From Code to Cure: Computationally Designed BMP-2 Binders Using AI-Integrated Pipelines for Controlled Bone Regeneration

Het genezen van een botbreuk is een complexe biologische symfonie, maar soms stopt de muziek voordat het liedje is af. Wanneer een breuk niet goed aan elkaar groeit, een conditie die bekend staat als een non-union, worden patiënten geconfronteerd met chronische pijn en een verlies van functie dat een leven lang kan duren. Decennialang heeft de medische gemeenschap vertrouwd op een krachtige groeifactor genaamd bot morfogenetisch proteïne-2, of BMP-2, om dit gestagneerde genezingsproces een zetje te geven. Dit eiwit fungeert als een chemisch signaal dat cellen vertelt om te veranderen in botopbouwende machines. Het gebruik ervan is echter een delicaat evenwichtspel. Om te werken, moeten artsen enorme doses toedienen die ver boven wat het lichaam van nature produceert liggen. Deze hoge doses veroorzaken vaak ernstige bijwerkingen, zoals ongewenste botgroei op de verkeerde plaatsen of gevaarlijke ontstekingen, omdat het signaal te luid en ongecontroleerd is. De uitdaging is geweest om een manier te vinden om dit levensreddende signaal met de precisie van een fluistering te leveren in plaats van de kracht van een schreeuw, zodat het lichaam kan genezen zonder de nevenschade van een overdosis.

Een team onderzoekers aan de University of Oregon heeft een belangrijke stap gezet naar de oplossing van dit probleem door vanaf nul een nieuw type eiwitbinder te ontwerpen. In plaats van te proberen het lichaam meer groeifactor te laten produceren of de plek van de verwonding te overspoelen met een enorme dosis, hebben zij een aangepast moleculair instrument gecreëerd dat zich aan BMP-2 kan hechten en het kan vasthouden. Dit instrument werkt als een dimmer, waardoor de onderzoekers de sterkte van het signaal kunnen afstemmen. Door te controleren hoeveel van de groeifactor beschikbaar is en voor hoe lang, beogen zij de botregeneratie veilig en effectief te begeleiden. Het werk vertegenwoordigt een verschuiving van simpelweg een medicijn toedienen naar het technisch ontwerpen van een precieze interactie op moleculair niveau, waarbij een combinatie van geavanceerde computermodellering en laboratoriumtesten wordt gebruikt om een eiwit te bouwen dat beter op een specifiek doelwit past dan de natuur beoogde.

De reis begon met een computersimulatie, een digitale werkplaats waar de onderzoekers duizenden potentiële eiwitvormen ontwierpen. Hun doelwit was een specifiek, ingewikkeld gebied op het BMP-2-molecuul dat bekend staat als de knuckle-epitope. Dit gebied is gevormd als een complex, gevouwen vel papier, en het is precies de plek waar BMP-2 zich normaal gesproken aan een cel hecht om zijn boodschap te sturen. De onderzoekers wilden een eiwit bouwen dat perfect in deze inkeping zou passen, om zo het signaal te blokkeren of te moduleren. In de eerste fase van hun werk gebruikten ze een natuurkundig gebaseerd computerprogramma om kleine, stabiele structurele patronen op een bibliotheek van eiwitscaffolds te graven. Ze genereerden 264 verschillende kandidaat-ontwerpen, in de hoop dat de wetten van de fysica hen naar een perfecte pasvorm zouden leiden. De computer voorspelde dat veel van deze ontwerpen zouden werken, met gunstige energiewaarden en stabiele structuren. Toen het team deze ontwerpen echter naar de echte wereld bracht en ze in een laboratorium testte, waren de resultaten teleurstellend. Geen van de initiële kandidaten vertoonde enige meetbare capaciteit om te binden aan het BMP-2-doelwit. De computermodellen waren te optimistisch geweest en hadden de subtiele complexiteit van hoe deze specifieke eiwitvormen daadwerkelijk interageren in een vloeibare omgeving niet gevangen.

