Die strukturelle Grundlage der funktionellen Selektivität des Neuropeptid-Y-Rezeptors Y2R

Projekttitel: Die strukturelle Grundlage der funktionellen Selektivität des Neuropeptid-Y-Rezeptors Y2R

Projektdauer: 09/2023 – 08/2026

Forschungsbereich: Biowissenschaft und Medizin

Der Neuropeptid-Y-Rezeptor-Subtyp 2 (Y2R) ist ein vielversprechendes Ziel für die Behandlung von Adipositas und Krebs. Die gezielte Aktivierung zellulärer Signalwege stellt eine große Herausforderung dar und erfordert die Entwicklung von Medikamenten mit minimalen Nebenwirkungen.
Unser Projekt zielt darauf ab, das Phänomen der funktionellen Selektivität zu untersuchen, bei dem selektive Liganden die Interaktion des Rezeptors mit bestimmten intrazellulären Transduktoren induzieren und so bestimmte physiologische Reaktionen auslösen. Mithilfe von Methoden aus der Biophysik, der computergestützten Biochemie und dem Deep Learning untersuchen wir die funktionelle Selektivität bei Y2R.
Die DEER-Spektroskopie liefert Einblicke in die Struktur und die Verteilung von Proteinkonformationen. Wir integrieren experimentelle Einschränkungen mithilfe neuartiger KI-Ansätze in die atomgenaue Modellierung von Proteinstrukturen. Die daraus resultierenden Konformationen werden mittels physikalisch fundierter Berechnungsmethoden, wie beispielsweise Molekulardynamik-Simulationen (MD), verfeinert und validiert.

Ziele

• Ermittlung von DEER-Ergebnissen für Y2R-Konformationen, die mit funktioneller Selektivität in Verbindung stehen
• Entwicklung und Validierung eines KI-basierten rechnergestützten Ansatzes, der DEER-Spektroskopiedaten in den gezielten Modellierungsprozess der Proteinkonformationsstruktur integriert
• Erstellung von Strukturmodellen der Y2R-Rezeptorkonformationen, die mit funktioneller Selektivität in Verbindung stehen, unter Verwendung des entwickelten Ansatzes
• Erstellung einer Beschreibung unseres integrativen rechnergestützten Ansatzes für die Forschungsgemeinschaft

Problemstellung

Die Entwicklung von Arzneimitteln mit minimalen Nebenwirkungen erfordert Kenntnisse über die Struktur der Proteinkonformationen, die mit der funktionellen Selektivität zusammenhängen. Die DEER-Spektroskopie liefert Einblicke in die Struktur und die Häufigkeit solcher Konformationen. Derzeit gibt es jedoch kein etabliertes Verfahren zur Umwandlung von DEER-Abstandsverteilungen in ein Strukturmodell der Proteinkonformation. Daher ist es notwendig, einen rechnerisch effizienten Ansatz für diese Aufgabe zu entwickeln und zu validieren.

Praxisbeispiel

Eines der wichtigsten Ergebnisse dieser Arbeit ist ein atomistisch präzises Modell der Y2R-Konformation, das mit funktioneller Selektivität gekoppelt ist. Dieses Modell kann anschließend als Grundlage für die Entwicklung von Therapeutika mit minimalen Nebenwirkungen dienen. Darüber hinaus werden wir einen computergestützten Ansatz unter Verwendung von Deep-Learning- und computergestützten biochemischen Methoden entwickeln, um Strukturmodelle von Proteinkonformationen zu erstellen und zu validieren, die aus DEER-Spektroskopie-Experimenten abgeleitet wurden.

Technologie

Für die Strukturmodellierung von Proteinkonformationen unter Berücksichtigung experimenteller DEER-Abstandsbeschränkungen verwenden wir den AlphaLink-Ansatz. Dabei werden mehrere tausend Modelle generiert, aus denen mittels Clusteranalyse einige repräsentative Varianten ausgewählt werden. Die Stabilitätsbewertung und Verfeinerung dieser Modelle erfolgt durch MD-Simulationsreplikate. Die Analyse der Simulationsergebnisse umfasst die Berechnung des RMSD, die Simulation von DEER-Daten und deren Vergleich mit den experimentellen Ergebnissen.

Ausblick

Unser Projekt zielt darauf ab, einen robusten methodischen Rahmen zu schaffen, indem wir experimentelle Daten mit recheneffizienten KI-Methoden und physikalisch fundierten Techniken der computergestützten Biochemie verknüpfen. Darüber hinaus erstellen wir ein atomistisch präzises Strukturmodell der Y2R-Konformationen, das mit der funktionellen Selektivität verknüpft ist. Diese Modelle können von anderen Forschungsgruppen bei der Entwicklung von Medikamenten gegen Krebs oder Adipositas mit minimalen Nebenwirkungen genutzt werden.
Zusätzlich zu unseren aktuellen Zielen schlagen wir eine zukünftige Ausrichtung des Projekts vor. Dieser neue Schwerpunkt befasst sich mit einer zentralen Herausforderung bei der Interpretation von DEER-Experimentergebnissen. Die Herausforderung ergibt sich aus der möglichen Unschärfe der Konformationszustände von Proteinen aufgrund der Bewegung der Spinmarker, was insbesondere bei flexiblen Spinmarkern auffällt. Um dieses Problem anzugehen, planen wir die Entwicklung eines neuen Ansatzes, der Deep-Learning-Methoden und Techniken zur erweiterten Stichprobenentnahme in MD-Simulationen integriert.

Team

Teamleitung

• Prof. Dr. Jens Meiler (Universität Leipzig)
• Prof. Dr. Sayan Mukherjee (Universität Leipzig, Duke University)

Teammitglieder

• Julia Belyaeva
• Dr. Matthias Elgeti