La IA diseña péptidos específicos de estado que actúan sobre los GPCR como agonistas o antagonistas
Un nuevo pipeline de IA llamado HelixFold-Multistate diseña péptidos que activan o bloquean selectivamente receptores diana de fármacos clave con potencia nanomolar.
Resumen
Investigadores de Baidu y Zonsen PepLib desarrollaron un pipeline computacional denominado HelixFold-Multistate para diseñar péptidos dirigidos a receptores acoplados a proteínas G (GPCRs) en sus estados conformacionales activo o inactivo. Al combinar un módulo de generación de péptidos con un modelo de plegamiento estructural ajustado, el sistema puede distinguir entre conformaciones del receptor que favorecen agonistas y aquellas que favorecen antagonistas. El modelo fue validado frente a estructuras experimentales reales y posteriormente aplicado a tres dianas terapéuticas de GPCRs. Generó con éxito péptidos agonistas para el receptor de apelina (APJR) con una EC50 inferior a 10 nM, péptidos agonistas y antagonistas para el receptor secretagogo de la hormona de crecimiento (GHSR), y un inhibidor competitivo para el receptor GLP-1 con una IC50 de 874 nM, demostrando tanto precisión en el diseño como reproducibilidad experimental.
Resumen detallado
Los receptores acoplados a proteínas G (GPCR, por sus siglas en inglés) se encuentran entre los objetivos farmacológicos más importantes de la medicina, ya que regulan la frecuencia cardíaca, la secreción hormonal, el metabolismo, la señalización neurológica y más. La mayoría de los fármacos existentes dirigidos a GPCR son moléculas pequeñas, pero los péptidos ofrecen una selectividad y potencia superiores. Un desafío persistente es que los GPCR existen en múltiples estados conformacionales —activo e inactivo— y la función de un péptido como agonista (activador) o antagonista (bloqueador) depende de cuál de estos estados estabiliza. Hasta ahora, la mayoría de las herramientas de diseño de péptidos basadas en inteligencia artificial ignoraban esta distinción.
Un equipo de la división de NLP de Baidu y de Zonsen PepLib Biotech desarrolló HelixFold-Multistate (HF-Multistate), un modelo de plegamiento estructural ajustado de forma específica que incorpora información sobre las conformaciones de los GPCR dependiente del estado funcional. El modelo fue entrenado con estructuras de complejos GPCR–péptido extraídas de la base de datos GPCRdb y optimizado para predecir con precisión tanto la interfaz de unión péptido–receptor como la conformación funcional de las hélices transmembrana (TM) clave, en particular TM3 y TM6 en los GPCR de clase A, y TM3, TM6 y TM7 en los de clase B, las cuales son críticas para la activación.
Al compararse con AlphaFold-Multimer, HelixFold-Multimer y AlphaFold-Multistate, HF-Multistate alcanzó el mejor rendimiento en las puntuaciones DockQ (precisión de la interfaz) y el menor RMSD en los dominios TM clave. En particular, superó a AlphaFold-Multistate en la predicción de interacciones péptido–GPCR, a pesar de utilizar un único modelo con cinco semillas aleatorias en lugar de un conjunto de cinco modelos ejecutados cinco veces, lo que lo hace computacionalmente más eficiente. De manera decisiva, distinguió correctamente los estados activo e inactivo del receptor en casos donde AF-Multimer fracasó por completo.
El flujo de trabajo se aplicó a tres dianas de GPCR. Para APJR (receptor de apelina), se generaron y validaron experimentalmente péptidos agonistas y antagonistas; los agonistas alcanzaron valores de EC50 por debajo de 10 nM, situándose entre los más potentes descritos hasta la fecha. Para GHSR (receptor secretagogo de la hormona de crecimiento), también se diseñaron con éxito péptidos agonistas y antagonistas. Para GLP-1R (receptor del péptido similar al glucagón tipo 1), se identificó un péptido inhibidor competitivo con un IC50 de 874 nM. Las puntuaciones de confianza estructural de HF-Multistate correlacionaron de forma sólida con los datos experimentales de afinidad de unión tanto en la categoría de agonistas como en la de antagonistas, lo que valida la utilidad del modelo como herramienta de cribado.
El flujo de trabajo aborda una brecha en el campo: si bien el diseño de péptidos agonistas ha experimentado avances, el diseño de péptidos antagonistas para GPCR es considerablemente más difícil y está clínicamente poco explorado. Este marco ofrece un enfoque generalizable para diseñar péptidos terapéuticos selectivos por estado para cualquier GPCR con datos estructurales conocidos, con posibles implicaciones en enfermedades metabólicas, afecciones cardiovasculares y trastornos endocrinos.
Hallazgos clave
- 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.
Metodología
El estudio empleó un proceso de dos etapas: un módulo de generación de péptidos produjo secuencias candidatas, y posteriormente HF-Multistate (una versión ajustada de HelixFold-Multimer que incorpora modelado del dominio TM específico por estado) predijo las estructuras de los complejos y las puntuó. La evaluación utilizó las métricas DockQ, iRMS y TM-RMSD sobre un conjunto de reserva de estructuras cristalinas recientes de complejos GPCR–péptido de GPCRdb, seguida de validación en laboratorio húmedo que incluyó ensayos de afinidad de unión para tres dianas GPCR.
Limitaciones del estudio
El pipeline se demostró únicamente en tres dianas GPCR, lo que limita las afirmaciones sobre su generalización. La afinidad de los péptidos antagonistas (IC50 ~874 nM para GLP-1R) sigue siendo moderada y podría requerir una optimización adicional para su utilidad clínica. El método depende de estructuras experimentales disponibles de GPCR; los receptores que carecen de estructuras de alta calidad en estado activo e inactivo podrían no beneficiarse en igual medida.
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.
Introduce tu correo electrónico para suscribirte: