Hybrid AI-physics screening prioritizes candidate dual MDM2/MDM4 inhibitors from a drug-like library for dedifferentiated liposarcoma

Kanker is vaak een spel van cellulaire wanbeheersing, waarbij de eigen veiligheidsmechanismen van het lichaam worden gekaapt om tumoren ongecontroleerd te laten groeien. In een specifieke en agressieve vorm van zacht weefselkanker, genaamd gedifferentieerd liposarcoom, komt het probleem voort uit een gebroken partnerschap tussen twee eiwitten. Eén eiwit, bekend als MDM2, fungeert als een meedogenloze beul die op zoek is naar en p53 vernietigt, een vitaal tumoronderdrukkend eiwit dat normaal gesproken cellen die ongecontroleerd delen stopt. In gezonde cellen is p53 de bewaker; in deze kanker is MDM2 overactief, waarbij het constant op zoek gaat naar p53 en de kracht ervan neutraliseert. De natuur heeft echter vaak een back-upplan. Wanneer wetenschappers proberen MDM2 met medicijnen te stoppen, passen kankercellen zich vaak aan door de niveaus van een tweede, vergelijkbaar eiwit genaamd MDM4 te verhogen. Dit back-up-eiwit stapt in om de taak van het uitschakelen van p53 voort te zetten, waardoor medicijnen die alleen MDM2 targeten ineffectief worden. Om deze ziekte echt te behandelen, geloven onderzoekers dat ze een manier moeten vinden om beide eiwitten gelijktijdig te blokkeren, een taak die met bestaande medicijnen moeilijk is gebleken.

Een team van onderzoekers heeft zich nu gericht op een krachtige combinatie van kunstmatige intelligentie en natuurkundige simulatie om naar nieuwe oplossingen te zoeken. Ze hebben geen chemicaliën eerst in een laboratoriumschaaltje getest; in plaats daarvan bouwden ze een geavanceerde digitale pijplijn om door een enorme bibliotheek van bijna tien miljoen medicijn-achtige verbindingen te scannen. Hun doel was om twee specifieke moleculen te vinden die zowel aan MDM2 als aan MDM4 stevig zouden kunnen binden, waardoor beide beulen effectief worden uitgeschakeld en de natuurlijke tumoronderdrukker van het lichaam weer wakker kan worden. Door machine learning te gebruiken om te voorspellen welke verbindingen zouden kunnen werken, gevolgd door gedetailleerde computersimulaties om te zien hoe ze in de eiwitten passen, bracht het team het veld terug tot twee veelbelovende kandidaten. Deze twee moleculen, geïdentificeerd met de unieke codes ZINC9412756 en ZINC20724474, kwamen naar voren als de meest waarschijnlijke kandidaten om te slagen waar huidige behandelingen moeite mee hadden.

De reis begon met een enorme digitale filter. De onderzoekers begonnen met een database van verbindingen die chemisch vergelijkbaar zijn met bekende medicijnen, om ervoor te zorgen dat de kandidaten veilig genoeg zouden zijn om voor menselijk gebruik in aanmerking te komen. Ze trainden een computermodel op duizenden bekende interacties tussen medicijnen en het MDM2-eiwit, waardoor het systeem leerde de subtiele structurele patronen te herkennen die een molecuul effectief maken. Dit model van kunstmatige intelligentie scande vervolgens de bibliotheek van negen miljoen verbindingen en voorspelde de activiteit van elk van hen. Het systeem identificeerde een kleine groep kandidaten met een hoog potentieel, maar de onderzoekers wisten dat computervoorspellingen soms misleidend kunnen zijn. Om er zeker van te zijn, onderwierpen ze deze topkandidaten aan een rigoureuze fysieke simulatie. Ze bouwden digitale modellen van de MDM2- en MDM4-eiwitten, waarbij gebruik werd gemaakt van tientallen verschillende kristalstructuren om rekening te houden met het feit dat deze eiwitten flexibel zijn en bewegen. Vervolgens simuleerden ze hoe de kandidaat-moleculen zouden docken, of vergrendelen, in de actieve plaatsen van de eiwitten.

De resultaten van deze digitale screening waren opmerkelijk. De twee leidende kandidaten, ZINC9412756 en ZINC20724474, vertoonden voorspelde bindingssterktes die superieur waren aan veel bestaande medicijnen die in onderzoek worden gebruikt. In de computersimulaties nestelden deze moleculen zich diep in de zakken van zowel MDM2 als MDM4, waarbij ze stabiele verbindingen vormden die hen op hun plaats hielden. De onderzoekers analyseerden precies hoe ze vasthielden. Ze ontdekten dat de moleculen zwaar leunden op een dicht netwerk van hydrofobe interacties—in essentie pasten de moleculen zich nauw aan de oppervlakken van de eiwitten aan, vergelijkbaar met hoe olie water afstoot, om een stabiele binding te creëren. Dit werd ondersteund door specifieke waterstofbruggen, die fungeren als moleculaire klittenband en de medicijnen verankeren aan sleutelpunten op de eiwitten. Een van de kandidaten vormde een unieke verbinding met een deel van het MDM2-eiwit dat eerdere medicijnen grotendeels hadden genegeerd, wat suggereert dat het op een andere manier zou kunnen werken dan huidige behandelingen.

