GPCR-Filter: KI-Framework entdeckt präzise GPCR-Modulatoren effizient

Ein neues Deep‑Learning‑System namens GPCR‑Filter verspricht, die Suche nach Modulatoren für G‑Protein‑gekoppelte Rezeptoren (GPCRs) zu revolutionieren. GPCRs steuern zahlreiche physiologische Prozesse und sind zentrale Ziele in der Pharmakologie, doch ihre komplexen allosterischen Wirkungen machen die Wirkstoffentwicklung bislang schwierig.

GPCR‑Filter basiert auf einem umfangreichen Datensatz von über 90 000 experimentell verifizierten GPCR‑Ligandenpaaren. Durch die Kombination des ESM‑3 Protein‑Sprachmodells, das hochpräzise GPCR‑Sequenzdarstellungen liefert, mit graphenbasierten neuronalen Netzen für Ligandenstrukturen, kann das System die funktionellen Beziehungen zwischen Rezeptor und Ligand exakt erfassen. Ein auf Aufmerksamkeitsmechanismen basierendes Fusion-Modul verbindet die beiden Modalitäten und lernt dabei die relevanten Interaktionsmuster.

In mehreren Testläufen übertraf GPCR‑Filter bestehende Modelle für Protein‑Ligand‑Interaktionen und zeigte eine starke Generalisierung auf bislang unbekannte Rezeptoren und Liganden. Besonders beeindruckend war die Identifikation von Mikromolar‑Agonisten des 5‑HT₁A‑Rezeptors, die völlig neue chemische Rahmenwerke aufwiesen. Diese Ergebnisse unterstreichen die Leistungsfähigkeit von GPCR‑Filter als skalierbare, KI‑gestützte Methode zur Wirkstoffentdeckung in komplexen Signalwegen.