Uno studio pubblicato su Nature Communications il 20 agosto descrive un flusso di lavoro scalabile per sviluppare minibinder progettati dall’AI contro proteine di superficie associate al cancro. Lo screening di migliaia di progetti mediante display sulla superficie cellulare di cellule di mammifero ha identificato diversi leganti ad alta affinità per PD-L1, ma molti meno per CD276 (B7-H3) e VTCN1 (B7-H4) — un risultato che, secondo gli autori, evidenzia una sostanziale dipendenza dal bersaglio.
La parte che è davvero nuova
La notizia non sono i successi, ma un fallimento specifico. Alcuni minibinder che si legavano bene al loro bersaglio, una volta inseriti nei recettori antigenici chimerici, mostravano un scarso traffico verso la superficie cellulare e una funzionalità limitata. Una riprogettazione tramite una strategia di diversificazione con algoritmo genetico che preservava l’interfaccia di legame modificando le superfici non leganti ha rivelato una finestra di punto isoelettrico capace di migliorare l’espressione dei CAR e di aumentare l’uccisione selettiva delle cellule tumorali. Gli autori formulano la conclusione in modo esplicito: l’ottimizzazione biochimica oltre l’interfaccia di legame è un requisito critico per trasformare i minibinder progettati dall’AI in applicazioni funzionanti.
Ciò che la cornice più comune sbaglia
"L’AI progetta terapie contro il cancro" appiattisce distinzioni importanti. Qui si parla di ingegneria proteica nelle cellule, non di trattamento nei pazienti — non sono riportati studi di efficacia su animali, e da questo lavoro non deriva alcun programma clinico. Anche "progettati" sopravvaluta l’automazione: il flusso di lavoro consiste nel generare molti candidati e nello screennarne molti altri, e lo screening è un lavoro di laboratorio su migliaia di candidati, non un modello che produce una molecola. Soprattutto, il risultato sulla dipendenza dal bersaglio va contro la tesi generale. Un metodo che produce diversi leganti forti per una proteina e molto meno per due proteine strutturalmente correlate non è ancora un metodo — è un metodo più una dipendenza dal bersaglio che resta da spiegare.
Perché il dato sul pI conta più dei leganti
I modelli di progettazione ottimizzano l’interfaccia, perché è l’interfaccia ciò che la funzione obiettivo valuta. Questo studio mostra che una molecola può vincere su quell’obiettivo e tuttavia fallire per una proprietà complessiva — la carica — che nessuna metrica dell’interfaccia cattura. È una critica al punteggio, non ai progetti, e vale per ogni pipeline di generazione strutturale oggi applicata alle terapie.