Computergestütztes Peptid-Design zur Zielung therapieresistenter Tumore mittels physik- und machine-learning-basierter Methoden

Titel: Computergestütztes Peptid-Design zur Zielung therapieresistenter Tumore mittels physik- und machine-learning-basierter Methoden

Projektdauer: 10/2023 – 06/2025

Forschungsbereich: Biowissenschaften und Medizin

Die chronische lymphatische Leukämie (CLL) ist eine der häufigsten Krebserkrankungen des Erwachsenenalters, die die weißen Blutkörperchen des Körpers, die sogenannten Lymphozyten, betrifft. Sie ist durch die Ansammlung von Zellen gekennzeichnet, die funktionell nicht in der Lage sind, Infektionen wirksam zu bekämpfen. Eine der am häufigsten eingesetzten Behandlungen für CLL ist die Kombination aus Chemotherapie und einem monoklonalen Anti-CD20-Antikörper wie Rituximab. Die Wirksamkeit von Rituximab in der Krebsbehandlung beruht zum Teil auf seiner Fähigkeit, eine komplementabhängige Zytotoxizität (CDC) auszulösen, um Zielzellen zu zerstören.

Humanes CD59 (hCD59) spielt als komplementregulierendes Protein eine entscheidende Rolle, indem es die Bildung des porenbildenden Membranangriffskomplexes begrenzt und dadurch die Aktivierung der CDC verhindert. Lymphomzellen, die CD59 überexprimieren, tragen unmittelbar zu einer erhöhten Resistenz gegenüber einer durch Rituximab induzierten CDC-Therapie bei. Die Entwicklung bispezifischer CD20-CD59-Antikörper oder eine Kombinationsbehandlung mit einem CD59-Inhibitor zeigt eine verbesserte Wirksamkeit bei der komplementabhängigen Zytotoxizität (siehe auch Abbildung 1). Mithilfe einer Ergänzung von monoklonalen Antikörpertherapien wie Rituximab durch neuartige Adjuvanzien, beispielsweise Peptidinhibitoren, zur Steigerung der lysierenden Effizienz könnte die klinischen Behandlungsergebnisse und das Überleben von CLL-Patientinnen und -Patienten verbessern.

Die Überexpression von CD59 beeinflusst die Behandlung mit Rituximab (Abbildung aus [1] )

Ziele

• Rationales Design von CD59-Peptidbindern zur Hemmung der Interaktionen mit dem porenbildenden Membranangriffskomplex und damit zur Induktion des Zelltods
• Entwicklung einer allgemeinen Pipeline zur Erstellung und zum Design von de-novo-zyklischen Peptidbindern für beliebige Zielstrukturen
• Nutzung und Erweiterung modernster physik- und machine-learning-basierter Frameworks zur Generierung zyklischer Peptide
• Integration von KI- und biophysikalischen Designstrategien
• Ausweitung der Methode des zyklischen Peptid-Designs auf virale Glykoproteine wie das Marburg-Virus

Problemstellungen

Die Entwicklung neuer therapeutischer Peptide allein im Nasslabor ist teuer, arbeitsintensiv und erfordert tiefgreifende Expertise. Im Gegensatz dazu ermöglicht das computergestützte Wirkstoffdesign, dass neue potenzielle Wirkstoffkandidaten in silico unter Verwendung etablierter Designmethoden und Frameworks generiert werden. Ein prominentes jüngstes Beispiel für diese Möglichkeit ist das Design und die Evaluierung einer neuen therapeutischen Verbindung, die auf das Spike-Protein zur Behandlung von COVID-19 abzielt. Für dieses Projekt wollen wir zyklische Peptidinhibitoren entwickeln, da diese eine bessere biologische Aktivität als ihre linearen Gegenstücke aufweisen und resistent gegen Hydrolyse sind. Machine-Learning-Methoden für zyklische Peptide sind jedoch noch unterrepräsentiert.

Praxisbeispiel

Wir testen derzeit eine Erweiterung der beiden Deep-Learning-Methoden AlphaFold und RFdiffusion. RFdiffusion, ein generatives Netzwerk, das Protein-Backbones aus zufälligem Rauschen erzeugt, wurde modifiziert, um zyklische Backbones zu generieren. Sequenzen wurden unter Verwendung der Deep-Learning-Methode ProteinMPNN erzeugt, und ein In-silico-Experiment läuft derzeit, um die Kombination dieser Methoden an bekannten zyklischen Peptid-Backbones aus der Protein Data Bank (PDB) zu benchmarken. Nach der In-silico-Validierung mittels Docking-Studien wird die Methode auf CD59 erweitert.

Technologie

Wir setzen machine-learning-basierte Werkzeuge zur Proteinstrukturvorhersage und de-novo-Generierung ein, darunter AlphaFold2 und RFdiffusion. Im computergestützten Proteindesign verwenden wir Deep-Learning-Techniken wie ProteinMPNN und physikbasierte Methoden wie Rosetta.

Publikationen

• Couves, E. (2022). „Disentangling the structural and cellular driving forces of CD59 inhibition of Membrane Attack Complex pore formation.“ [Doktorarbeit, Imperial College London].
• Brown, Jennifer R et al. „The Role of Rituximab in Chronic Lymphocytic Leukemia Treatment and the Potential Utility of Biosimilars.“ The oncologist vol. 23,3 (2018): 288–296. doi:10.1634/theoncologist.2017-0150
• Hu, Weiguo et al. „Human CD59 inhibitor sensitizes rituximab-resistant lymphoma cells to complement-mediated cytolysis.“ Cancer research vol. 71,6 (2011): 2298–307. doi:10.1158/0008-5472.CAN-10-3016
• Stadlbauer, K. et al. „Bispecific mAb2 Antibodies Targeting CD59 Enhance the Complement-Dependent Cytotoxicity Mediated by Rituximab“. Int. J. Mol. Sci. 2022, 23, 5208. https://doi.org/10.3390/ijms23095208
• Sarmadi, Soroush et al. „In Silico Design and Evaluation of a Novel Therapeutic Agent Against the Spike Protein as a Novel Treatment Strategy for COVID-19 Treatment.“ Recent patents on biotechnology vol. 18,2 (2024): 162–176. doi:10.2174/1872208317666230523105759

Team

Leitung

• Prof. Dr. Jens Meiler (Universität Leipzig)

Teammitglieder

• Max Beining (Universität Leipzig)

Partner

• Jun.-Prof. Dr. Christina Lamers (Universität Leipzig)
• Jun.-Prof. Dr. Clara T. Schoeder (Universität Leipzig)