Im Jahr 2023 veröffentlichten Wissenschaftler des gemeinsamen Labors für Proteindesign und Immunoengineering (LPDI) der School of Engineering und der School of Life Sciences unter der Leitung von Bruno Correia in Natur eine Deep-Learning-Pipeline für die Entwicklung neuer Proteine, die mit therapeutischen Zielen interagieren. MaSIF kann Millionen von Proteinen schnell scannen, um anhand ihrer chemischen und geometrischen Oberflächeneigenschaften optimale Übereinstimmungen zwischen Molekülen zu identifizieren. Dies ermöglicht es Wissenschaftlern, neuartige Protein-Protein-Wechselwirkungen zu entwickeln, die eine Schlüsselrolle bei der Zellregulierung und -therapie spielen.
Eineinhalb Jahre später hat sich das Team erneut gemeldet Natur – eine aufregende Weiterentwicklung dieser Technologie. Sie haben MaSIF verwendet, um neuartige Proteinbinder zu entwickeln, die mit bekannten Proteinkomplexen interagieren, an denen kleine Moleküle wie therapeutische Medikamente oder Hormone beteiligt sind. Da diese gebundenen kleinen Moleküle subtile Veränderungen in den Oberflächeneigenschaften („Neooberflächen“) dieser Protein-Wirkstoff-Komplexe hervorrufen, können sie als „Ein“- oder „Aus“-Schalter für die Feinsteuerung zellulärer Funktionen wie DNA-Transkription oder Proteinabbau fungieren.
„Unsere Idee bestand darin, eine Interaktion zu konstruieren, bei der ein kleines Molekül dazu führt, dass zwei Proteine zusammenkommen. Einige Ansätze konzentrierten sich auf das Screening nach solchen kleinen Molekülen, aber wir wollten ein neues Protein entwerfen, das an einen definierten Protein-Wirkstoff-Komplex bindet.“ „, sagt LPDI-Wissenschaftler und Co-Erstautor Anthony Marchand.
Bemerkenswerterweise zeigte das Team, dass MaSIF Proteinoberflächendarstellungen („Fingerabdrücke“), die nur auf Proteinen trainiert wurden, nahtlos auf Neooberflächen anwenden konnte, die aus Protein-Wirkstoff-Komplexen entstehen. Während die meisten lernbasierten Proteindesignsysteme nur mit Aminosäurebausteinen aus der Natur arbeiten, könnte MaSIF aufgrund seiner Empfindlichkeit und Generalisierbarkeit auf kleine Moleküle zum Design chemisch induzierter Proteininteraktionen in manipulierten Zellen für medikamentengesteuerte zellbasierte Therapien oder Biosensoren verwendet werden.
Klein, aber leistungsstark
Während die Proteinbindung so einfach zu sein scheint wie das Zusammenfügen von Puzzleteilen, ist es in Wirklichkeit aufgrund der Variationen der Proteinoberfläche schwer vorherzusagen, wie und wo Bindungsereignisse stattfinden werden. Wie in ihrer vorherigen Studie entwarf das Team neuartige Proteinbinder, indem es MaSIF nutzte, um „Fingerabdrücke“ für Oberflächenmerkmale wie positive und negative Ladung, Hydrophobie, Form usw. zu erzeugen. Anschließend identifizierten sie komplementäre Oberflächen aus einer Datenbank und transplantierten Proteinfragmente digital auf größere Gerüste und ausgewählte Bindemittel, von denen vorhergesagt wurde, dass sie am besten zu ihren Zielen passen.
„Der Unterschied besteht darin, dass wir davon ausgehen, dass sich die Oberflächenmerkmale eines Proteins ändern, wenn ein kleines Molekül daran bindet und so eine Neooberfläche entsteht. MaSIF konnte diesen Unterschied mit einem hohen Maß an Empfindlichkeit erfassen“, sagt LPDI-Doktorand und Co-Autor Arne Schneuing.
Das Team validierte seine neuartigen Proteinbinder experimentell gegen drei arzneimittelgebundene Proteinkomplexe, die das Hormon Progesteron, das von der FDA zugelassene Leukämiemedikament Venetoclax bzw. das natürlich vorkommende Antibiotikum Actinonin enthielten. Die mit MaSIF entwickelten Proteinbinder erkannten erfolgreich jeden Wirkstoff-Protein-Komplex mit hoher Affinität. Die Forscher erklären, dass dies möglich war, weil MaSIF auf allgemeinen Oberflächenmerkmalen basiert, die für Proteine und kleine Moleküle gleichermaßen gelten, sodass sie die Merkmale kleiner Moleküle auf denselben Deskriptorraum abbilden konnten, auf dem MaSIF für Proteine trainiert wurde.
„MaSIF verfügt über eine relativ kleine Anzahl von Parametern – etwa 70.000 im Vergleich zu Milliarden bei großen Deep-Learning-Systemen wie ChatGPT. Dies ist möglich, weil wir nur wichtige Oberflächenmerkmale verwenden, was zu einem hohen Abstraktionsgrad führt. Mit anderen Worten: Das tun wir nicht.“ Geben Sie dem System ein vollständiges Bild; nur den Teil, von dem wir glauben, dass er für die Lösung des Problems von Bedeutung ist“, sagt Schneuing.
Bessere Kontrolle der CAR-T-Zellen
Eine spannende mögliche Anwendung dieser Arbeit ist die Feinsteuerung zellbasierter Krebsbehandlungen wie der Therapie mit chimären Antigenrezeptoren (CAR-T), bei der es darum geht, die T-Zellen eines Patienten so zu manipulieren, dass sie den Krebs besser bekämpfen. Aber nachdem sie dem Patienten wieder zugeführt werden, können veränderte Zellen die falschen Ziele angreifen – was möglicherweise schädliche Nebenwirkungen verursacht – oder ihre Fähigkeit, Krebs zu bekämpfen, erschöpfen. In einem Proof-of-Concept-Experiment zeigte das EPFL-Team, dass ein mit MaSIF entwickeltes Venetoclax-induzierbares System die tumortötende Aktivität von CAR-T-Zellen wirksam einschaltet in vitro.
„Wenn man die raumzeitliche Aktivität zellbasierter Therapien mit kleinen Molekülschaltern präzise steuern kann, dann kann man die Sicherheit und Wirksamkeit der Behandlung wirklich verbessern“, fasst LPDI-Doktorand und Co-Erstautor Stephen Buckley zusammen.
