Computational Design and Evaluation of De Novo Protein Minibinders Targeting Specific Sites of STAT3

Binnen de microscopische machinerie van een levende cel fungeert een eiwit genaamd STAT3 als een meester schakelaar, die genen inschakelt die cellen vertellen wanneer ze moeten groeien en delen. In een gezond lichaam wordt deze schakelaar strikt gereguleerd, maar bij veel soorten kanker blijft deze op de "aan"-stand staan, wat ongecontroleerde groei en de verspreiding van tumoren aanjaagt. Wetenschappers proberen al lang medicijnen te ontwikkelen om deze schakelaar uit te zetten, maar de gebruikelijke aanpak — het gebruik van kleine chemische moleculen om het mechanisme te blokkeren — is herhaaldelijk mislukt in klinische studies. Het oppervlak van het STAT3-eiwit is vaak te vlak of te vergelijkbaar met andere eiwitten voor deze kleine moleculen om met voldoende precisie aan vast te grijpen. Dit heeft ervoor gezorgd dat onderzoekers op zoek zijn naar een ander soort instrument, een dat groter en specifieker is, in staat om zich met de zekerheid van een sleutel die in een slot past, aan het eiwit te hechten.

Een team van onderzoekers heeft zich nu tot kunstmatige intelligentie gewend om deze nieuwe instrumenten vanaf nul te ontwerpen. In plaats van te lenen uit de bestaande bibliotheek van natuurlijke eiwitten, gebruikten ze een computerprogramma om geheel nieuwe, minuscule eiwitstructuren uit te vinden die ontworpen zijn om te binden aan specifieke plekken op het STAT3-oppervlak. Het doel was om "minibinders" te creëren — kleine, stabiele eiwitfragmenten die zich aan STAT3 zouden kunnen hechten en potentieel de schadelijke werking ervan kunnen stoppen. Door verschillende regio's van het eiwit te targeten, inclusief gebieden die moeilijk bereikbaar waren met traditionele medicijnen, hoopte het team een nieuwe set kandidaten te genereren die in het laboratorium getest kunnen worden om te zien of ze het kankerverwekkende eiwit effectief kunnen blokkeren.

De onderzoekers begonnen met het identificeren van zeven specifieke "hotspots" op het STAT3-eiwit, dit zijn kleine clusters van aminozuren die zich op verschillende delen van het molecuuloppervlak bevinden. Deze plekken werden gekozen omdat ze toegankelijk zijn en een belangrijke rol spelen in de functie van het eiwit, zoals het helpen bij het plakken aan celreceptoren of het binden aan DNA. Met behulp van een moderne AI-ontwerptool genaamd BindCraft genereerde het team duizenden potentiële eiwitsequenties, waarvan elke een unieke poging is om rond één van deze hotspots te wikkelen. Het computerprogramma fungeerde als een virtuele architect, die vormen schetste die theoretisch in de doelwit zouden passen, terwijl ontwerpen die er instabiel uitzagen of onwaarschijnlijk waren om te binden, werden weggefilterd. Vanuit een initiële pool van 139 ontwerpen die de eerste computercontroles doorstonden, vernauwde het team hun focus tot de meest veelbelovende kandidaten.

Om te garanderen dat deze digitale ontwerpen ook in de echte wereld zouden werken, onderwierpen de onderzoekers ze aan een tweede, strenge evaluatieronde met behulp van een geavanceerder AI-systeem genaamd AlphaFold3. Dit systeem is zeer bekwaam in het voorspellen van hoe eiwitten vouwen in hun driedimensionale vormen en hoe ze met elkaar interageren. Het team zocht naar ontwerpen die een hoge mate van vertrouwen vertoonden in hun vermogen om te docken met het STATste eiwit. Elf ontwerpen kwamen naar voren als de belangrijkste kanshebbers, die allemaal voorspeld werden om stevig te binden aan hun beoogde doelwitten. Deze elf minibinders waren ontworpen om zich te hechten aan vijf van de zeven oorspronkelijke hotspots, waarbij ze regio's op de coiled-coil, SH2- en DNA-bindingsdomeinen van het eiwit bestrijken. De simulaties suggereerden dat deze kleine eiwitten stevig op het STAT3-oppervlak zouden zitten, waarbij ze vaak de specifieke aminozuren bedekken die de onderzoekers voor ogen hadden.

Naast het feit dat ze simpelweg aan het eiwit hechten, onderzochten de onderzoekers of deze nieuwe binders werkelijk nieuwe creaties waren. Ze controleerden de sequenties van de elf topbinders via een enorme database van alle bekende eiwitten om te zien of er iets tussen zat dat al bestond in de natuur. De resultaten waren opmerkelijk: zes van de binders hadden geen enkele match in de database, wat betekent dat het volledig nieuwe sequenties zijn die nog nooit eerder in een levend organisme zijn gezien. De andere vijf binders vertoonden slechts zeer zwakke, onbeduidende gelijkenissen met obscure bacteriële eiwitten, wat bevestigde dat de ontwerpen geen accidentele kopieën waren van bestaande biologische onderdelen. Dit suggereert dat de AI erin geslaagd is unieke moleculaire vormen uit te vinden in plaats van alleen bekende onderdelen te herschikken.

De studie onthulde ook dat sommige van deze minibinders mogelijk samen kunnen werken. Omdat de binders zich aan verschillende, niet-overlappende gebieden van het STAT3-eiwit hechten, is het mogelijk om er twee tegelijkertijd te gebruiken om het doelwit te "sandwichen". Simulaties toonden bijvoorbeeld aan dat een binder die voor één regio is ontworpen, comfortabel naast een andere binder kan zitten die voor een andere regio is ontworpen, zonder tegen elkaar aan te botsen. Dit opent de deur naar een nieuwe strategie waarbij twee kleine eiwitten STAT3 tegelijkertijd kunnen klemmen, wat het voor de kankercel potentieel moeilijker maakt om de blokkade te omzeilen. Hoewel de onderzoekers benadrukken dat deze resultaten momenteel gebaseerd zijn op computersimulaties en nog niet in een laboratorium zijn getest, bieden de hoge betrouwbaarheidsscores van de AI-modellen een sterk fundament voor de volgende stap.

Dit werk vormt een belangrijke stap voorwaarts in het gebruik van kunstmatige intelligentie om complexe medicijn-doelwitten aan te pakken. Door succesvol eiwitten te ontwerpen die voorspeld worden te binden aan specifieke, uitdagende plekken op een kankergerelateerd eiwit, heeft het team de wetenschappelijke gemeenschap voorzien van een lijst met concrete kandidaten voor experimentele tests. De elf beschreven sequenties zijn nu beschikbaar voor andere wetenschappers om in het laboratorium te synthetiseren en te bestudelen. Als deze digitale voorspellingen standhouden in fysieke experimenten, zouden ze een nieuwe weg kunnen bieden naar de behandeling van kankers die door STAT3 worden gedreven, waarbij de beperkingen van kleine chemische medicijnen worden overstegen en een nieuw tijdperk van precisie-eiwittherapieën wordt ingeluid.