PepEVOLVE: Dynamische Peptidoptimierung mit Positionsbewusstsein

Makrozyklische Peptide vereinen die Bindungsaffinität von Biologika mit der Entwicklungsfreundlichkeit kleiner Moleküle. Trotz ihres Potenzials erschweren der enorme kombinatorische Raum und die gleichzeitige Optimierung mehrerer Parameter die schnelle Entwicklung von Leitlinien.

Mit PepEVOLVE wird dieses Problem angegangen. Das System nutzt ein positionsbewusstes, dynamisches Framework, das gleichzeitig lernt, welche Positionen im Peptid verändert werden sollen, und wie diese Änderungen optimiert werden. Durch dynamisches Maskieren und die CHUCKLES‑Shift‑Strategie wird die Generalisierungsfähigkeit des Modells verbessert. Ein kontextfreier Multi‑Armed‑Bandit‑Router identifiziert dabei hochwertige Residuen, während ein neu entwickelter Evolutionsalgorithmus mit gruppenrelativem Vorteil die Reinforcement‑Learning‑Updates stabilisiert.

In umfangreichen In‑Silico‑Tests zeigte PepEVOLVE deutlich bessere Ergebnisse als das vorherige Verfahren PepINVENT. Auf einem therapeutisch motivierten Rev‑Bindungs‑Makrozyklus-Benchmark erreichte PepEVOLVE durchschnittliche Scores von etwa 0,8 im Vergleich zu 0,6 bei PepINVENT, erzielte die besten Kandidaten mit einem Score von 0,95 statt 0,87 und konvergierte in weniger Schritten. Besonders hervorzuheben ist die gleichzeitige Optimierung von Permeabilität und Lipophilität unter strukturellen Beschränkungen.

Zusammengefasst bietet PepEVOLVE einen leistungsstarken, dynamischen Ansatz für die Lead‑Optimierung von Makrozyklischen Peptiden, der sowohl die Effizienz als auch die Qualität der generierten Kandidaten signifikant steigert.