Neues Deep-Learning-Modell simuliert GPCR-Ligand-Interaktionen in Echtzeit

G-Protein‑gekoppelte Rezeptoren (GPCRs) sind die Hauptziele mehr als eines Drittels aller zugelassenen Medikamente. Ihre Signaltransduktion beruht auf komplexen konformen Übergängen, die mit klassischen All‑Atom‑Molekulardynamik‑Simulationen (MD) nur extrem kostenintensiv erforscht werden können. Ein neues Verfahren namens GPCRLMD löst dieses Problem, indem es Deep‑Learning nutzt, um die Simulationen deutlich zu beschleunigen.

GPCRLMD kombiniert einen Harmonic‑Prior Variational Autoencoder (HP‑VAE) mit einem Residual Latent Flow. Der HP‑VAE wandelt das Ligand‑Rezeptor‑Komplex zunächst in einen regulierten, isometrischen latenten Raum um, wobei physikbasierte Einschränkungen die geometrische Topologie bewahren. Im latenten Raum erzeugt der Residual Latent Flow dynamische Trajektorien, die anschließend wieder in atomare Koordinaten dekodiert werden.

Durch die Erfassung der zeitlichen Dynamik in Form von relativen Verschiebungen, die an die Ausgangsstruktur gebunden sind, trennt das Verfahren die statische Topologie von den dynamischen Schwankungen. So können die Simulationen schneller und dennoch mit hoher Genauigkeit durchgeführt werden.

Experimentelle Ergebnisse zeigen, dass GPCRLMD die aktuelle Spitzenleistung bei der Simulation von GPCR‑Ligand‑Dynamiken übertrifft. Das Modell reproduziert thermodynamische Beobachtungen und kritische Ligand‑Rezeptor‑Interaktionen mit bemerkenswerter Genauigkeit.

Die Einführung von GPCRLMD eröffnet neue Möglichkeiten für die Wirkstoffentwicklung, indem sie die Berechnung von Ligand‑Rezeptor‑Bindungen in Echtzeit ermöglicht und damit die Entdeckung potenzieller Therapeutika beschleunigt.