IA Projeta Peptídeos Específicos por Estado que Visam GPCRs como Agonistas ou Antagonistas
Um novo pipeline de IA chamado HelixFold-Multistate projeta peptídeos que ativam ou bloqueiam seletivamente receptores-alvo de fármacos com potência nanomolar.
Resumo
Pesquisadores da Baidu e da Zonsen PepLib desenvolveram um pipeline computacional chamado HelixFold-Multistate para projetar peptídeos que visam receptores acoplados à proteína G (GPCRs) em seus estados conformacionais ativos ou inativos. Ao combinar um módulo de geração de peptídeos com um modelo de dobramento estrutural ajustado, o sistema é capaz de distinguir entre conformações receptoras que favorecem agonistas e antagonistas. O modelo foi validado com base em estruturas experimentais reais e, em seguida, aplicado a três alvos terapêuticos de GPCRs. Ele gerou com sucesso peptídeos agonistas para o Receptor de Apelina (APJR) com EC50 abaixo de 10 nM, peptídeos agonistas e antagonistas para o Receptor Secretagogo do Hormônio de Crescimento (GHSR), e um inibidor competitivo para o Receptor de GLP-1 com IC50 de 874 nM — demonstrando tanto precisão de design quanto reprodutibilidade experimental.
Resumo Detalhado
Os receptores acoplados à proteína G (GPCRs) estão entre os alvos farmacológicos mais importantes da medicina, regulando frequência cardíaca, secreção hormonal, metabolismo, sinalização neurológica e muito mais. A maioria dos medicamentos existentes que atuam sobre GPCRs são moléculas pequenas, mas os peptídeos oferecem seletividade e potência superiores. Um desafio de longa data é que os GPCRs existem em múltiplos estados conformacionais — ativo e inativo — e a função de um peptídeo como agonista (ativador) ou antagonista (bloqueador) depende de qual estado ele estabiliza. Até o momento, a maioria das ferramentas de design de peptídeos baseadas em IA ignorava essa distinção.
Uma equipe da divisão de NLP da Baidu e da Zonsen PepLib Biotech desenvolveu o HelixFold-Multistate (HF-Multistate), um modelo de dobramento estrutural ajustado fino que incorpora informações específicas de estado sobre as conformações de GPCRs. O modelo foi treinado em estruturas de complexos GPCR–peptídeo provenientes do banco de dados GPCRdb e otimizado para prever com precisão tanto a interface de ligação peptídeo–receptor quanto a conformação funcional de hélices transmembrana (TM) essenciais, particularmente TM3 e TM6 em GPCRs de classe A, e TM3, TM6 e TM7 em GPCRs de classe B, que são críticas para a ativação.
Avaliado comparativamente ao AlphaFold-Multimer, ao HelixFold-Multimer e ao AlphaFold-Multistate, o HF-Multistate alcançou desempenho superior nos escores DockQ (precisão da interface) e menor RMSD nos domínios TM essenciais. Notavelmente, superou o AlphaFold-Multistate na predição de interações peptídeo–GPCR, mesmo utilizando um único modelo com cinco sementes aleatórias, em vez de um conjunto de cinco modelos executados cinco vezes — tornando-o computacionalmente mais eficiente. De forma crucial, ele distinguiu corretamente os estados ativo e inativo do receptor em casos nos quais o AF-Multimer falhou completamente.
O pipeline foi aplicado a três alvos GPCRs. Para o APJR (Receptor de Apelina), peptídeos agonistas e antagonistas foram gerados e validados experimentalmente; os agonistas alcançaram valores de EC50 abaixo de 10 nM, situando-se entre os mais potentes já relatados. Para o GHSR (Receptor Secretagogo do Hormônio do Crescimento), peptídeos agonistas e antagonistas também foram projetados com sucesso. Para o GLP-1R (Receptor do Peptídeo Semelhante ao Glucagon-1), foi identificado um peptídeo inibidor competitivo com IC50 de 874 nM. Os escores de confiança estrutural do HF-Multistate apresentaram forte correlação com os dados experimentais de afinidade de ligação em ambas as categorias — agonista e antagonista —, validando a utilidade do modelo como ferramenta de triagem.
O pipeline preenche uma lacuna na área: embora o design de peptídeos agonistas tenha avançado, o design de peptídeos antagonistas para GPCRs é substancialmente mais difícil e clinicamente subexplorado. Essa abordagem oferece um framework generalizável para o design de peptídeos terapêuticos seletivos de estado para qualquer GPCR com dados estruturais conhecidos, com potenciais implicações para doenças metabólicas, condições cardiovasculares e distúrbios endócrinos.
Principais Descobertas
- 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.
Metodologia
O estudo utilizou um pipeline em duas etapas: um módulo de geração de peptídeos produziu sequências candidatas e, em seguida, o HF-Multistate (uma versão ajustada do HelixFold-Multimer que incorpora modelagem do domínio TM específica por estado) previu as estruturas dos complexos e as pontuou. A avaliação utilizou as métricas DockQ, iRMS e TM-RMSD em um conjunto de validação composto por estruturas cristalográficas recentes de complexos GPCR–peptídeo provenientes do GPCRdb, seguida de validação em laboratório úmido, incluindo ensaios de afinidade de ligação para três alvos GPCR.
Limitações do Estudo
O pipeline foi demonstrado em apenas três alvos GPCR, o que limita as afirmações de generalização. A afinidade dos peptídeos antagonistas (IC50 ~874 nM para GLP-1R) permanece moderada e pode exigir otimização adicional para utilidade clínica. O método depende de estruturas experimentais disponíveis de GPCR; receptores que não possuem estruturas de alta qualidade nos estados ativo e inativo podem não se beneficiar igualmente.
Gostou deste resumo?
Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.
Digite seu e-mail para assinar: