A Reproducible Scaffold-Aware AI Workflow for Prioritizing Candidate Ligands for KRAS G12C Switch-II Pocket
Dit artikel presenteert een reproduceerbare, open-source computationele workflow die QSAR-modellering, BRICS-gebaseerde analogongeneratie en moleculaire docking integreert om nieuwe KRAS G12C Switch-II pocket-liganden te prioriteren, wat resulteert in een transparante lijst van kandidaten met een hoog vertrouwen voor toekomstige experimentele validatie.
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 begint vaak wanneer een minuscule moleculaire schakelaar in een cel vast komt te zitten in de "aan"-positie, waardoor de cel gedwongen wordt om zonder te stoppen te groeien en te delen. Een van de meest voorkomende boosdoeners achter deze ongecontroleerde groei is een eiwit genaamd KRAS. In gezonde cellen fungeert dit eiwit als een betrouwbaar verkeerslicht, dat schakelt tussen een actieve staat die groei signaleert en een inactieve staat die het pauzeert. Wanneer er echter een specifieke mutatie optreedt—waarbij één bouwsteen in de structuur van het eiwit verandert—blokkeert de schakelaar, waardoor de cel permanent in een overdrive terechtkomt. Deze defectfunctie is een primaire drijfveer in verschillende dodelijke kankersoorten, waaronder die van de pancreas, de dikke darm en de longen. Decennialang beschouwden wetenschappers dit eiwit als bijna onmogend te behandelen omdat het oppervlak glad en glibberig is, waardoor er geen duidelijke plek is waar een medicijn zich aan kan vasthouden. De ontdekking van een verborgen, tijdelijke holte op het oppervlak van een specifieke gemuteerde versie van dit eiwit, bekend als KRAS G12C, veranderde het landschap. Deze holte, die opent en sluit terwijl het eiwit "ademt", stelt onderzoekers in staat om moleculen te ontwerpen die naar binnen glippen en de schakelaar in de "uit"-positie vergrendelen. Hoewel sommige medicijnen die deze holte targeten al de patiënten hebben bereikt, vinden kankercellen vaak manieren om ze te weerstaan, wat een dringende behoefte creëert aan nieuwe, betere kandidaten om in het laboratorium te testen.
In dit onderzoek heeft een onderzoeker van Ewha Womans University een transparante, stapsgewijze computerworkflow ontwikkeld die ontworpen is om potentiële medicijnmoleculen te sorteren en de meest veelbelovende te identificeren voordat er enige fysieke test begint. Het doel was niet om een nieuwe wiskundige formule uit te vinden, maar om een betrouwbaar, open-source recept te creëren dat andere wetenschappers kunnen volgen om nieuwe leads te vinden. Het proces begon met het verzamelen van gegevens over 400 bekende moleculen die al enige mate van vermogen hadden getoond om het KRAS-eiwit te remmen. De onderzoeker heeft deze gegevens opgeschoond, waarbij activiteitsmetingen werden omgezet naar een standaard schaal, en vervolgens een machine learning-model gebruikt om de patronen te leren die een molecuul effectief maken. Om te garanderen dat het model werkelijk nieuwe soorten chemicaliën kan verwerken, heeft de onderzoeker het getest met een strikte methode waarbij het model werd gevraagd de activiteit te voorspellen van moleculen die gebouwd zijn op volledig andere structurele kaders dan de moleculen die het eerder had bestudeerd. Het model presteerde goed genoeg om moleculen te rangschikken op basis van hun waarschijnlijke effectiviteit, hoewel de onderzoeker opmerkte dat het beter was in het sorteren van goede kandidaten van slechte kandidaten dan in het voorspellen van exacte sterkteniveaus.
Zodra het model gevalideerd was, gebruikte de onderzoeker het om 400 nieuwe, hypothetische medicijnkandidaten te generen door bekende actieve moleculen uit elkaar te halen en hun onderdelen op nieuwe manieren te combineren, een techniek die de omgeving van de chemische ruimte verkent zonder te ver af te wijken van wat bekend is als werkend. Deze nieuwe kandidaten werden vervolgens onderworpen aan een reeks praktische filters om de moleculen te verwijderen die chemisch instabiel waren of waarschijnlijk bijwerkingen zouden veroorzaken, waardoor de lijst werd teruggebracht tot 57 levensvatbare opties. De top 20 van deze overlevenden werden vervolgens in een computersimulatie van de verborgen holte van het KRAS-eiwit geplaatst om te zien hoe goed ze pasten. Deze stap controleerde of de vormen en chemische groepen van de moleculen fysiek in de doelplek konden gaan zitten en de nodige verbindingen konden vormen om het eiwit op zijn plaats te houden. De uiteindelijke rangschikking combineerde de machine learning-voorspelling van hoe actief een molecuul zou kunnen zijn met de computersimulatie van hoe goed het paste, waarbij iets meer gewicht werd toegekend aan de activiteitsvoorspelling.
Het resultaat van dit rigoureuze sorteerproces was een geprioriteerde lijst van twintig kandidaat-moleculen, waarbij één specifiek bestand, gelabeld als K1, naar voren kwam als de beste keuze. Dit molecuul werd voorspeld zeer actief te zijn en vertoonde een sterke pasvorm binnen de holte van het eiwit, waarbij het specifieke verbindingen vormde met drie cruciale delen van het binnenste van het eiwit. De onderzoeker was echter voorzichtig om te benadrukken dat deze bevindingen strikt computationele hypothesen zijn. De studie heeft deze moleculen niet getest in een levende cel of in een reageerbuis, dus hun werkelijke vermogen om kankergroei te stoppen blijft onbewezen. De waarde van het werk ligt in de helderheid van het proces zelf: het biedt een volledig gedocumenteerd, reproduceerbaar pad dat andere wetenschappers kunnen gebruiken om hun eigen kandidaten te generen en te evalueren. Door een duidelijk spoor te bieden van hoe elk molecuul werd geselecteerd, gefilterd en gerangschikt, biedt de studie een praktisch startpunt voor de volgende fase van ontdekking, waarbij deze door de computer gegenereerde ideeën eindelijk in het natte laboratorium getest kunnen worden om te zien of ze werkelijk de kanker-schakelaar kunnen uitzetten.
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.