G-protein coupled receptors (GPCRs) represent the biggest family of membrane receptors. The physiological accessibility of drugs, their regulatory roles in a vast amount of physiological and pathophysiological processes, and their prevalence in many tissues are reasons why they are highly targeted in a therapeutic context. To exploit the modulatory capabilities of GPCRs prior knowledge of their mechanism of action on a molecular level is required. This is especially important for the successful application of rational structure-based drug design campaigns. Sphingosine-1-phosphate receptors (S1PR) has shown to be effective drug targets against multiple sclerosis (MS), but non-selective drugs suffer from serious adverse effects. Furthermore, targeting a single S1PR holds a lot of potentials to modulate different inflammatory and autoimmune diseases. In this thesis, we present in silico mechanistic models for the identification of crucial structural determinants to illuminate the molecular basis for Sphingosine-1-phosphate receptor selectivity and the general class A GPCR activation process. We employed extensive molecular dynamic (MD) simulation models of S1PR1-5 and performed a holistic comparative orthosteric protein-ligand interaction analysis of identified different binding modes of a pan-agonist to overcome the challenge of highly similar binding pockets between each subtype and rationally explained the selective behavior of marketed drugs Ozanimod and Siponimod used in multiple sclerosis therapy. Furthermore, we provide insights into the mechanism of class A GPCR activation and how dihedral angles of the protein backbone are involved in this process. By developing a data extraction and machine learning workflow we created predictive models for active and inactive state GPCR conformations and showed possible applications for GPCR homology models and MD simulation predictions in a fast and efficient way. The methods and workflow to apply the prediction models are provided as a python package on GitHub (github.com/TrungNgocNguyen/GPCRml). The unique and rational combination of state-of-the-art molecular modeling, data extraction and analysis, and machine learning methods demonstrate how explanatory in silico models can be developed to elevate the understanding of challenging problems in the field of GPCRs.
G-Protein-gekoppelte Rezeptoren stellen die größte Familie von Membranrezeptoren dar. Die physiologische Zugänglichkeit für Medikamente, ihre regulatorische Rolle in einer Vielzahl von physiologischen und pathophysiologischen Prozessen und die Prävalenz in vielen Geweben sind Gründe, warum sie in einem therapeutischen Kontext gezielt genutzt werden. Um die modulierenden Fähigkeiten von GPCRs voll auszuschöpfen, ist eine vorherige Kenntnis ihres Wirkungsmechanismus auf molekularer Ebene erforderlich. Dies ist besonders wichtig für die erfolgreiche Anwendung rationaler strukturbasierter Arzneimitteldesign-Kampagnen. Sphingosin-1-Phosphat-Rezeptoren (S1PR) haben sich als wirksame Arzneimittelziele gegen Multiple Sklerose (MS) erwiesen, aber nicht-selektive Arzneimittel leiden unter schwerwiegenden Nebenwirkungen. Darüber hinaus birgt das Ansprechen einzelner S1PR ein großes Potenzial zur Modulation verschiedener Entzündungs- und Autoimmunerkrankungen. In dieser Dissertation präsentieren wir in silico mechanistische Modelle zur Identifizierung wichtiger struktureller Determinanten, um die molekularen Grundlagen für die Selektivität der Sphingosin-1-phosphat-Rezeptor Familie und den allgemeinen Aktivierungsprozess von Klasse A GPCR zu beleuchten. Wir verwenden umfangreiche molekulardynamische Modelle von S1PR1-5 und führen eine ganzheitliche vergleichende Protein-Ligand-Interaktionsanalyse der orthosterischen Bindetasche mit verschiedenen entdeckten Bindungsmodi eines Pan-agonisten durch, um das Problem der fast einheitlichen Bindetaschen zwischen den einzelnen Subtypen zu überwinden. So konnten wir das selektive Verhalten der zugelassenen Medikamente Ozanimod und Siponimod rational erklären, welche in der Multiple-Sklerose-Therapie eingesetzt werden. Darüber hinaus haben wir Einblicke in den Mechanismus der GPCR-Aktivierung der Klasse A gegeben und wie Änderungen der Torsionswinkel des Proteinrückgrats an diesem Prozess beteiligt sind. Durch die Entwicklung eines Arbeitsablaufs für die Datenextraktion mit maschinellem Lernen haben wir ein Vorhersagemodell für GPCR-Konformationen im aktiven und inaktiven Zustand erstellt und mögliche Anwendungen für die schnelle und effiziente Analyse von GPCR-Homologiemodellen und Molekular Dynamik Simulationen gezeigt. Die Methode zur Anwendung der Vorhersagemodelle ist als Python-Paket auf GitHub (https://github.com/TrungNgocNguyen/GPCRml) verfügbar. Die einzigartige und rationale Kombination aus modernster molekularer Modellierung, Datenextraktion und -analyse sowie maschinellen Lernmethoden zeigt, wie aussagekräftige In-silico-Modelle entwickelt werden können, um das Verständnis für herausfordernde Probleme auf dem Gebiet der GPCRs zu verbessern.
