Prospective discovery of LasB inhibitors by integrating generative design, free energy ranking, and experimental validation
Deze studie presenteert een volledig open-source computationele-experimentele workflow die generatief moleculair ontwerp integreert met rigoureuze vrije energieberekeningen om succesvol drie krachtige, stabiele nanomolaire remmers van de *Pseudomonas aeruginosa* virulentiefactor LasB te identificeren, waarmee een schaalbaar kader wordt gedemonstreerd voor het versnellen van vroege stadia van medicijnontdekking.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het vinden van een nieuw medicijn is als het zoeken naar één specifieke sleutel in een bibliotheek met miljarden sloten. Het proces is traag, duur en vaak frustrerend, omdat chemici miljoenen potentiële kandidaten handmatig moeten bouwen en testen om te zien welke er daadwerkelijk in passen. Decennialang hebben wetenschappers geprobeerd dit te versnellen met computers, door ze te gebruiken om te voorspellen welke moleculen zouden kunnen werken voordat er een enkel atoom fysiek is samengesteld. Deze computervoorspellingen waren echter vaak te grofmazig om op zichzelf te vertrouwen, wat leidde tot tijdverlies voor onderzoekers die verbindingen synthetiseerden die achteraf nutteloos bleken te zijn. De uitdaging was het creëren van een systeem dat zowel snel genoeg is om enorme nieuwe chemische gebieden te verkennen als nauwkeurig genoeg om een echte winnaar te onderscheiden van een bijna-overwinning.
In een recente studie hebben onderzoekers erin geslaagd twee krachtige computermethoden te combineren om dit probleem op te lossen, waarbij ze een workflow creëerden die met opmerkelijke efficiëntie beweegt van digitale verbeelding naar de fysieke realiteit. Ze richtten hun inspanningen op een gevaarlijke bacterie genaamd Pseudomonas aeruginosa, een veelvoorkomende oorzaak van ernstige infecties in ziekenhuizen die steeds moeilijker te behandelen is met bestaande antibiotica. Deze bacterie vertrouwt op een specifiek eiwit, een moleculaire machine bekend als LasB, om menselijk weefsel af te breken en de infectie te verspreiden. Omdat dit eiwit buiten de bacteriële cel wordt uitgescheiden, is het gemakkelijker te bereiken met een medicijn dan doelwitten die verborgen zitten in de taaie buitenkant van de bacterie. Het doel was om een nieuw molecuul te ontwerpen dat zich aan dit eiwit kon binden en de werking ervan kon stoen, waardoor de bacterie effectief wordt ontwapend zonder deze te doden, een strategie die de kans op het ontwikkelen van resistentie door de bacterie zou kunnen verminderen.
Het team begon met drie bekende moleculen die al enige mate van binding vertoonden met het LasB-eiwit, maar die niet perfect waren. Met behulp van een computerprogramma dat ontworpen is om nieuwe moleculaire structuren te genereren, begonnen ze met deze drie zaden en vroegen ze de software om duizenden variaties te bedenken. Het programma mengde niet alleen willekeurig atomen; het werd gestuurd door regels die moleculen bevoordeelden die waarschijnlijk effectieve medicijnen zouden zijn en gemakkelijk in een laboratorium te maken waren. Over meerdere rondes van digitale evolutie genereerde de software bijna 40.000 unieke kandidaatmoleculen. Uit deze enorme digitale bibliotheek selecteerden de onderzoekers een kleine, diverse groep van 50 verbindingen die er het meest veelbelovend uitzagen op basis van hun vorm en chemische eigenschappen.
Om te garanderen dat deze 50 kandidaten de kosten van het bouwen ervan echt waard waren, paste het team een tweede, strengere computertest toe. Deze stap hield in dat de fysieke krachten tussen de kandidaat-drug en het eiwit met extreme precisie werden gesimuleerd, waarbij exact werd berekend hoe stevig ze elkaar zouden vasthouden. Deze methode, bekend als vrije-energieberekening (free energy calculation), is rekenintensief maar veel nauwkeuriger dan standaard screeningsmethoden. De resultaten van deze simulatie stelden het team in staat om de 50 kandidaten te rangschikken en de allerbeste uit te kiezen voor fysieke synthese. Ze bouwden zes van deze hoogst gerangschikte moleculen in het laboratorium en testten ze tegen het bacteriële eiwit.
De uitkomst was een duidelijk succes voor deze geïntegreerde aanpak. Drie van de nieuw gecreëerde moleculen bleken krachtige remmers te zijn, die het bacteriële eiwit met hoge efficiëntie stopzetten bij concentraties zo laag als 22 tot 53 nanomolair. Deze verbindingen waren niet alleen krachtig, maar vertoonden ook een uitstekende stabiliteit in bloed- en metabole tests, wat betekent dat ze waarschijnlijk lang genoeg in het lichaam zouden overleven om hun werk te doen. Hoewel de nieuwe medicijnen enige toxiciteit vertoonden voor menselijke cellen in een schaaltje, suggereert hun sterke vermogen om het bacteriële eiwit te targeten een levensvatbaar pad voor verdere ontwikkeling. De studie laat zien dat door generatief ontwerp, dat nieuwe ideeën creëert, te koppelen aan rigoureuze natuurkundige rangschikking, die ideeën met hoge precisie test, wetenschappers de enorme oceaan van chemische mogelijkheden kunnen navigeren en waardevolle schatten kunnen vinden zonder te verdwalen.
De onderzoekers leerden ook belangrijke lessen over de beperkingen van hun methode. Ze ontdekten dat hoewel de computervoorspellingen uitstekend waren in het rangschikken van welke moleculen beter waren dan andere, ze soms overschatten hoe sterk de binding precies zou zijn. Deze discrepantie kwam waarschijnlijk doordat de computer de initiële positie van de nieuwe moleculen moest raden voordat de gedetailleerde simulatie werd uitgevoerd, en een kleine fout in die gok de uiteindelijke berekening kon verstoren. Ondanks dit werkte het systeem goed genoeg om drie volledig nieuwe, zeer effectieve remmers te identificeren uit een pool van duizenden, wat bewijst dat deze digitale strategie de experimentele arbeid effectiever kan sturen dan traditionele trial-and-error. De studie concludeert dat deze aanpak een schaalbaar, open-source framework biedt dat andere wetenschappers kunnen gebruiken om soortgelijke uitdagingen aan te pakken, wat de ontdekking van medicijnen voor andere moeilijke ziekten potentieel kan versnellen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.