Prospective discovery of LasB inhibitors by integrating generative design, free energy ranking, and experimental validation
Este estudio presenta un flujo de trabajo computacional-experimental totalmente de código abierto que integra el diseño molecular generativo con cálculos rigurosos de energía libre para identificar con éxito tres potentes inhibidores nanomolares y estables del factor de virulencia LasB de *Pseudomonas aeruginosa*, demostrando un marco escalable para acelerar el descubrimiento de fármacos en etapas tempranas.
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 es como buscar una llave específica y única en una biblioteca que contiene miles de millones de cerraduras. El proceso es lento, costoso y, a menudo, frustrante, porque los químicos deben construir y probar millones de candidatos potenciales a mano para ver cuáles encajan realmente. Durante décadas, los científicos han intentado acelerar esto con computadoras, utilizándolas para predecir qué moléculas podrían funcionar antes de que se ensamble físicamente un solo átomo. Sin embargo, estas predicciones computacionales han sido a menudo demasiado imprecisas para confiar en ellas por sí solas, lo que ha llevado a los investigadores a perder tiempo sintetizando compuestos que resultan ser inútiles. El desafío ha sido crear un sistema que sea lo suficientemente rápido para explorar vastos y nuevos territorios químicos y lo suficientemente preciso para distinguir a un verdadero ganador de un casi acierto.
En un estudio reciente, un grupo de investigadores ha logrado combinar dos poderosas técnicas computacionales para resolver este problema, creando un flujo de trabajo que se mueve desde la imaginación digital hacia la realidad física con una eficiencia notable. Centraron sus esfuerzos en una bacteria peligrosa llamada Pseudomonas aeruginosa, una causa común de infecciones hospitalarias graves que es cada vez más difícil de tratar con los antibióticos existentes. Esta bacteria depende de una proteína específica, una máquina molecular conocida como LasB, para descomponer los tejidos humanos y propagar la infección. Debido a que esta proteína es secretada fuera de la célula bacteriana, es más fácil alcanzarla con un fármaco que a los objetivos ocultos dentro de la resistente capa externa de la bacteria. El objetivo era diseñar una nueva molécula que pudiera encajar en esta proteína y detener su funcionamiento, desarmando eficazmente a la bacteria sin matarla, una estrategia que podría reducir la posibilidad de que la bacteria desarrolle resistencia.
El equipo comenzó con tres moléculas conocidas que ya mostraban cierta capacidad para unirse a la proteína LasB, pero no eran perfectas. Utilizando un programa informático diseñado para generar nuevas estructuras moleculares, partieron de estas tres semillas y pidieron al software que imaginara miles de variaciones. El programa no se limitó a barajar átomos al azar; fue guiado por reglas que favorecían moléculas con alta probabilidad de ser fármacos eficaces y fáciles de fabricar en un laboratorio. Tras varias rondas de evolución digital, el software generó casi 40,000 moléculas candidatas únicas. De esta enorme biblioteca digital, los investigadores seleccionaron un grupo pequeño y diverso de 50 compuestos que parecían los más prometedores basándose en su forma y propiedades químicas.
Para asegurar que estos 50 candidatos valían realmente el coste de construirlos, el equipo aplicó una segunda prueba computacional más rigurosa. Este paso consistió en simular las fuerzas físicas entre el candidato a fármaco y la proteína con extrema precisión, calculando exactamente con qué fuerza se sujetarían el uno al otro. Este método, conocido como cálculo de energía libre, es computacionalmente costoso pero mucho más preciso que los métodos de cribado estándar. Los resultados de esta simulación permitieron al equipo clasificar los 50 candidatos y elegir los mejores para su síntesis física. Construyeron estas seis moléculas de mayor rango en el laboratorio y las probaron contra la proteína bacteriana.
El resultado fue un éxito claro para este enfoque integrado. Tres de las nuevas moléculas creadas resultaron ser inhibidores potentes, deteniendo la proteína bacteriana con alta eficiencia a concentraciones de tan solo 22 a 53 nanomolares. Estos compuestos no solo fueron poderosos, sino que también mostraron una excelente estabilidad en pruebas de sangre y metabólicas, lo que significa que probablemente sobrevivirían el tiempo suficiente en el cuerpo para cumplir su función. Aunque los nuevos fármacos mostraron cierta toxicidad para las células humanas en un cultivo, su fuerte capacidad para atacar la proteína bacteriana sugiere una vía viable para su posterior desarrollo. El estudio demuestra que, al vincular el diseño generativo, que crea nuevas ideas, con la clasificación basada en la física rigurosa, que pone a prueba esas ideas con alta precisión, los científicos pueden navegar por el vasto océano de las posibilidades químicas y encontrar tesoros valiosos sin perderse.
Los investigadores también aprendieron lecciones importantes sobre los límites de su método. Descubrieron que, si bien las predicciones computacionales fueron excelentes para clasificar qué moléculas eran mejores que otras, a veces sobreestimaban la fuerza exacta de la unión. Esta discrepancia probablemente ocurrió porque la computadora tuvo que adivinar la posición inicial de las nuevas moléculas antes de ejecutar la simulación detallada, y un pequeño error en esa suposición podría alterar el cálculo final. A pesar de esto, el sistema funcionó lo suficientemente bien como para identificar tres inhibidores completamente nuevos y altamente efectivos a partir de un grupo de miles, demostrando que esta estrategia de "primero lo digital" puede guzar el trabajo experimental de manera más efectiva que el tradicional ensayo y error. El estudio concluye que este enfoque ofrece un marco escalable y de código abierto que otros científicos pueden utilizar para abordar desafíos similares, acelerando potencialmente el descubrimiento de medicinas para otras enfermedades difíciles.
¿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.