KI entwirft zustandsspezifische Peptide, die GPCRs als Agonisten oder Antagonisten gezielt adressieren
Eine neue KI-Pipeline namens HelixFold-Multistate entwickelt Peptide, die wichtige Arzneimittelzielrezeptoren mit nanomolarer Potenz selektiv aktivieren oder blockieren.
Zusammenfassung
Forscher bei Baidu und Zonsen PepLib entwickelten eine computergestützte Pipeline namens HelixFold-Multistate, um Peptide zu entwerfen, die G-Protein-gekoppelte Rezeptoren (GPCRs) in ihren aktiven oder inaktiven Konformationszuständen ansteuern. Durch die Kombination eines Peptid-Generierungsmoduls mit einem fein abgestimmten strukturellen Faltungsmodell kann das System zwischen agonist- und antagonistbegünstigenden Rezeptorkonformationen unterscheiden. Das Modell wurde anhand realer experimenteller Strukturen validiert und anschließend auf drei therapeutische GPCR-Ziele angewendet. Es gelang dabei, Agonist-Peptide für den Apelin-Rezeptor (APJR) mit einem EC50 unter 10 nM zu generieren, Agonist- und Antagonist-Peptide für den Wachstumshormon-Sekretagogen-Rezeptor (GHSR) zu entwickeln sowie einen kompetitiven Inhibitor für den GLP-1-Rezeptor mit einem IC50 von 874 nM herzustellen – was sowohl Designpräzision als auch experimentelle Reproduzierbarkeit unter Beweis stellt.
Detaillierte Zusammenfassung
G-Protein-gekoppelte Rezeptoren (GPCRs) gehören zu den wichtigsten Arzneimittelzielen in der Medizin und regulieren Herzfrequenz, Hormonsekretion, Stoffwechsel, neurologische Signalübertragung und mehr. Die meisten bestehenden GPCR-Wirkstoffe sind niedermolekulare Verbindungen, doch Peptide bieten eine überlegene Selektivität und Wirksamkeit. Eine seit Langem bestehende Herausforderung besteht darin, dass GPCRs in mehreren Konformationszuständen existieren – aktiv und inaktiv – und die Funktion eines Peptids als Agonist (Aktivator) oder Antagonist (Blocker) davon abhängt, welchen Zustand es stabilisiert. Bislang ignorierten die meisten KI-gestützten Peptiddesign-Tools diese Unterscheidung.
Ein Team aus Baidus NLP-Abteilung und Zonsen PepLib Biotech entwickelte HelixFold-Multistate (HF-Multistate), ein feinabgestimmtes strukturelles Faltungsmodell, das zustandsspezifische Informationen über GPCR-Konformationen einbezieht. Das Modell wurde auf GPCR-Peptid-Komplexstrukturen aus der GPCRdb-Datenbank trainiert und darauf optimiert, sowohl die Bindungsschnittstelle zwischen Peptid und Rezeptor als auch die funktionelle Konformation wichtiger Transmembran (TM)-Helices präzise vorherzusagen – insbesondere TM3 und TM6 bei Klasse-A-GPCRs sowie TM3, TM6 und TM7 bei Klasse-B-GPCRs, die für die Aktivierung entscheidend sind.
Im Vergleich mit AlphaFold-Multimer, HelixFold-Multimer und AlphaFold-Multistate erzielte HF-Multistate die besten Ergebnisse bei DockQ-Scores (Schnittstellengenauigkeit) und den niedrigsten RMSD-Werten über die wichtigsten TM-Domänen hinweg. Bemerkenswerterweise übertraf es AlphaFold-Multistate bei der Vorhersage von Peptid-GPCR-Interaktionen, obwohl es ein einzelnes Modell mit fünf zufälligen Startwerten verwendete anstatt eines Ensembles aus fünf Modellen, die jeweils fünf Mal ausgeführt wurden – was es rechnerisch effizienter macht. Entscheidend ist, dass es aktive von inaktiven Rezeptorzuständen in Fällen korrekt unterschied, in denen AF-Multimer vollständig versagte.
Die Pipeline wurde auf drei GPCR-Zielstrukturen angewendet. Für APJR (Apelin-Rezeptor) wurden sowohl Agonisten- als auch Antagonisten-Peptide generiert und experimentell validiert; Agonisten erreichten EC50-Werte unter 10 nM und zählen damit zu den wirksamsten bisher berichteten. Für GHSR (Growth Hormone Secretagogue Receptor) wurden ebenfalls erfolgreich Agonisten- und Antagonisten-Peptide entwickelt. Für GLP-1R (Glucagon-Like Peptide-1 Receptor) wurde ein kompetitives Inhibitor-Peptid mit einem IC50-Wert von 874 nM identifiziert. Die strukturellen Konfidenzwerte von HF-Multistate korrelierten stark mit experimentellen Bindungsaffinitätsdaten sowohl in der Agonisten- als auch in der Antagonistenkategorie, was den Nutzen des Modells als Screening-Tool bestätigt.
Die Pipeline schließt eine Lücke in diesem Forschungsbereich: Während das Design von Agonisten-Peptiden Fortschritte verzeichnet hat, ist das Design von Antagonisten-Peptiden für GPCRs erheblich schwieriger und klinisch weniger erforscht. Dieses Framework bietet einen verallgemeinerbaren Ansatz für die Entwicklung zustandsselektiver Peptid-Therapeutika für jeden GPCR mit bekannten Strukturdaten, mit potenziellen Implikationen für Stoffwechselerkrankungen, kardiovaskuläre Erkrankungen und endokrine Störungen.
Wichtigste Erkenntnisse
- HF-Multistate outperformed AF-Multimer and AF-Multistate on GPCR–peptide interface prediction using DockQ and iRMS metrics.
- APJR agonist peptides achieved EC50 below 10 nM, among the highest potencies reported for this receptor.
- A GLP-1R competitive inhibitor peptide was designed with IC50 of 874 nM, rare for a peptide antagonist at this target.
- The model correctly distinguished active vs. inactive GPCR states where standard AlphaFold-Multimer failed.
- Structural confidence scores from HF-Multistate correlated with experimental binding affinity for both agonists and antagonists.
Methodik
Die Studie verwendete eine zweistufige Pipeline: Ein Peptid-Generierungsmodul erzeugte Kandidatensequenzen, anschließend sagte HF-Multistate – eine feinabgestimmte Version von HelixFold-Multimer mit zustandsspezifischer TM-Domänen-Modellierung – Komplexstrukturen vorher und bewertete diese. Die Auswertung erfolgte anhand der Metriken DockQ, iRMS und TM-RMSD an einem zurückgehaltenen Testsatz aktueller GPCR-Peptid-Kristallstrukturen aus GPCRdb, gefolgt von einer Nasslab-Validierung einschließlich Bindungsaffinitätstests für drei GPCR-Zielstrukturen.
Studienlimitierungen
Die Pipeline wurde lediglich an drei GPCR-Targets demonstriert, was die Aussagekraft hinsichtlich der Verallgemeinerbarkeit einschränkt. Die Affinität der Antagonisten-Peptide (IC50 ~874 nM für GLP-1R) ist moderat und erfordert möglicherweise weitere Optimierungen für den klinischen Einsatz. Die Methode ist auf verfügbare experimentelle GPCR-Strukturen angewiesen; Rezeptoren, für die keine hochwertigen Strukturen im aktiven und inaktiven Zustand vorliegen, profitieren möglicherweise nicht in gleichem Maße.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: