L'IA conçoit des peptides spécifiques à un état qui ciblent les GPCR en tant qu'agonistes ou antagonistes
Un nouveau pipeline d'IA nommé HelixFold-Multistate conçoit des peptides qui activent ou bloquent sélectivement des récepteurs cibles médicamenteux clés avec une puissance nanomolaire.
Résumé
Des chercheurs de Baidu et Zonsen PepLib ont développé un pipeline computationnel appelé HelixFold-Multistate pour concevoir des peptides ciblant les récepteurs couplés aux protéines G (GPCR) dans leurs états conformationnels actifs ou inactifs. En combinant un module de génération de peptides avec un modèle de repliement structural affiné, le système peut distinguer entre les conformations du récepteur favorisant les agonistes et celles favorisant les antagonistes. Le modèle a été validé par rapport à de vraies structures expérimentales, puis appliqué à trois cibles GPCR thérapeutiques. Il a généré avec succès des peptides agonistes pour le récepteur de l'apéline (APJR) avec une EC50 inférieure à 10 nM, des peptides agonistes et antagonistes pour le récepteur sécrétagogue de l'hormone de croissance (GHSR), ainsi qu'un inhibiteur compétitif pour le GLP-1 Receptor avec une IC50 de 874 nM — démontrant à la fois la précision de conception et la reproductibilité expérimentale.
Résumé détaillé
Les récepteurs couplés aux protéines G (GPCR) comptent parmi les cibles thérapeutiques les plus importantes en médecine, régulant la fréquence cardiaque, la sécrétion hormonale, le métabolisme, la signalisation neurologique, et bien d'autres fonctions. La plupart des médicaments ciblant les GPCR sont de petites molécules, mais les peptides offrent une sélectivité et une puissance supérieures. Un défi de longue date réside dans le fait que les GPCR existent dans plusieurs états conformationnels — actifs et inactifs — et que la fonction d'un peptide en tant qu'agoniste (activateur) ou antagoniste (bloqueur) dépend de l'état qu'il stabilise. Jusqu'à présent, la plupart des outils d'IA pour la conception de peptides ignoraient cette distinction.
Une équipe de la division NLP de Baidu et de Zonsen PepLib Biotech a développé HelixFold-Multistate (HF-Multistate), un modèle de repliement structural affiné qui intègre des informations spécifiques à l'état conformationnel des GPCR. Le modèle a été entraîné sur des structures de complexes GPCR–peptide issues de la base de données GPCRdb et optimisé pour prédire avec précision à la fois l'interface de liaison peptide–récepteur et la conformation fonctionnelle des hélices transmembranaires (TM) clés, notamment TM3 et TM6 pour les GPCR de classe A, et TM3, TM6 et TM7 pour les GPCR de classe B, qui sont déterminantes pour l'activation.
Comparé à AlphaFold-Multimer, HelixFold-Multimer et AlphaFold-Multistate, HF-Multistate a obtenu les meilleures performances sur les scores DockQ (précision de l'interface) et les valeurs RMSD les plus faibles sur les domaines TM clés. Il a notamment surpassé AlphaFold-Multistate dans la prédiction des interactions peptide–GPCR, tout en n'utilisant qu'un seul modèle avec cinq graines aléatoires plutôt qu'un ensemble de cinq modèles exécutés cinq fois — ce qui le rend plus efficace sur le plan computationnel. De manière cruciale, il a correctement distingué les états actifs des états inactifs du récepteur dans des cas où AF-Multimer échouait totalement.
Le pipeline a été appliqué à trois cibles GPCR. Pour APJR (récepteur de l'apéline), des peptides agonistes et antagonistes ont été générés et validés expérimentalement ; les agonistes ont atteint des valeurs EC50 inférieures à 10 nM, les plaçant parmi les plus puissants rapportés à ce jour. Pour GHSR (récepteur sécrétagogue de l'hormone de croissance), des peptides agonistes et antagonistes ont également été conçus avec succès. Pour GLP-1R (récepteur du peptide de type glucagon-1), un peptide inhibiteur compétitif a été identifié avec un IC50 de 874 nM. Les scores de confiance structurale issus de HF-Multistate étaient fortement corrélés aux données expérimentales d'affinité de liaison, aussi bien dans les catégories agonistes qu'antagonistes, validant ainsi l'utilité du modèle comme outil de criblage.
Ce pipeline comble une lacune dans le domaine : si la conception de peptides agonistes a connu des avancées, la conception de peptides antagonistes pour les GPCR est nettement plus difficile et cliniquement sous-explorée. Ce cadre offre une approche généralisable pour concevoir des peptides thérapeutiques sélectifs d'un état conformationnel pour tout GPCR disposant de données structurales connues, avec des implications potentielles pour les maladies métaboliques, les pathologies cardiovasculaires et les troubles endocriniens.
Principales conclusions
- 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.
Méthodologie
L'étude a utilisé un pipeline en deux étapes : un module de génération de peptides produisait des séquences candidates, puis HF-Multistate (une version affinée de HelixFold-Multimer intégrant une modélisation des domaines TM spécifique à l'état) prédisait les structures des complexes et les évaluait. L'évaluation a recouru aux métriques DockQ, iRMS et TM-RMSD sur un ensemble de validation composé de structures cristallographiques récentes de complexes GPCR–peptide issues de GPCRdb, suivie d'une validation en laboratoire comprenant des tests d'affinité de liaison pour trois cibles GPCR.
Limites de l'étude
Le pipeline n'a été démontré que sur trois cibles GPCR, ce qui limite les affirmations de généralisabilité. L'affinité des peptides antagonistes (IC50 ~874 nM pour GLP-1R) reste modérée et pourrait nécessiter une optimisation supplémentaire pour une utilité clinique. La méthode repose sur des structures GPCR expérimentales disponibles ; les récepteurs ne disposant pas de structures de haute qualité à l'état actif et inactif pourraient ne pas en bénéficier de la même manière.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :