Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

In de hooggestoken wereld van medicijnontwikkeling worden wetenschappers vaak geconfronteerd met een puzzel die voelt als het proberen af te stemmen van een radio op een specifieke frequentie zonder de zender te veranderen. Ze hebben een veelbelovend molecuul, een chemische structuur die potentie vertoont om een ziekte te bestrijden, maar het heeft verfijning nodig. Om een medicijn beter te laten werken in het menselijk lichaam, moeten onderzoekers specifieke fysieke eigenschappen aanpassen, zoals hoeveel waterstofbruggen het molecuul kan vormen, hoeveel ringvormige structuren het bevat, of hoeveel delen ervan kunnen draaien en buigen. Deze aanpassingen zijn cruciaal omdat ze bepalen of een medicijn door het lichaam kan worden opgenomen of dat het er simpelweg doorheen zal glippen. Het probleem is echter dat het maken van deze wijzigingen berucht moeilijk is. Als een wetenschapper probeert één deel van het molecuul aan te passen om de absorptie te verbeteren, breken ze vaak per ongeluk een ander deel, waardoor de capaciteit van het medicijn om aan zijn doelwit te binden, wordt verpest. De uitdaging ligt in het maken van nauwkeurige, gecontroleerde bewerkingen aan een complexe chemische structuur zonder de kernidentiteit ervan te ontmantelen.

Om dit probleem op te lossen, heeft een onderzoeker aan de Shiga Universiteit een nieuwe digitale tool ontwikkend genaamd Scaffold-tuner. Denk aan een molecuul als een huis met een stevig fundament en een uniek dak; het fundament is de kernstructuur die bepaat wat voor soort gebouw het is, terwijl het dak en de muren kunnen worden aangepast. In de chemie wordt deze onveranderlijke kern een 'scaffold' genoemd. Het doel is om die scaffold intact te houden terwijl de "muren" worden vervangen om de eigenschappen van het huis te veranderen. Eerdere methoden om dit te doen waren vaak als pijlen werpen in het donker: ze genereerden duizenden willekeurige variaties, hopend dat ze er een zouden tegenkomen die werkte, of ze vertrouwden op complexe kunstmatige intelligentie die soms het fundament samen met de muren veranderde, waardoor er een compleet ander gebouw ontstond. Deze benaderingen waren inefficiënt en produceerden vaak resultaten die te veel verschilden van het oorspronkelijke medicijn om nuttig te zijn.

De nieuwe tool, Scaffold-tuner, hanteert een andere, meer doelbewuste aanpak. In plaats van te gokken of een black-box algoritme te gebruiken, maakt het gebruik van een gecureerde bibliotheek van chemische fragmenten—kleine, vooraf geteste stukjes moleculen die bekend staan om het uitvoeren van specifieke taken. Als een onderzoeker een waterstofbrugdonor wil toevoegen, selecteert de tool een fragment dat specifiek voor die taak is ontworpen. Als ze een draaibare binding willen verwijderen, kiest de tool een fragment dat de structuur op zijn plaats vergrendelt. Door deze gerichte fragmenten te combineren met de oorspronkelijke kernscaffold van het molecuul, genereert de tool nieuwe kandidaatverbindingen die gegarandeerd de kern van de oorspronkelijke structuur behouden terwijl ze de gewenste fysieke veranderingen bereiken. Het is een methode van bewerken die prioriteit geeft aan controle en voorspelbaarheid boven louter volume.

Om te testen of deze methode daadwerkelijk werkte, onderwierp de onderzoeker het aan een strenge proef met duizend medicijnachtige verbindingen uit een publieke database genaamd ChEMBL. Deze verbindingen dienden als startpunt, of "ouders", voor het experiment. De tool kreeg de opdracht om acht verschillende soorten bewerkingen uit te voeren, zoals het toevoegen of verwijderen van een waterstofbrugdonor, het toevoegen of verwijderen van een aromatische ring, of het veranderen van het aantal draaibare bindingen. Ter vergelijking werden dezelfde startverbindingen ingevoerd in drie andere methoden: een eenvoudige willekeurige bewerkingsmethode, een methode genaamd CReM die chemisch redelijke maar ongeleide veranderingen aanbrengt, en een geavanceerd kunstmatige intelligentie-systeem bekend als REINVENT4. Het doel was om te zien welke methode erin slaagde een nieuw molecuul te creëren dat aan de specifieke doelwijziging voldeed terwijl het trouw bleef aan de oorspronkelijke structuur.

De resultaten toonden aan dat Scaffold-tuner uitblonk in precisie, vooral wanneer onderzoekers slechts naar een klein aantal opties konden kijken. In een scenario waarin alleen de allereerste door elke methode gegenereerde kandidaat werd overwogen, slaagde Scaffold-tuner erin de gewenste verandering te creëren in 42,3 procent van de gevallen. Dit was aanzienlijk hoger dan de andere methoden, die respectievelijk succesvol waren in 13,9 procent, 15,6 procent en 17,1 procent van de gevallen. Deze bevinding suggereert dat wanneer een wetenschapper een snelle, betrouwbare suggestie nodig heeft om een project vooruit te helpen, Scaffold-tuner veel waarschijnlijker direct een nuttig antwoord biedt. Hoewel de kunstmatige intelligentie-tool uiteindelijk inhaalde en een grotere variëteit aan succesvolle veranderingen produceerde wanneer deze tot honderd kandidaten mocht genereren, deed het dit door veel grotere, meer drastische veranderingen aan de moleculen aan te brengen. Deze door AI gegenereerde moleculen zagen er vaak heel anders uit dan het origineel, waardoor het voor wetenschappers moeilijker werd om te begrijpen hoe de veranderingen het gedrag van het medicijn beïnvloedden.

In tegenstelling hiertoe bleven de door Scaffold-tuner geproduceerde moleculen zeer vergelijkbaar met hun ouderverbindingen. Gemiddeld behielden de succesvolle kandidaten ongeveer 75 procent van de oorspronkelijke kernscaffoldstructuur, en hun algehele gelijkenis met het startmolecuul was hoog. Dit is een cruciaal voordeel, omdat wetenschappers in de medicijnontwikkeling precies moeten weten welke verandering de activiteit heeft veroorzaakt. Als de structuur te veel verandert, wordt het onmogelijk om te bepalen of de nieuwe eigenschap voortkwam uit de beoogde aanpassing of uit een volledig nieuwe rangschikking van atomen. De studie vond dat Scaffold-tuner bijzonder effectief was bij het toevoegen van aromatische ringen, een taak waarbij de andere methoden bijna volledig faalden of moeite hadden. Het slaagde er ook in om het aantal draaibare bindingen te verhogen of te verlagen met een mate van succes die, hoewel niet perfect, consistent en betrouwbaar was.

Desalniettemin is de tool niet zonder beperkingen. De studie merkte op dat het succes van de bewerkingen sterk afhing van het specifieke type gevraagde verandering. Zo was de tool bijvoorbeeld uitstekend in het toevoegen van ringen, maar had hij moeite met het verwijderen ervan, waarbij een succespercentage van nul procent werd behaald voor die specifieke taak. Op dezelfde manier was het verhogen van het aantal draaibare bindingen moeilijk, met een succespercentage van slechts 15,2 procent. Dit geeft aan dat de tool geen universele oplossing is, maar eerder een gespecialiseerd instrument dat het best werkt voor bepaalde soorten structurele aanpassingen. De onderzoekers observeerden ook dat hoewel ze één eigenschap succesvol konden veranderen, het vaak moeilijk was om dat te doen zonder tegelijkertijd ook andere eigenschappen te veranderen. Bijvoorbeeld, het veranderen van het aantal draaibare bindingen ging vaak gepaard met onbedoelde veranderingen aan andere delen van het molecuul, een uitdaging die voor geen enkele bewerkingstool volledig te overwinnen is.

Ondanks deze beperkingen concludeert de studie dat Scaffold-tuner een waardevol nieuw kader biedt voor het vertalen van abstracte chemische doelen naar concrete moleculaire structuren. Het overbrugt de kloof tussen theoretische modellen, die voorspellen hoe een medicijn zou moeten werken, en de praktische realiteit van het bouwen van dat medicijn. Door een manier te bieden om specifieke, interpreteerbare veranderingen aan te brengen terwijl de kernidentiteit van het molecuul behouden blijft, stelt het onderzoekers in staat om de relatie tussen structuur en functie met grotere helderheid te verkennen. De tool vervangt de behoefte aan bredere, meer exploratieve methoden niet, maar vult een specifieke niche waar precisie en snelheid van groot belang zijn. Voor wetenschappers die een leidende verbinding willen verfijnen, biedt het een manier om snel een handvol zeer relevante opties te krijgen, in plaats van door duizenden willekeurige variaties te moeten zeven. De broncode van de tool is nu beschikbaar voor anderen om te gebruiken en te verbeteren, wat suggereert dat deze op eigenschappen gerichte aanpak een standaard onderdeel van de medicijnontwikkelingsgereedschapskist zou kunnen worden, wat helpt om de complexe kunst van moleculaire bewerking te veranderen in een meer voorspelbare en efficiënte wetenschap.