Automated dataset integrating structural and bioactivity data for structure-based drug discovery

Stel je voor dat je een robot probeert te leren hoe hij een nieuwe sleutel moet ontwerpen die perfect in een specifiek slot past. In de wereld van de geneeskunde zijn de "sloten" de eiwitten in ons lichaam die ziekten veroorzaken, en de "sleutels" zijn kleine medicijnmoleculen. Decennialang hebben wetenschappers geprobeerd om een superintelligente robot te bouwen (met behulp van machine learning) die precies kan voorspellen hoe goed een sleutel in een slot past, enkel door naar hun vormen te kijken. Maar er is een groot probleem: de robot heeft een enorme honger naar data, en de data die hij nodig heeft, is overal verspreid. Sommige wetenschappers hebben de vorm van het slot, anderen hebben de metingen van hoe goed een sleutel draait, maar ze bevinden zich zelden op dezelfde plek. Het is alsof je een chef-kok probeert te leren een perfect gerecht te koken wanneer het recept in het ene boek staat, de foto van de ingrediënten in een ander, en de smaaktestresultaten in een derde. Zonder een massale, georganiseerde bibliotheek die de vorm van het slot verbindt met de exacte kracht van de grip van de sleutel, kan de robot niet effectief leren.

Hier begint het verhaal van DockTData. Een team van onderzoekers van het National Laboratory of Scientific Computing in Brazilië besloot die ontbrekende bibliotheek te bouwen. Ze hebben niet alleen een paar recepten verzameld; ze hebben een geautomatiseerde fabriek gebouwd die het internet afspeurt naar elk beschikbaar stukje informatie over eiwitsloten en medicijnsleutels, ze aan elkaar naait en organiseert in één enkele, gigantische dataset. Denk aan een enorme, digitale "matchmakingsservice". Het neemt de 3D-blauwdrukken van eiwitten uit de Protein Data Bank (PDB) en koppelt deze aan de resultaten uit de echte wereld uit databases zoals BindingDB en ChEMBL. Het resultaat is een schatkist van meer dan 24.719 unieke eiwit-ligandcomplexen. Dit is niet zomaar een lijst met cijfers; het is een collectie waar elk medicijnmolecuul direct verbonden is met zijn 3D-structuur en zijn gemeten sterkte (hoe strak het bindt), gestandaardiseerd zodat een computer het allemaal tegelijkertijd kan lezen. Door deze data open en gratis beschikbaar te stellen, hopen de auteurs de volgende generatie medicijnontdekkende robots de brandstof te geven die ze nodig hebben om sneller en slimmer te leren, wat potentieel kan leiden tot nieuwe medicijnen voor ziekten die momenteel geen genezing hebben.

De kerntaken van het artikel: Het bouwen van de ultieme bibliotheek voor medicijnontwerp

Het artikel introduceert DockTData, een nieuwe, vrij toegankelijke dataset die ontworpen is om "structure-based drug discovery" een enorme boost te geven. In eenvoudige termen is dit het proces van het ontwerpen van medicijnen door naar de 3D-vorm van het doel-eiwit te kijken en te bepalen welke moleculen daar het beste in passen. De auteurs hebben deze dataset gecreëerd door een geautomatiseerde pijplijn te bouwen die fungeert als een superefficiënte bibliothecaris. Deze bibliothecaris gaat op pad naar drie enorme bronnen — de Protein Data Bank (PDB), die 3D-structuren van eiwitten bevat; BindingDB; en ChEMBL, die metingen bevatten van hoe goed medicijnen binden aan eiwitten — en brengt alles samen.

De magie van DockTData ligt in de manier waarop het de punten verbindt. Voorheen kon een wetenschapper misschien een afbeelding hebben van een eiwit met een medicijn eraan vastgeplakt, maar wist hij niet precies hoe sterk die binding was, of hij vond de bindingssterkte in een andere database zonder de afbeelding te hebben. DockTData lost dit op door de 24.719 eiwit-ligandcomplexen (de "sloten" met hun "sleutels") direct te koppelen aan 45.331 bioactiviteitsmetingen. Deze metingen omvatten waarden zoals Kd, Ki, IC50 en EC50, wat allemaal manieren zijn om te zeggen: "hoe strak plakt dit medicijn?" De auteurs hebben al deze waarden gestandaardiseerd naar nanomolaire (nM) eenheden, zodat ze als appels met appels vergeleken kunnen worden.

Hoe ze het deden: De geautomatiseerde matchmaking-machine

De onderzoekers hebben niet simpelweg gekopieerd en geplakt; ze hebben een geavanceerd systeem gebouwd om ervoor te zorgen dat de matches perfect waren. Ze gebruikten een paar slimme trucs om de data schoon en betrouwbaar te houden:

