀ van 6,7 nM tegen hMC4R.
• In Vivo Effectiviteit: Centrale toediening van het E5P-variant (10 nmol) slaagde erin de acute voedselinname bij muizen te verminderen, waardoor het bewijs van concept voor de in vivo activiteit van het de novo ontworpen peptide werd geleverd.

Betekenis en Aanspraken
Het artikel claimt een generaliseerbare "design-to-validation"-strategie te demonstreren. Deze aanpak converteert de novo peptideontwerpen succesvol naar geoptimaliseerde, farmacologisch actieve peptiden, en adresseert zo de kloof tussen computationele generatie en therapeutische toepassing. Bovendien breidt het werk de bekende chemische ruimte van MC4R-agonisten uit door chemotypen te identificeren die functioneren buiten de beperkingen van endogene melanocortinen, specifiek door gebruik te maken van niet-canonieke activatiemotieven. De studie valideert de bruikbaarheid van deep learning hallucinatieprotocollen gekoppeld aan rigoureuze experimentele maturatie voor geneesmiddelenontwikkeling.