KI beschleunigt Entdeckung molekularer Klebstoffe

Ein Forscherteam des Baylor College of Medicine hat unter der Leitung von Dr. Jin Wang und Dr. Hanfeng Lin ein neues Verfahren zur beschleunigten Entwicklung von Molekularen Klebstoffen entwickelt, die schädliche Proteine gezielt abbauen sollen. Die Ergebnisse wurden in der Fachzeitschrift Nature Communications veröffentlicht und demonstrieren, wie die Integration von Hochdurchsatz-Proteomik und künstlicher Intelligenz die Wirkstoffforschung beschleunigen kann. Im Gegensatz zu herkömmlichen Therapieansätzen, die Proteine lediglich hemmen, eliminieren molekulare Klebstoffe die Zielmoleküle vollständig, indem sie sie an die körpereigene Entsorgungsmaschinerie der Zelle weiterleiten. Für die Studie konzentrierten sich die Forscher auf VAV1, ein Schlüsselprotein in Immunzellen, das bei der Signalübertragung zur T-Zell-Aktivierung eine zentrale Rolle spielt. Eine dysregulierte VAV1-Aktivität wird mit T-Zell-Lymphomen und chronischen entzündlichen Erkrankungen in Verbindung gebracht. Mittels DIA-Proteomik screeneten die Wissenschaftler eine große Molekülbibliothek und identifizierten Verbindungen wie NGT-201-12, die VAV1-spezifisch abbauen, während sie andere Proteine weitgehend unbeeinflusst lassen. Die weiteren Analysen belegten, dass der Abbau über das Cereblon-vermittelte Degradationsnetzwerk der Zelle erfolgt. Eine große Hürde in der Erforschung molekularer Klebstoffe liegt im Verständnis ihrer dreidimensionalen Bindungseigenschaften. Um dies zu umgehen, entwickelten die Forscher die computergestützte Pipeline GluePlex. Diese kombiniert KI-basierte Strukturvorhersagen mit physikbasiertem Modellieren, um den Bindungskomplex aus VAV1, Cereblon und dem Klebstoffmolekül vorherzusagen, ohne auf vorhandene experimentelle Daten zurückzugreifen. GluePlex identifizierte präzise die SH3-2-Domäne sowie einen spezifischen Oberflächenschleifenabschnitt auf VAV1 als entscheidenden Degradationssignal. Diese Vorhersage wurde später experimentell bestätigt und widerlegt das zuvor gängige Paradigma, dass Cereblon-abhängige Klebstoffe zwingend eine G-Schleife benötigen. Die Erkenntnisse erweitern das Spektrum potenzieller Zielstrukturen für die gezielte Proteineliminierung erheblich. Auf Basis der computergestützten Erkenntnisse optimierte das Team die Leitverbindungen durch medizinalchemische Modifikationen. Die Einführung von Chloratomen reduzierte die molekulare Flexibilität und steigerte die Abbaueffizienz deutlich. Der daraus resultierende Wirkstoffkandidat NGT-201-18 zeigte eine deutlich gesteigerte Potenz und bildete einen stabileren Proteinkomplex. In Tests mit primären humanen T-Zellen bewies NGT-201-18, dass er VAV1-Spiegel effektiv senkt und die T-Zell-Aktivierung unterdrückt, was die biologische Relevanz für die Behandlung immunvermittelter Erkrankungen bestätigt. Darüber hinaus deckte die umfassende Proteomik-Analyse unerwartete Nebenwirkungen auf, etwa den Abbau des Proteins LIMD1, was die Notwendigkeit einer strengen Zielvalidierung in frühen Entwicklungsphasen unterstreicht. Die Studie belegt, dass die frühzeitige Kopplung von maschinellem Lernen, Strukturmodellierung und umfassender Proteomik den Wirkstoffdesignprozess signifikant beschleunigen kann. Durch die Vorhersage komplexer Molekülinteraktionen noch vor deren experimenteller Charakterisierung können Chemiker Leitstrukturen präziser optimieren und Entwicklungszeit sowie Kosten sparen. Die gewonnenen Daten bilden eine fundierte Grundlage für die Entwicklung gezielter Therapien bei hämatologischen Malignomen und autoimmunen Erkrankungen, für die bislang kaum effektive zielgerichtete Behandlungen verfügbar sind. Die Forschung markiert einen bedeutenden Schritt hin zu einer datengestützten, KI-gestützten Pharmakologie, die nicht nur die Entdeckungsphase verkürzt, sondern auch das Verständnis grundlegender zellulärer Degradationsmechanismen vertieft.