Ontcijferen van DEL-pocketpatronen via contrastief leren

Waarom het bekijken van eiwit"pockets" het ontwikkelen van nieuwe geneesmiddelen kan versnellen

Moderne geneesmiddelenzoekers kunnen nu biljoenen kleine moleculen tegelijk testen met DNA-gecodeerde bibliotheken, of DELs. Toch zijn slechts enkele van deze uit DEL afkomstige moleculen echte geneesmiddelen geworden. Een belangrijk ontbrekend stuk is weten welke eiwitten in het lichaam daadwerkelijk de juiste soort hoekjes en gleuven—"pockets"—hebben waarop DEL-moleculen zich kunnen vasthechten. Deze studie pakt die kloof aan door in kaart te brengen hoe succesvolle DEL-pockets eruitzien en door een kunstmatig-intelligentie model te bouwen, ErePOC geheten, om vergelijkbare pockets door het menselijk lichaam heen te vinden.

Hoe DEL-technologie naar nieuwe geneesmiddelmoleculen zoekt

DELs werken een beetje als voorzienbare visaasjes met streepjescodes. Chemici koppelen kleine kandidaatmoleculen aan korte DNA-fragmenten die als ID-tags fungeren, en brengen vervolgens enorme mengsels van deze getagde moleculen in contact met een eiwit van interesse. Moleculen die blijven plakken worden uitgelezen door het DNA te sequencen. Deze aanpak is snel en goedkoop, maar het omzetten van DEL-hits in echte geneesmiddelen blijft lastig. Een reden is dat DEL-moleculen bepaalde chemische beperkingen delen, zoals hoe ze in water worden gemaakt en hoe de DNA-tag is bevestigd. Die beperkingen zorgen ervoor dat ze de neiging hebben bepaalde typen eiwitpockets te verkiezen, maar tot nu toe waren die voorkeuren niet systematisch in kaart gebracht.

Wat een pocket aantrekkelijk maakt voor DEL-moleculen

De auteurs vergeleken eerst duizenden eiwitpockets die verschillende typen liganden binden: gewone biologische kleine moleculen, door de FDA goedgekeurde geneesmiddelen en DEL-hits. Ze ontdekten dat DEL- en geneesmiddelpockets geneigd zijn groter en chemisch complexer te zijn dan pockets voor natuurlijke liganden. In het bijzonder zijn DEL-pockets opener en hydrofoob—wat betekent dat ze de voorkeur geven aan olieachtige, waterafstotende interacties—terwijl ze toch een klein maar belangrijk aantal polaire contactpunten behouden die de binding fijn afstellen. Bepaalde volumineuze aminozuren die aromatische en hydrofobe oppervlakken bieden, zoals tyrosine en fenylalanine, komen vaker voor in DEL- en geneesmiddelbindende pockets dan op typische eiwitoppervlakken. Over het geheel genomen lijken DEL-pockets meer op klassieke geneesmiddeldoelpockets dan op gewone metabole sites, maar met een extra bias richting grote, hydrofobe holten.

Een AI-model leren pocket"persoonlijkheden" te herkennen

Om verder te gaan dan eenvoudige tellingen van grootte en chemie bouwde het team ErePOC, een representatiemodel dat elk bindingspocket behandelt als een soort vingerafdruk. Het begint met embeddingen uit eiwittaalmodellen, die patronen vastleggen geleerd uit miljoenen sequenties, en comprimeert de informatie over de residuen die een pocket vormen tot een compacte numerieke vector. Met contrastief leren wordt ErePOC zo getraind dat pockets die chemisch vergelijkbare liganden binden dicht bij elkaar komen te liggen in deze abstracte ruimte, terwijl pockets die heel verschillende moleculen binden van elkaar wegdrijven. Toen de auteurs deze ruimte visualiseerden, vormden pockets die bekende cofactoren binden, zoals ATP of heem, goed afgescheiden clusters, wat aantoont dat het model geleerd had pockets te groeperen op functiegedrag in plaats van alleen op algemene eiwitvorm.

DEL-vriendelijke doelen vinden in het menselijk proteoom

Met ErePOC getraind projecteerden de onderzoekers bekende DEL-pockets, geneesmiddelpockets en honderden duizenden pockets uit experimentele en voorspelde eiwitstructuren in hetzelfde landschap. DEL-pockets verspreidden zich wijd, wat aangeeft dat DEL-screening in principe veel van de traditionele "druggable" ruimte kan bereiken, maar ze lieten nog steeds duidelijke voorkeuren zien voor bepaalde regio's geassocieerd met grotere, hydrofobe pockets. Het team scant vervolgens meer dan 23.000 door AlphaFold voorspelde menselijke eiwitten, filterde op goed gedefinieerde pockets en vroeg welke het meest lijken op bekende DEL-pockets in ErePOC-ruimte. Ze identificeerden bijna 2.800 menselijke eiwitten met pockets die sterk lijken op succesvolle DEL-locaties, met sterke verrijking in families zoals transferasen, hydrolasen, oxidoreductasen, chromatine-regulatoren en sommige RNA-bindende eiwitten. Vervolgcomputerdocking met een grote virtuele DEL suggereerde dat deze door ErePOC gemarkeerde pockets inderdaad de neiging hebben DEL-achtige moleculen gunstiger te binden.

Waarom dit belangrijk is voor toekomstige geneesmiddelenontdekking

Voor niet-specialisten is de kernboodschap dat het succes van ultragrote chemische bibliotheken net zozeer afhangt van het kiezen van de juiste eiwitpockets als van de moleculen zelf. Dit werk toont aan dat DEL-hits vaak voortkomen uit pockets die groot, flexibel en hydrofoob zijn, en introduceert een krachtig AI-gereedschap om zulke pockets alleen op basis van sequentie of structuur te herkennen. Door ErePOC te gebruiken om DEL-screening te richten op eiwitten waarvan de pockets al DEL-compatibel lijken, kunnen geneesmiddelenzoekers veelbelovende doelen prioriteren, verspilde screeningsinspanningen verminderen en mogelijk uitbreiden naar minder verkende klassen zoals chromatine- en RNA-bindende eiwitten. Kort gezegd biedt de studie zowel een duidelijker beeld van hoe een "DEL-klaar" pocket eruitziet als een praktisch kompas en kaart om er veel meer van te vinden in het menselijk proteoom.

Bronvermelding: Zhang, W., Wang, Y., Zhan, R. et al. Deciphering DEL pocket patterns through contrastive learning. Nat Commun 17, 2810 (2026). https://doi.org/10.1038/s41467-026-69663-y

Trefwoorden: DNA-gecodeerde bibliotheken, eiwitbindingspockets, contrastief leren, AI voor geneesmiddelenontdekking, ErePOC