L'IA progetta peptidi stato-specifici che prendono di mira i GPCR come agonisti o antagonisti

I recettori accoppiati a proteine G (GPCR) sono tra i bersagli farmacologici più importanti in medicina, poiché regolano la frequenza cardiaca, la secrezione ormonale, il metabolismo, la trasmissione del segnale neurologico e molto altro. La maggior parte dei farmaci GPCR esistenti è costituita da piccole molecole, ma i peptidi offrono una selettività e una potenza superiori. Una sfida di lunga data consiste nel fatto che i GPCR esistono in molteplici stati conformazionali — attivi e inattivi — e la funzione di un peptide come agonista (attivatore) o antagonista (bloccante) dipende da quale stato esso stabilizza. Fino ad ora, la maggior parte degli strumenti di intelligenza artificiale per la progettazione di peptidi ignorava questa distinzione.

Un team della divisione NLP di Baidu e di Zonsen PepLib Biotech ha sviluppato HelixFold-Multistate (HF-Multistate), un modello di folding strutturale ottimizzato che incorpora informazioni specifiche dello stato sulle conformazioni dei GPCR. Il modello è stato addestrato su strutture di complessi GPCR–peptide tratte dal database GPCRdb e ottimizzato per prevedere con precisione sia l'interfaccia di legame peptide–recettore sia la conformazione funzionale di eliche transmembrana (TM) chiave, in particolare TM3 e TM6 nei GPCR di classe A e TM3, TM6 e TM7 nei GPCR di classe B, che sono critiche per l'attivazione.

Valutato a confronto con AlphaFold-Multimer, HelixFold-Multimer e AlphaFold-Multistate, HF-Multistate ha ottenuto le migliori prestazioni sui punteggi DockQ (accuratezza dell'interfaccia) e il valore RMSD più basso nei domini TM chiave. In particolare, ha superato AlphaFold-Multistate nella previsione delle interazioni peptide–GPCR pur utilizzando un singolo modello con cinque seed casuali anziché un insieme di cinque modelli eseguiti cinque volte, risultando così computazionalmente più efficiente. Aspetto cruciale, ha correttamente distinto gli stati attivi da quelli inattivi del recettore in casi in cui AF-Multimer aveva completamente fallito.

La pipeline è stata applicata a tre bersagli GPCR. Per APJR (Apelin Receptor), sono stati generati e validati sperimentalmente peptidi agonisti e antagonisti; gli agonisti hanno raggiunto valori di EC50 inferiori a 10 nM, collocandosi tra i più potenti riportati in letteratura. Per GHSR (Growth Hormone Secretagogue Receptor), sono stati progettati con successo sia peptidi agonisti sia antagonisti. Per GLP-1R (Glucagon-Like Peptide-1 Receptor), è stato identificato un peptide inibitore competitivo con un IC50 di 874 nM. I punteggi di confidenza strutturale di HF-Multistate hanno mostrato una forte correlazione con i dati sperimentali di affinità di legame, sia nella categoria degli agonisti sia in quella degli antagonisti, validando l'utilità del modello come strumento di screening.

La pipeline colma una lacuna nel settore: mentre la progettazione di peptidi agonisti ha registrato progressi, quella di peptidi antagonisti per i GPCR è sostanzialmente più difficile e clinicamente poco esplorata. Questo framework offre un approccio generalizzabile per la progettazione di peptidi terapeutici selettivi per lo stato conformazionale, applicabile a qualsiasi GPCR con dati strutturali noti, con potenziali implicazioni per le malattie metaboliche, le patologie cardiovascolari e i disturbi endocrini.