[論文レビュー] PepMLM: Target Sequence-Conditioned Generation of Therapeutic Peptide Binders via Span Masked Language Modeling

Tianlai Chen, Dumas, Madeleine+18 more|PubMed|Oct 5, 2023

Protein Degradation and Inhibitors参考文献 29被引用数 17

ひとこと要約

PepMLMは、ターゲットシーケンス条件付き生成モデルで、スパンマスキング戦略を用いて新規ペプチド結合体を設計し、タンパク質言語モデルをファインチューニングすることで、シミュレーション内および実験的な結合体有効性の検証を行う。

ABSTRACT

Target proteins that lack accessible binding pockets and conformational stability have posed increasing challenges for drug development. Induced proximity strategies, such as PROTACs and molecular glues, have thus gained attention as pharmacological alternatives, but still require small molecule docking at binding pockets for targeted protein degradation. The computational design of protein-based binders presents unique opportunities to access "undruggable" targets, but have often relied on stable 3D structures or structure-influenced latent spaces for effective binder generation. In this work, we introduce <b>PepMLM</b>, a target sequence-conditioned generator of <i>de novo</i> linear peptide binders. By employing a novel span masking strategy that uniquely positions cognate peptide sequences at the C-terminus of target protein sequences, PepMLM fine-tunes the state-of-the-art ESM-2 pLM to fully reconstruct the binder region, achieving low perplexities matching or improving upon validated peptide-protein sequence pairs. After successful <i>in silico</i> benchmarking with AlphaFold-Multimer, outperforming RFDiffusion on structured targets, we experimentally verify PepMLM's efficacy via fusion of model-derived peptides to E3 ubiquitin ligase domains, demonstrating endogenous degradation of emergent viral phosphoproteins and Huntington's disease-driving proteins. In total, PepMLM enables the generative design of candidate binders to any target protein, without the requirement of target structure, empowering downstream therapeutic applications.

研究の動機と目的

• アクセスポジションのないターゲットや安定した構造を欠くターゲットに対して、デノボのペプチド結合体を生成する方法を検討する。
• 認識結合体配列をC末端に配置するターゲットシーケンス条件付きジェネレーターの開発。
• AlphaFold-Multimerベンチマーキングおよび実験的分解アッセイでアプローチを評価する。
• ターゲット構造に依存せず、あらゆるターゲットタンパク質の結合体設計を可能にする。

提案手法

• 認識結合体配列をターゲットのC末端に位置づけるスパンマスキングを導入する。
• 最先端のESM-2タンパク質言語モデルをファインチューニングして結合体領域を再構築する。
• 構造化ターゲットに対してAlphaFold-Multimerを用いたシミュレーションベンチマークを実施し、RFDiffusionと比較する。
• 生成された結合体をE3リガーゼドメインへ融合させてターゲットタンパク質の分解を誘導する実験的検証を行う。
• ターゲット構造知識を必要とせず、候補結合体を生成する能力を評価する。

実験結果

リサーチクエスチョン

• RQ1 ターゲットシーケンスに条件付けられたスパンマスキング戦略は、結合体領域の信頼できる生成を可能にするか。
• RQ2 この条件付けでタンパク質言語モデルをファインチューニングすると、結合体の再構築と妥当性が向上するか。
• RQ3 構造化ターゲットに対する既存の拡散ベース手法と比較して、PepMLMはシミュレーション上でどのように機能するか。
• RQ4 PepMLM由来の結合体は、実験的アッセイでターゲットタンパク質の分解を促進するのに有効か。

主な発見

• PepMLMは、検証済みの結合対と同等かそれを上回る、結合体再構築の低パープレキシティを達成する。
• AlphaFold-Multimerを用いたシミュレーションベンチマーキングはPepMLMの有効性を裏付け、構造化ターゲットに対してRFDiffusionを上回る。
• 実験的検証は、モデル由来ペプチドをE3リガーゼドメインへ融合させた場合に、新興ウイルス性リン酸化タンパク質とハンチントン病を引き起こすタンパク質の内因性分解を示す。
• このアプローチは、ターゲット構造を必要とせず、あらゆるターゲットタンパク質の候補結合体の生成を可能にする。