Onverzettelijk schakelde het team over naar een tweede fase, waarbij ze ditmaal een ander soort kunstmatige intelligentie inzetten. Ze namen hun beste computerontwerpen en voerden deze in een deep-learning systeem, een type software dat getraind is op enorme databases van bekende eiwitstructuren. Dit systeem controleerde niet alleen de fysica; het leerde van de patronen in de natuur om de ruggengraat van de eiwitten te verfijnen, door kleine maar cruciale aanpassingen te maken aan hun vorm en stabiliteit. De AI genereerde vervolgens nieuwe sequenties van aminozuren, de bouwstenen van eiwitten, die geoptimaliseerd waren om op het doelwit te passen. Dit proces leverde 22 verfijnde kandidaten op. Toen deze nieuwe ontwerpen in het laboratorium werden getest, waren de resultaten transformatief. Eén specifiek ontwerp, genaamd BB5523, bond succesvol aan het BMP-2-molecuul met hoge precisie. Het hield er stevig aan vast, met een bindingssterkte die de onderzoekers maten als een schijnbare evenwichtsdissociatieconstante van 2,07 nanomolair. Dit niveau van affiniteit geeft aan dat het eiwit zich met aanzienlijke kracht aan zijn doelwit hecht, terwijl de interactie toch reversibel blijft, een cruciaal kenmerk voor gecontroleerde modulatie.

Om precies te begrijpen hoe deze nieuwe binder werkte, voerden de onderzoekers een reeks experimenten uit waarbij ze de structuur van het eiwit systematisch veranderden. Ze veranderden specifieke aminozuren op de interface waar de binder het groeifactor raakte, waarbij ze in feite delen van de puzzel vervingen om te zien welke essentieel waren. Ze ontdekten dat het veranderen van een enkel aminozuur, threonine op positie 42, de bindingssterkte drastisch verminderde, wat dit identificeerde als een kritieke hotspot voor de interactie. Andere veranderingen hadden een kleiner effect, wat suggereerde dat hoewel één deel van het eiwit het belangrijkste anker was, de rest van de interface de nodige ondersteuning bood. Deze gedetailleerde mapping bevestigde dat de binder precies werkte zoals de computermodellen hadden voorspeld, door het doelwit te engageren via een specifiek, ontworpen oppervlak in plaats van door toeval.

De ultieme test was om te zien of dit moleculaire instrument daadwerkelijk het biologische signaal in levende cellen kon beheersen. De onderzoekers gebruikten een standaard celcultuurmodel dat reageert op BMP-2 door genen aan te zetten die bot opbouwen. Wanneer ze alleen BMP-2 toevoegden, raakten de cellen in een overdrive en produceerden ze hoge niveaus van een enzym genaamd alkalische fosfatase, een marker voor botvorming. Echter, wanneer ze de nieuwe BB5523-binder samen met de groeifactor toevoegden, reageerden de cellen anders. De binder slaagde erin het signaal te dempen, waardoor de botopbouwende activiteit werd teruggebracht tot een niveau dat aanzienlijk lager was dan de ongecontroleerde respons. Interessant genoeg, toen ze hun nieuwe binder vergeleken met een bestaand type eiwitbinder dat bekend staat als een affibody, bleek het nieuwe ontwerp effectiever in het onderdrukken van het signaal. Dit suggereert dat de nieuwe binder een fijnere mate van controle biedt, in staat om de activiteit van de groeifactor af te stemmen in plaats van deze simpelweg aan of uit te zetten.

Het succes van dit project onderstreept een nieuw tijdperk in de eiwitengineering, waarin de beperkingen van traditionele computermodellering worden overwonnen door de inzichten van kunstmatige intelligentie. De onderzoekers hebben aangetoond dat hoewel natuurkundige modellen ideeën kunnen genereren, ze vaak de subtiele geometrische nuances missen die nodig zijn voor een perfecte pasvorm. Door deep learning te integreren om deze ontwerpen te verfijnen, waren zij in staat de kloof tussen een digitaal concept en een functioneel biologisch instrument te overbruggen. Het werk beweert niet dat het het probleem van botfracturen volledig heeft opgelost, maar het biedt een krachtige nieuwe methode voor het creëren van precisiegeneesmiddelen. Het laat zien dat het mogelijk is om eiwitten te ontwerpen die complexe biologische signalen kunnen moduleren met de specificiteit van een sleutel in een slot, wat een pad opent voor therapieën die zowel effectief als veilig zijn. De bevindingen suggereren dat door computationele kracht te combineren met experimentele validatie, wetenschappers nu enkele van de moeilijkste doelwitten in de regeneratieve geneeskunde kunnen aanpakken, waardoor het chaotische proces van genezing wordt omgezet in een meer voorspelbare en gecontroleerde uitkomst.