Non più incurabile: l'intelligenza artificiale colpisce le proteine disordinate e sblocca gli obiettivi terapeutici / Undruggable No More: AI Hits Disordered Proteins, Unlocks Therapy Targets
Non più incurabile: l'intelligenza artificiale colpisce le proteine disordinate e sblocca gli obiettivi terapeutici / Undruggable No More: AI Hits Disordered Proteins, Unlocks Therapy Targets
Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa
Storicamente, gli sviluppatori di farmaci hanno concentrato la loro attenzione sul targeting delle strutture proteiche precise e calibrate alla base delle funzioni biologiche. Tuttavia, questo approccio trascura oltre il 50% del proteoma umano, che è altamente flessibile e oscilla tra diverse conformazioni per guidare una vasta gamma di vie metaboliche correlate alle malattie, tra cui la segnalazione del dolore, la progressione del cancro e le malattie neurologiche. Queste regioni intrinsecamente disordinate (IDR) sono state a lungo incontrollate dai potenziali leganti dei farmaci, sfoggiando il titolo di "non farmacologiche"... fino ad ora.
I ricercatori del laboratorio del Premio Nobel David Baker, PhD, hanno ora sviluppato approcci di intelligenza artificiale complementari che progettano leganti proteici per gli IDR con tassi di successo ed affinità inediti. I metodi adottano un approccio basato sulla sequenza amminoacidica, che non richiede informazioni strutturali, per facilitare la scoperta di farmaci altamente generalizzabile su una nuova serie di bersagli terapeutici. Il lavoro è documentato in un articolo pubblicato su Science intitolato " Design of intrinsically disordered region binding proteins " e in un preprint su bioRxiv non ancora sottoposto a peer review.
"C'è stata una crescente consapevolezza dell'importanza delle proteine disordinate in biologia, ma è stato molto difficile progettare dei leganti per esse", ha affermato Baker in un'intervista con GEN . "Lo chiamo 'farmaciare l'infarmaceutico'. Si trattava di una classe molto ampia di bersagli difficili da trattare con un farmaco, che in precedenza non riuscivamo a colpire."
Tra la vasta gamma di proteine contenenti IDR che sono state colpite con successo dal laboratorio Baker vi erano la dinorfina, un recettore degli oppioidi implicato nel dolore cronico, una variante di BRCA1, una proteina di riparazione del DNA implicata nel cancro al seno, e l'amilina, un ormone i cui leganti progettati hanno dimostrato di dissolvere le fibrille amiloidi associate al diabete di tipo 2.
Baker, ricercatore presso l'Howard Hughes Medical Institute (HHMI) e direttore dell'Institute for Protein Design presso l'Università di Washington (UW), ha ricevuto il Premio Nobel per la Chimica 2024 per il suo lavoro pionieristico nell'ambito dell'intelligenza artificiale per la progettazione di proteine. Negli ultimi anni, il suo laboratorio ha sviluppato RFdiffusion, un modello di intelligenza artificiale basato sulla diffusione che genera proteine da zero ( de novo ) per consentire ampie applicazioni nell'immunoterapia del cancro, nella catalisi enzimatica, nella neutralizzazione della tossina di serpente ed, ora, nel targeting degli IDR.
Più facile delle proteine ordinate
Sebbene gli approcci convenzionali per colpire gli IDR abbiano cercato di sviluppare leganti anticorpali tramite immunizzazioni animali, gli IDR sono altamente soggetti a scissione ed aggregazione una volta iniettati nell'animale. Inoltre, i precedenti metodi computazionali per la progettazione dei leganti si basavano sulla pre-specificazione della geometria dell'IDR bersaglio, limitandone così la generalizzabilità.
Per affrontare queste sfide, il preprint descrive un approccio incentrato sulla diffusione a radiofrequenza (RFdiffusion), che eccelle nell'identificazione di strutture secondarie elicoidali ed a filamento negli IDR per la progettazione di leganti. Questa propensione alla struttura secondaria è spiegata dall'addestramento del modello su proteine note presenti nel Protein Data Bank (PDB). I leganti IDR generati sono stati in grado di raggiungere forti affinità nanomolari e picomolari, "corrispondenti alle interazioni più forti in natura", ha sottolineato Caixuan Liu, PhD, ricercatore post-dottorato nel laboratorio Baker e coautore principale del preprint.
Al contrario, il metodo descritto nell'articolo scientifico, denominato "Logos", adotta un approccio incentrato sulle catene laterali, che crea una libreria di "tasche" che riconoscono gruppi di catene laterali di amminoacidi. La diffusione a radiofrequenza genera quindi una molecola legante che collega efficacemente le tasche in un'unica struttura. Logos ha progettato leganti per 39 bersagli non strutturati altamente diversificati e ha ottenuto affinità da picomolare a nanomolare in 34 casi.
Kejia Wu, PhD, ricercatrice post-dottorato presso il laboratorio Baker e co-autrice principale dell'articolo su Science, lavora sulle proteine disordinate fin dall'inizio del suo percorso di dottorato, sei anni fa. Ha spiegato che l'ascesa di potenti approcci di intelligenza artificiale, come AlphaFold e RFdiffusion, ha aperto la strada a sfide di progettazione proteica che storicamente si sono scontrate con ostacoli.
"Mi piace questo problema perché è così complicato. Come scienziati, dovremmo essere motivati a cercare di trovare uno schema nel caos", ha detto Wu a GEN . "Abbiamo fatto molti progressi nella progettazione computazionale delle proteine e negli studi in vitro ".
