Reverse-engineering β-Arrestin Bias in the δ-Opioid Receptor
Notice bibliographique
Résumé
Abstract G protein–coupled receptors (GPCRs) form the largest family of cell-surface receptors and remain prime targets in drug discovery. A central challenge in modern GPCR drug discovery is understanding and exploiting biased agonism: the ability of ligands to favor signaling via therapeutically beneficial pathways while avoiding those that trigger side effects. Therefore, pinpointing the structural determinants of signaling bias is crucial for rational drug design. Biased agonists are particularly compelling for targeting opioid receptors, as in this family, ligands that limit β-arrestin (β-arr) recruitment are believed to preserve analgesia while reducing respiratory depression and addiction liabilities. Here, we use extensive all-atom molecular dynamics (MD) simulations to dissect signaling bias in the δ-opioid receptor (δOR). Focusing on a receptor mutant with a strong β-arr bias, we employed a reverse-engineering approach to reveal the conformational mechanisms that promote β-arr recruitment. Building on these insights, engineer new mutations that reshape the receptor’s signaling profile. Importantly, this approach allowed us to pinpoint signaling bias to motions of a single microswitch and identify how structural receptor motions induced by the mutations and ligand contacts cooperate to promote a specific functional response. In this proof-of-concept study, we not only provide structural insights into δOR pharmacology but also demonstrate how computational methods can be leveraged to probe structural mechanisms of signaling specificity across GPCRs, paving the way for the rational design of tailored receptor variants and novel, safer, and more effective therapeutics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».