A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design
El artículo presenta LDDM, un modelo generativo 3D unificado que supera los desafíos de accesibilidad sintética en el descubrimiento de fármacos al permitir el diseño rápido de nuevas moléculas pequeñas y péptidos específicos para un objetivo, los cuales fueron validados experimentalmente para lograr una alta afinidad de unión y precisión estructural a través de cinco proteínas diana.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Encontrar un nuevo medicamento a menudo se siente como buscar una llave específica y concreta en una habitación llena de miles de millones de cerraduras. Durante décadas, los científicos han intentado resolver esto probando vastas bibliotecas de compuestos químicos existentes, con la esperanza de encontrar uno que encaje en una proteína causante de enfermedades. Si bien este método ha funcionado, es lento y está limitado por el enorme número de posibilidades. Un enfoque más reciente utiliza computadoras para diseñar estas llaves desde cero, creando moléculas que nunca antes habían existido. El desafío con este método, sin embargo, ha sido que los diseños por computadora a menudo se ven bien en una pantalla, pero son imposibles o increíblemente difíciles de construir para los químicos en un laboratorio real.
Un equipo de investigadores ha introducido ahora un nuevo sistema llamado LDDM que cierra esta brecha. En lugar de solo soñar con formas complejas, este sistema diseña moléculas teniendo en cuenta los pasos prácticos de construcción. Actúa como una herramienta unificada que no solo puede imaginar nuevos fármacos, sino también asegurar que puedan ser sintetizados utilizando bloques de construcción químicos estándar. Al combinar la capacidad de predecir cómo encaja una molécula en una proteína con un enfoque estricto en lo que es realmente manufacturable, los investigadores han creado un flujo de trabajo que pasa del diseño digital a la realidad física con una velocidad y precisión notables.
El núcleo de este trabajo es un modelo de aprendizaje automático entrenado en una colección masiva de estructuras tridimensionales de proteínas y fármacos. Imagine a un estudiante que ha estudiado millones de fotos de cómo las llaves encajan en las cerraduras; este modelo ha aprendido las reglas físicas de esas interacciones. A diferencia de sistemas anteriores que podrían generar una molécula y esperar que funcione, LDDM descompone el proceso de diseño en piezas más pequeñas y manejables. Puede tomar un fármaco conocido, ocultar una parte de él y pedirle a la computadora que invente una nueva pieza que encaje perfectamente en el espacio restante. También puede comenzar con un bolsillo vacío en una proteína y construir una molécula desde cero, átomo por átomo. Crucialmente, el sistema incluye una característica "programable" que guía el proceso de diseño. Verifica cada paso para asegurar que la molécula permanezca químicamente estable, encaje estrechamente en la proteína objetivo y pueda ser ensamblada a partir de una lista preaprobada de ingredientes que están fácilmente disponibles para los químicos.
Para demostrar que este sistema funciona, los investigadores lo probaron en cinco objetivos biológicos diferentes, que van desde enzimas involucradas en el cáncer hasta proteínas utilizadas por virus. En un experimento, rediseñaron una molécula que ayuda al cuerpo a descomponer una proteína específica vinculada al crecimiento celular. La computadora sugirió nuevas estructuras químicas para los bordes exteriores del fármaco. Cuando el equipo sintetizó estos cuatro nuevos diseños, todos se unieron con éxito a la proteína objetivo con alta precisión. En otra prueba, mejoraron un inhibidor de péptidos diseñado para detener una proteína llamada catepsina S, que está activa en enfermedades inflamatorias. Al intercambiar una parte de la molécula por un aminoácido no natural sugerido por el modelo, crearon una versión que era 3.5 veces más potente que la original.
Los investigadores también abordaron el desafío de crear fármacos completamente nuevos desde cero. Para una proteína llamada PGK1, que está involucrada en el metabolismo energético y vinculada a diversas enfermedades, el sistema generó miles de candidatos únicos. Después de filtrar aquellos que podían comprarse o fabricarse fácilmente, el equipo probó seis. Cuatro de ellos se unieron a la proteína, y el mejor mostró una fuerza de unión de 14.7 micromolar. Para confirmar exactamente cómo funcionaban estas nuevas moléculas, el equipo utilizó técnicas de imagen avanzadas como la espectroscopia de resonancia magnética nuclear y la resonancia de plasmón superficial. Estos métodos permitieron ver la interacción física del fármaco con la proteína, confirmando que la predicción de la computadora sobre la posición de unión era correcta.
Se observaron éxitos similares con proteínas involucradas en el cáncer y el virus SARS-CoV-2. Para una proteína llamada BRD4, que regula la expresión génica, el sistema diseñó una nueva molécula que se unió al objetivo con una afinidad estimada entre 40 y 60 micromolar. Para validar esta unión, el equipo utilizó la espectroscopia de resonancia magnética nuclear para observar cambios químicos en la proteína consistentes con el sitio de unión predicho. Para la proteína viral llamada Mac1, el equipo diseñó una molécula que podía desplazar una señal celular natural, logrando una concentración inhibitoria de 46.2 micromolar. En el caso de la proteína viral, la cristalografía de rayos X confirmó la estructura física del nuevo fármaco asentado dentro de la proteína, coincidiendo con los modelos computacionales con alta precisión. En cada caso, las moléculas fueron sintetizadas con éxito en el laboratorio.
El estudio demuestra que la inteligencia artificial generativa puede ir más allá de los ejercicios teóricos para producir medicinas tangibles y comprobables. Al restringir a la computadora para que diseñe solo dentro del ámbito de lo que es sintéticamente posible, los investigadores evitaron la trampa común de crear moléculas "inconstruibles". Los resultados sugieren que este enfoque puede acortar significativamente el tiempo necesario para encontrar un punto de partida para un nuevo fármaco. Aunque las moléculas identificadas en este estudio aún no están listas para convertirse en medicamentos por sí mismas, sirven como puntos de partida confirmados que se unen a sus objetivos exactamente como se predijo. Este trabajo proporciona un marco práctico para el futuro del descubrimiento de fármacos, donde las computadoras y los químicos trabajan en un ciclo estrecho para diseñar, construir y probar nuevas terapias con una eficiencia mayor que nunca.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.