Integrated Machine Learning and Structure-Based Computational Prioritization of KIF11 Inhibitor Candidates for CNS-Oriented Drug Discovery
Deze studie presenteert een geïntegreerde machine learning- en structuurgebaseerde computationele workflow die succesvol vijf structureel diverse KIF11-remmerkandidaten met een hoge voorspelde potentie en bloed-hersenbarrière-permeabiliteit heeft geprioriteerd voor gebruik bij CNS-georiënteerde oncologische geneesmiddelenontwikkeling.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Kanker is een ziekte van ongecontroleerde groei, waarbij cellen zich zonder te stoppen blijven delen. Om dit ongecontroleerde proces te stoppen, zoeken wetenschappers vaak naar manieren om de machinerie te verstoren die cellen in staat stelt om in tweeën te splitsen. Een cruciaal onderdeel van deze machinerie is een eiwit genaamd KIF11, dat fungeert als een moleculaire motor om het interne steigersysteem te organiseren dat nodig is voor celdeling. Wanneer dit eiwit wordt geblokkeerd, kan de cel niet goed delen en sterft deze uiteindelijk af. Dit maakt KIF11 een veelbelovend doelwit voor nieuwe medicijnen tegen kanker. Het behandelen van kankersoorten die in de hersenen ontstaan, zoals glioblastoom, vormt echter een unieke uitdaging. De hersenen worden beschermd door een biologische barrière die de meeste stoffen buiten houdt, wat betekent dat een medicijn specifiek ontworpen moet zijn om deze muur te passeren om de tumor te bereiken. Het vinden van een molecuul dat zowel krachtig genoeg is om de kanker te stoppen als klein genoeg om de hersenen binnen te dringen, is een moeilijke evenwichtsoefening voor onderzoekers.
In een recente studie heeft een team wetenschappers uit India een nieuwe computergestuurde strategie ontwikkeld om potentiële medicijnen te vinden die dit probleem kunnen oplossen. In plaats van duizenden chemicaliën één voor één in een laboratorium te testen, wat traag en duur is, gebruikten zij geavanceerde computerprogramma's om te simuleren hoe verschillende moleculen met het KIF11-eiwit zouden kunnen interageren. De onderzoekers begonnen met het verzamelen van een enorme collectie bestaande gegevens over hoe diverse chemicaliën KIF11 beïnvloeden, waarbij ze de informatie opschoonden om ervoor te zorgen dat deze accuraat en consistent was. Vervolgens leerden ze een computersysteem patronen te herkennen in de vormen en chemische eigenschappen van deze moleculen, waardoor het systeem kon voorspellen welke nieuwe, niet-geteste chemicaliën effectieve remmers zouden kunnen zijn. Om hun voorspellingen betrouwbaar te maken, gebruikten ze een strikte methode waarbij de computer leerde van één groep chemicaliën en werd getest op een volledig andere groep die het nog nooit eerder had gezien, om te voorkomen dat het systeem simpelweg de antwoorden uit het hoofd leerde.
Het computermodel identificeerde succesvol verschillende veelbelovende kandidaten, maar de onderzoekers stopten daar niet. Ze wilden weten of deze moleculen daadwerkelijk in de specifieke holte op het KIF11-eiwit pasten waar ze moeten binden om hun werk te doen. Met behulp van een techniek genaamd moleculaire docking simuleerden zij de fysieke interactie tussen de beste kandidaten en de eiwitstructuur. Dit proces is vergelijkbaar met het proberen te passen van een sleutel in een slot om te zien of de vorm overeenkomt, maar dan volledig binnen een computer uitgevoerd. De simulaties toonden aan dat de geselecteerde moleculen inderdaad in de juiste plek op het eiwit konden gaan zitten. Het team voerde ook controles uit om te zien of deze moleculen de bloed-hersenbarrière zouden kunnen passeren en de hersenen zouden bereiken, evenals of ze veilig genoeg zouden zijn voor het menselijk lichaam. Ze ontdekten dat de beste kandidaten een zeer hoge waarschijnlijkheid hadden om de hersenen binnen te dringen, wat een cruciale vereiste is voor de behandeling van hersentumoren.
Onder de geïdentificeerde moleculen viel er één er bijzonder uit als de meest veelbelovende. Deze verbinding, bekend onder de code CHEMBL392148, werd voorspeld zeer effectief te zijn in het stoppen van het KIF11-eiwit en had een uitstekende kans om de hersenen binnen te dringen. De onderzoekers keken ook nauwgezet naar de chemische structuur van dit molecuul en andere om er zeker van te zijn dat ze geen onderdelen bevatten die bekend staan als toxisch of instabiel. Hoewel één van de kandidaten een klein waarschuwingssignaal vertoonde met betrekking tot een specifiek chemisch kenmerk, bleek de topkeuze schoon en veilig te zijn op basis van de computermodellen. De studie benadrukte ook een potentieel veiligheidsrisico: alle vijf de beste kandidaten vertoonden een signaal dat ze mogelijk het elektrische systeem van het hart zouden kunnen beïnvloeden, een risico dat in een echt laboratorium getest zou moeten worden voordat er sprake kan zijn van menselijk gebruik.
De onderzoekers benadrukken dat deze bevindingen een startpunt zijn, en geen eindproduct. De moleculen die zij hebben geïdentificeerd, zijn nog slechts computervoorspellingen. De volgende stap zou zijn om deze chemicaliën in een laboratorium te synthetiseren en ze op werkelijke eiwitten en cellen te testen om te zien of ze zich gedragen zoals de computer heeft voorspeld. De studie biedt een duidelijk, rationeel pad vooruit en biedt een shortlist van specifieke chemische structuren die verdere onderzoeksintensiteit waard zijn. Door machine learning te combineren met gedetailleerde structurele analyse, heeft het team de zoektocht naar een nieuw medicijn tegen hersenkanker teruggebracht tot een handvol hoogwaardige kandidaten, waardoor tijd en middelen worden bespaard en de inspanningen gericht kunnen worden op de meest waarschijnlijke oplossingen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.