Baker ha sottolineato che la produzione di leganti per proteine disordinate è "quasi diventata più facile" rispetto a quella per proteine ordinate, grazie al concetto di adattamento indotto. Data la natura non strutturata degli IDR, entrambi i metodi possono campionare un'ampia varietà di conformazioni per identificare i migliori candidati al legame. Questo concetto è in contrasto con le controparti proteiche ordinate, le cui strutture fisse limitano il numero di soluzioni di legame ottimali.
"Anche se la proteina è dispiegata da sola, assumerà una struttura specifica quando interagisce con il legante progettato", ha spiegato Baker. "Il legante essenzialmente forza il peptide in una conformazione che si adatta bene al legame ."
Il laboratorio Baker ha reso disponibili online gli strumenti complementari per la progettazione del legante IDR, affinché tutti i ricercatori possano utilizzarli. I prossimi passi della ricerca amplieranno la metodologia per tenere conto delle modifiche post-traduzionali IDR coinvolte nella regolazione delle funzioni biologiche.
ENGLISH
David Baker’s Nobel Prize-winning lab has successfully designed high affinity binders to disordered proteins, expanding therapeutic access to over 50% of the human proteome.
Drug developers have historically glued their attention to targeting the precise and fine-tuned protein structures underlying biological function. Yet this approach misses over 50% of the human proteome, which is highly flexible, flopping between conformations to drive a wealth of disease-related pathways, including pain signaling, cancer progression, and neurological disease. These intrinsically disordered regions (IDRs) have long been untamed by candidate drug binders, flaunting the title, “undruggable”… until now.
Researchers from the lab of Nobel Laureate David Baker, PhD, have now developed complementary AI approaches that design protein binders to IDRs with newfound success rates and affinity. The methods take an amino acid sequence-based approach, which does not require structural information, to facilitate highly generalizable drug discovery on a new trove of therapy targets. The work is documented in a paper published in Science titled “Design of intrinsically disordered region binding proteins,” and a preprint on bioRxiv that has not yet been peer reviewed.
“There’s been a growing appreciation of the importance of disordered proteins in biology, but it’s been very hard to design binders to them,” said Baker in an interview with GEN. “I call this ‘drugging the undruggable.’ This was a very large class of difficult-to-drug targets that we previously could not hit.”
Among the diverse array of IDR-containing proteins that were successfully targeted by the Baker lab included dynorphin, an opioid receptor implicated in chronic pain, a variant of BRCA1, a DNA-repair protein implicated in breast cancer, and amylin, a hormone whose designed binders were shown to dissolve amyloid fibrils associated with type 2 diabetes.
Baker, who is a Howard Hughes Medical Institute (HHMI) investigator and the director of the Institute for Protein Design at the University of Washington (UW), was awarded the 2024 Nobel Prize in Chemistry for his work in pioneering AI for protein design. In recent years, his lab has developed RFdiffusion, a diffusion-based AI model that generates proteins from scratch (de novo) to enable broad applications across cancer immunotherapy, enzyme catalysis, neutralizing snake toxin, and now targeting IDRs.
Easier than ordered proteins
While conventional approaches to target IDRs have tried to develop antibody binders via animal immunizations, IDRs are highly subject to cleavage and aggregation once injected into the animal. Additionally, prior computational methods for binder design relied on pre-specification of the target IDR geometry, thereby limiting generalizability.
To address these challenges, the preprint describes an RFdiffusion-centered approach, which excels at identifying helical and strand secondary structures in IDRs for binder design. This secondary structure propensity is explained by the model’s training on known proteins in the Protein Data Bank (PDB). The generated IDR binders were able to achieve strong nanomolar to picomolar affinities, “matching nature’s strongest interactions,” highlighted Caixuan Liu, PhD, a postdoctoral researcher in the Baker lab and co-lead author of the preprint.
In contrast, the Science paper’s method, termed “logos,” takes a side-chain-centered approach, which creates a library of “pockets” that recognize sets of amino acid side chains. RFdiffusion then generates a binder molecule that effectively connects the pockets into a single structure. Logos designed binders for 39 highly diverse unstructured targets and similarly obtained picomolar to nanomolar affinities in 34 cases.
Kejia Wu, PhD, a postdoctoral researcher in the Baker lab and co-lead author of the Science paper, has been working on disordered proteins since the beginning of her graduate school journey six years ago. She explained that the rise of powerful AI approaches, such as AlphaFold and RFdiffusion, has enabled an inflection point for protein design challenges that have historically faced a wall.
“I like this problem because it’s so messy. As scientists, we should be motivated to try and find the pattern from the mess,” Wu told GEN. “We’ve made a lot of progress from a computational protein design perspective and in in vitro studies.”
Baker emphasized that making binders to disordered proteins has “almost become easier” than ordered proteins because of the concept of induced fit. Given the unstructured nature of IDRs, both methods can sample a wide variety of conformations to identify top binding candidates. This notion contrasts with ordered protein counterparts, whose fixed structures restrict the number of optimal binding solutions.
“Even though the protein is unfolded on its own, it will adopt a specific structure when it interacts with the designed binder,” explained Baker. “The binder essentially forces the peptide into a conformation which is well suited to be bound.”
The Baker lab has made the complementary IDR binder design tools available online for all researchers to use. The next research steps will expand the methodology to account for IDR post-translational modifications involved in regulating biological function.
Da:
https://www.genengnews.com/topics/artificial-intelligence/undruggable-no-more-ai-hits-disordered-proteins-unlocks-therapy-targets/?_hsenc=p2ANqtz-9oLcImWAMY9RbKgfuJ_uVQvEj_Zxh1h-qJD04jriCT0LBIrNZQ-0SYfL_qBG7ea7YznJy8uOsTeKlPOPlBwU1ZQrahUU77CL2cr5GLMc2mzPM1LAQ&_hsmi=371927540
Commenti
Posta un commento