Om er zeker van te zijn dat deze bevindingen niet slechts een toevalstreffer van het computermodel waren, voerde het team langdurige moleculaire dynamica-simulaties uit. Ze observeerden hoe de eiwitten en medicijnen over een bepaalde tijd met elkaar interageerden, waarbij ze een half miljoen stappen van beweging simuleerden om te zien of de bindingen standhielden onder druk. De simulaties toonden aan dat de medicijnen gedurende de gehele test stevig aan beide eiwitten vast bleven zitten, wat bevestigde dat de initiële docking geen tijdelijke glitch was. De onderzoekers berekenden ook de energie die nodig is om de medicijnen gebonden te houden, en vonden dat de krachten die hen bij elkaar hielden sterk en consistent waren. Bovendien controleerden ze de chemische uniciteit van deze nieuwe kandidaten. Door hun structuren te vergelijken met duizenden bekende MDM2- en MDM4-remmers, bevestigden ze dat deze twee moleculen structureel verschillend waren. Ze leken niet op de medicijnen die momenteel in gebruik zijn of in klinische studies worden onderzocht; ze bezetten een regio van de chemische ruimte die voorheen niet was verkend, wat een frisse benadering van het probleem biedt.

De onderzoekers keken ook verder dan het directe doelwit om te begrijpen hoe deze medicijnen de bredere kankercel zouden kunnen beïnvloeden. Met behulp van een methode genaamd netwerkfarmacologie brengten ze in kaart hoe de kandidaat-moleculen met andere genen en eiwitten zouden kunnen interageren die bekend staan als actief in gedifferentieerd liposarcoom. De analyse suggereerde dat deze medicijnen niet alleen MDM2 en MDM4 zouden raken, maar ook een cluster van andere cruciale doelwitten zouden betrekken die betrokken zijn bij celdeling en kankergroei. Dit multi-target effect zou een aanzienlijk voordeel kunnen zijn, omdat het potentieel de resistentiemechanismen kan overwinnen die kankercellen in staat stellen om te overleven met single-target medicijnen. De simulaties voorspelden ook dat deze moleculen door het lichaam geabsorbeerd zouden kunnen worden als ze oraal worden ingenomen, een cruciale vereiste voor elk toekomstig medicijn. De computermodellen gaven echter ook mogenheidssignalen over de veiligheid, waaronder risico's voor de lever en het hart, die in de verdere ontwikkeling aangepakt zouden moeten worden.

Het is belangrijk op te merken dat deze resultaten zich volledig binnen de sfeer van computersimulatie bevinden. De onderzoekers hebben deze moleculen nog niet getest in een laboratorium of in levende cellen. De voorspellingen over hoe goed ze binden, hoe ze bewegen en hoe ze het lichaam zouden kunnen beïnvloeden, zijn gebaseerd op wiskundige modellen en algoritmen. Hoewel de simulaties zeer gedetailleerd zijn en de resultaten consistent zijn over verschillende methoden, blijven het hypothesen totdat ze door fysiek experiment worden bewezen. De studie stelt expliciet dat de door de computer berekende bindingsenergieën waarschijnlijk overschattingen zijn en dat de werkelijke sterkte van de interactie in een nat laboratorium gemeten moet worden. Het team erkent dat de weg van een computervoorspelling naar een werkend medicijn lang en onzeker is, vol met potentiële mislukkingen in chemische synthese, toxiciteit en effectiviteit.

Ondanks deze beperkingen biedt de studie een duidelijke en veelbelovende richting voor toekomstig onderzoek. De twee kandidaat-moleculen, ZINC9412756 en ZINC20724474, vertegenwoordigen een nieuwe klasse van potentiële behandelingen die structureel verschillend zijn van alles wat momenteel beschikbaar is. Ze werden gevonden via een methode die erin slaagde de snelheid van kunstmatige intelligentie te combineren met de precisie van natuurkundige simulatie om door een enorm chemisch landschap te navigeren. De onderzoekers hebben een paar moleculen geïdentificeerd die, in de digitale wereld, in staat lijken om het duale verdedigingssysteem uit te schakelen dat dit agressieve kanker type beschermt. De volgende stap, zoals beschreven door de auteurs, is het synthetiseren van deze verbindingen en het testen ervan in het laboratorium om te zien of de voorspellingen van de computer in de werkelijkheid standhouden. Als dat zo is, kunnen deze moleculen een nieuwe hoop bieden voor patiënten met een ziekte die weinig effectieve behandelopties heeft, en eindelijk de cyclus van resistentie doorbreken die eerdere inspanningen heeft gestremd.