SynNat-BERT: An interpretable dual-modal BERT framework for blood–brain barrier permeability prediction and novel scaffold discovery

De menselijke hersenen worden beschermd door een machtige poortwachter die bekend staat als de bloed-hersenbarrière. Deze dunne, selectieve wand bekleedt de bloedvaten in de hersenen en fungeert als een strikt filter, dat slechts specifieke stoffen doorlaat van de bloedbaan naar het hersenweefsel, terwijl de rest wordt tegengehouden. Hoewel deze verdediging essentieel is om de hersenen te beschermen tegen toxines en infecties, vormt het ook een enorme hindernis voor medicijnen. Ongeveer drieëntwintig procent van de potentiële medicijnkandidaten kan deze barrière niet passeren, wat betekent dat ze nutteloos zijn voor de behandeling van aandoeningen zoals Alzheimer, Parkinson of hersentumoren, ongeacht hoe effectief ze zijn in een reageerbuis. Decennialang hebben wetenschappers geprobeerd te voorspellen welke moleculen door deze poort kunnen glippen en welke bij de deur worden tegengehouden. Traditionele methoden vertrouwen op het testen van chemicaliën in levende cellen of dieren, een proces dat traag, duur en vaak ontoereikend is om de enorme diversiteit aan chemische structuren te dekken die in de natuur bestaan.

Een team van onderzoekers heeft nu een nieuwe computationele tool ontwikkeld die ontworpen is om dit voorspellingsprobleem met meer snelheid en helderheid op te lossen. Ze creëerden een systeem genaamd SynNat-BERT, dat functioneert als een geavanceerd taalmodel voor chemie. In plaats van te leren van een kleine set bekende medicijnen, werd dit systeem getraind op een enorme bibliotheek van 1,7 miljoen moleculen, afkomstig van zowel synthetische chemicaliën uit laboratoria als natuurlijke producten uit planten en schimmels. Het systeem leert de "grammatica" van moleculen door ze uiteen te leggen in betekenisvolle substructurele onderdelen in plaats van alleen individuele atomen, waardoor het begrijpt hoe verschillende chemische delen in elkaar passen. Cruciaal is dat de onderzoekers dit structurele begrip combineerden met zeven specifieke fysieke eigenschappen van de moleculen, zoals hun grootte, hun interactie met water en hun vermogen om verbindingen te vormen. Door deze twee soorten informatie samen te voegen, kan het systeem niet alleen voorspellen of een molecuul de bloed-hersenbarrière zal passeren, maar ook precies uitleggen welke delen van het molecuul verantwoordelijk zijn voor die capaciteit.

De onderzoekers testten dit nieuwe framework door hun bibliotheek van natuurlijke producten te screenen op verborgen parels: moleculen die de hersenen weliswa면 konden penetreren, maar nog nooit als zodanig waren geïdentificeerd. Het systeem slaagde erin om duizenden kandidaten te rangschikken, waarbij de voorkeur werd gegeven aan die met de juiste fysieke kenmerken om door de barrière te gaan. Om te verifiëren of deze computervoorspellingen echt waren, selecteerde het team vijf verschillende alkaloidverbindingen, een klasse van natuurlijk voorkomende chemicaliën, en testte deze in een laboratoriumsetting met menselijke hersencellen die in een schaal werden gekweekt. De resultaten waren opmerkelijk: drie van de vijf kandidaten slaagden erin de celbarrière te passeren, waarbij één zelfs beter presteerde dan een standaard medicijn dat als positieve controle werd gebruikt. Dit bevestigde dat het computermodel correct nieuwe, doorlaatbare structuren had geïdentificeerd die eerder over het hoofd waren gezien.

Buiten het simpelweg vinden van nieuwe kandidaten, onthulde de studie waarom deze moleculen werkten. De interne analyse van het systeem wees op een specifiek structureel kenmerk: een flexibele, gehydrogeneerde ringstructuur bekend als een berbine-scaffold. Wanneer de onderzoekers deze flexibele vorm vergeleken met een rigide, aromatische versie van dezelfde structuur, ontdekten ze dat de rigide versie er niet in slaagde de barrière te passeren. Dit onderscheid werd bevestigd door gedetailleerde computersimulaties die modelleerden hoe de moleculen door een lipidenmembraan bewogen, waarbij werd aangetoond dat de flexibele vorm het molecuul makkelijker liet diffunderen. De studie voert expliciet argumenten aan tegen het idee dat rigide, platte structuren altijd het beste zijn voor hersenpenetratie, en laat in plaats daarvan zien dat flexibiliteit een cruciale rol speelt.

Het werk daagde ook de beperkingen van eerdere kunstmatige intelligentiemodellen op dit gebied uit. Veel eerdere systemen vertrouwden op enorme datasets met honderden miljoenen moleculen, maar behandelden ze vaak als eenvoudige reeksen tekens, waardoor ze de diepere chemische context misten. De onderzoekers ontdekten dat hun kleinere, meer gefocuste dataset van 1,7 miljoen moleculen, wanneer gekoppeld aan hun substructuur-bewuste benadering, feitelijk beter presteerde dan deze grotere, minder interpreteerbare modellen. Ze toonden aan dat het toevoegen van specifieke, begrijpelijke fysieke beschrijvers aan het model essentieel was; het verwijderen van deze beschrijvers zorgde voor een significante daling in de nauwkeurigheid van de voorspelling. Dit suggereert dat voor complexe taken zoals het voorspellen van hersendoorlaatbaarheid, een model dat zowel de vorm van het molecuul als zijn fysieke gedrag begrijpt, superieur is aan een model dat alleen de ruwe data ziet.

Uiteindelijk biedt dit onderzoek een praktisch pad vooruit voor medicijnontwikkeling. Door een diep begrip van moleculaire structuur te combineren met duidelijke fysieke regels, kan het SynNat-BERT-framework door enorme bibliotheken van natuurlijke producten zoeken om nieuwe leads te vinden voor de behandeling van hersenziekten. De studie voorspelde niet alleen een resultaat; het leverde een geverifieerd mechanisme, waarbij via zowel laboratoriumexperimenten als computersimulaties werd aangetoond dat specifieke flexibele structuren cruciaal zijn voor het passeren van de bloed-hersenbarrière. Deze aanpak biedt een betrouwbare manier om veelbelovende medicijnkandidaten te identificeren die voorheen verborgen bleven, en biedt wetenschappers een nieuw instrument om medicijnen te ontwerpen die eindelijk de hersenen kunnen bereiken.