• De Eiwitmatch: Ze gebruikten een tool genaamd MMseqs2 om eiwitsequenties te vergelijken. Ze stelden een regel in dat een eiwit uit een medicijntest minstens 85% identiek moet zijn aan het eiwit in de 3D-structuur om als een match te tellen. Dit is als zeggen: "Als het slot voor 85% hetzelfde lijkt als het slot op de foto, nemen we aan dat het hetzelfde slot is." Deze drempelwaarde werd gekozen om nuttige variaties (zoals licht verschillende versies van hetzelfde eiwit) op te nemen zonder totaal andere eiwitten toe te laten.
• De Medicijnmatch: Voor de medicijnmoleculen gebruikten ze iets dat een InChIKey wordt genoemd. Zie dit als een unieke, 27-karakter dure barcode voor elke chemische structuur. Door deze barcodes opnieuw te berekenen met een standaardtool (RDKit) voor elke vermelding, hebben ze gegarandeerd dat hetzelfde medicijn niet twee keer wordt vermeld onder verschillende namen of met kleine, verwarrende verschillen.
• De "Eén Sleutel, Eén Slot"-regel: Ze waren zeer strikt in het paren. Als een eiwitstructuur twee verschillende medicijnen tegelijk aan zich had, werd deze uitgesloten. Ze hielden alleen de complexen over waarbij er precies één medicijnmolecuul gekoppeld was aan één eiwitstructuur. Dit voorkomt verwarring bij het trainen van computermodellen.

Wat zit er in de doos?

De resulterende dataset is een enorme collectie informatie, georganiseerd in gemakkelijk te gebruiken tabellen. Dit is wat u krijgt:

• 24.719 unieke eiwit-ligandcomplexen.
• 11.742 verschillende medicijnmoleculen (liganden).
• 17.732 unieke eiwitstructuren uit de PDB.
• 2.163 verschillende eiwitdoelen (de "sloten").
• Een mix van kleine moleculen (het klassieke medicijntype, goed voor 24.378 van de vermeldingen), peptiden (271 vermeldingen) en zelfs enkele oligosachariden (70 vermeldingen).

De auteurs merken op dat hun collectie kleine moleculen 46% groter is dan het deel met kleine moleculen van de populaire PDBbind versie 2020 algemene set, die 16.744 vermeldingen bevatte. Dit betekent dat DockTData wetenschappers een aanzienlijk groter speelveld biedt om hun ideeën te testen.

Waarom dit ertoe doet: Meer dan alleen cijfers

Het artikel benadrukt dat de kwaliteit en omvang van trainingsdata de grootste knelpunten zijn voor machine learning in medicijnontdekking. Als je een robot traint op een kleine, rommelige dataset, zal hij slechte gewoontes aanleren. DockTData biedt een "schonere", grotere en transparantere dataset. Omdat de auteurs precies hebben bijgehouden waar elk stukje data vandaan komt (de "provenance"), kunnen wetenschappers elk getal terugvinden naar de oorspronkelijke bron, fouten controleren en de context begrijpen.

De dataset bevat een grote verscheidenheid aan meettypen: 58,8% zijn IC50-waarden, 20,3% zijn Ki, 11,3% zijn Kd en 9,7% zijn EC50. Deze diversiteit is belangrijk omdat verschillende soorten metingen net iets andere verhalen vertellen over hoe een medicijn werkt. Door ze allemaal op één plek te hebben, gestandaardiseerd in nanomolaire eenheden, kunnen onderzoekers de specifieke meetmethode kiezen die bij hun behoeften past.

De "Nee-zones": Wat het artikel uitsluit

Het is belangrijk om op te merken wat DockTData niet is. De auteurs geven expliciet aan dat ze geen structuren bevatten die alleen door computers zijn voorspeld (zoals die van AlphaFold) zonder experimenteel bewijs. Ze hebben alleen structuren opgenomen die daadwerkelijk in een laboratorium zijn opgelost met behulp van röntgenkristallografie, NMR of cryo-elektronenmicroscopie. Dit betekent dat de dataset strikt geworteld is in de experimentele realiteit, en niet in computersimulaties.

Bovendien sluit het artikel ambigue paren uit. Als een eiwitstructuur meerdere verschillende medicijnen aan zich had, of als de link tussen de eiwitsequentie en de medicijnmeting te zwak was (onder de 85% identiteitsdrempel), werd die data weggegooid. De auteurs argumenteren dat deze striktheid noodzakelijk is om "ruis" te voorkomen die machine learning-modellen zou kunnen verwarren. Ze merken ook op dat, hoewel ze veel data hebben, ze niet beweren het probleem van medicijnontdekking te hebben opgelost. In plaats daarvan bieden ze een beter fundament — een "transparante, herbruikbare en continu uitbreidende bron" — waar anderen op voort kunnen bouwen.

De uiteindelijke conclusie

DockTData is een geschenk aan de wetenschappelijke gemeenschap. Het is een enorme, georganiseerde en gratis bibliotheek die de 3D-vormen van eiwitten verbindt met de werkelijke sterkte van medicijninteracties. Door het proces van het verzamelen en opschonen van deze data te automatiseren, hebben de auteurs een bron gecreëerd die groter en diverser is dan veel eerdere collecties. Ze hebben het mogelijk gemaakt voor onderzoekers om slimme AI-modellen te trainen, nieuwe theorieën over hoe medicijnen aan eiwitten binden te testen, en uiteindelijk de ontdekking van nieuwe medicijnen te versnellen. De dataset is beschikbaar onder een Creative Commons Attribution 4.0 International License, wat betekent dat iedereen het kan gebruiken, delen en erop kan voortbouwen, zolang men er maar de juiste erkenning aan geeft. Het is een duidelijke stap voorwaarts in het omzetten van de chaotische wereld van medicijnontdekkingsdata naar een gestructureerde, leerbare taal voor machines.