Neuer Ansatz identifiziert kritische Interaktionspunkte krebsrelevanter Proteine

Forscher der Auburn University haben in Zusammenarbeit mit Wissenschaftlern der Universität Basel und der ETH Zürich einen Fortschritt im Kampf gegen Krebs erzielt. Das Team unter der Leitung von Dr. Rafael Bernardi, Associate Professor für Biophysik am Department of Physics, hat einen neuartigen Ansatz entwickelt, der künstliche Intelligenz (KI) mit molekulardynamischen Simulationen und Netzwerkanalysen kombiniert, um die Vorhersage von Bindungsstellen am PD-L1-Protein zu verbessern. Dieser Durchbruch verspricht, die Entwicklung personalisierter Krebsbehandlungen zu beschleunigen, indem kritische Interaktionspunkte in krebsbezogenen Proteinen identifiziert werden.

Ihre Arbeit, veröffentlicht im Zeitschrift der American Chemical Society, konzentriert sich auf das Verständnis der Interaktion therapeutischer Proteine ​​mit PD-L1, einem Protein, das Krebszellen dabei hilft, der Erkennung durch das Immunsystem zu entgehen. Ihre Erkenntnisse könnten dazu beitragen, Immuntherapien wie Pembrolizumab (Keytruda) zu verbessern, die die Krebsbehandlung bereits revolutionieren.

„Die Verwendung computergestützter Werkzeuge zur Entwicklung von Proteinen stellt die nächste Grenze in der Krebstherapie dar“, sagte Dr. Bernardi. „Unser integrierter Ansatz, der KI, Molekulardynamik und Netzwerkanalyse kombiniert, birgt ein enormes Potenzial für die Entwicklung personalisierter Therapien für Krebspatienten.“

Die Zukunft der Krebstherapie

Eine der größten Herausforderungen in der Krebstherapie besteht darin, genau vorherzusagen, wo ein Medikament an sein Zielprotein binden kann. In diesem Fall konzentrierten sich die Forscher auf PD-L1, ein Kontrollprotein, das Krebserkrankungen ausnutzen, um das Immunsystem zu unterdrücken. Durch die Blockierung von PD-L1 entfesseln einige moderne Medikamente das Immunsystem, um Tumore anzugreifen. Es ist jedoch seit langem ein Problem, herauszufinden, wo genau PD-L1 mit neuen Behandlungen angegriffen werden muss.

Dr. Bernardi und sein Team haben eine ausgeklügelte Methode entwickelt, die AlphaFold2-basierte KI-Tools mit molekulardynamischen Simulationen und dynamischer Netzwerkanalyse kombiniert. Ihr Ansatz ermöglichte es ihnen, wichtige Bindungsbereiche im PD-L1-Protein vorherzusagen und zu bestätigen, die für die Arzneimittelwechselwirkung entscheidend sind.

„Diese Arbeit zeigt, wie wichtig die Zusammenarbeit zwischen dem Computerteam der Auburn University und den experimentellen Validierungsbemühungen unserer Kollegen an der Universität Basel und der ETH Zürich in der Schweiz ist, die Durchbrüche auf diesem Gebiet vorantreibt“, sagte Dr. Diego Gomes, der Hauptautor der Arbeit und Forscher in Auburn.

Der rechnerische Ansatz wurde mit modernsten experimentellen Techniken validiert, darunter Vernetzungs-Massenspektrometrie und Next-Generation-Sequencing. Diese Experimente bestätigten die Genauigkeit der Vorhersagen des Teams und demonstrierten die Leistungsfähigkeit der Kombination von Computermodellen mit experimenteller Validierung zur Entschlüsselung komplexer Protein-Protein-Interaktionen.

Auswirkungen und zukünftige Richtungen

Die Auswirkungen dieser Studie gehen weit über PD-L1 hinaus. Die entwickelten Methoden können auf viele andere Proteine ​​angewendet werden und möglicherweise zur Entdeckung neuer Wirkstoffziele für verschiedene Krankheiten führen, darunter auch andere Krebsarten und Autoimmunerkrankungen. Darüber hinaus ebnet diese Forschung den Weg für eine kostengünstigere und schnellere Entwicklung von Therapeutika, einem Bereich, in dem traditionelle experimentelle Methoden langsam und teuer sein können.

„Diese Forschung unterstreicht das Potenzial von Computertools wie NAMD und VMD in Kombination mit hochmoderner Hardware wie NVIDIA DGX-Systemen, um die Krebstherapie voranzutreiben. Unsere Erkenntnisse stellen einen bedeutenden Schritt in Richtung der Entwicklung neuer, gezielter Krebsbehandlungen dar“, fügte Gomes hinzu.