Facilitating the identification of cryo-EM hit matter in drug discovery with Astex-Faro

En la búsqueda de nuevos medicamentos, los científicos suelen comenzar encontrando diminutos fragmentos químicos que se adhieren a una proteína específica, de forma muy parecida a como una llave encuentra la cerradura adecuada. Estos fragmentos suelen ser muy pequeños y se unen de forma muy débil, lo que los hace difíciles de detectar. Para observar estas interacciones, los investigadores utilizan una potente técnica de imagen llamada criomicroscopía electrónica, que congela las proteínas en una fina capa de hielo y toma miles de fotografías para construir un modelo 3D. Sin embargo, cuando un fragmento se une solo a unas pocas de las moléculas de la proteína en una muestra, su señal se pierde en el ruido, apareciendo como una mancha tenue y borrosa en lugar de una forma clara. Esto dificulta saber si un candidato a fármaco realmente ha funcionado o si la imagen es el resultado de una variación experimental.

Un equipo de investigadores ha desarrollado un nuevo método llamado Astex-Faro para resolver este problema de detección de señales débiles en un campo congestionado. En lugar de observar una imagen de forma aislada, el método compara una nueva imagen con una gran colección de imágenes de referencia tomadas de la misma proteína cuando no tiene ningún fármaco unido. Al analizar las diferencias entre la nueva imagen y el grupo completo de imágenes de referencia, el sistema puede identificar matemáticamente qué partes de la estructura son verdaderamente diferentes. Esto permite que el software resalte los puntos diminutos y tenues donde un fragmento de fármaco podría estar uniéndose, incluso si solo está presente en una pequeña fracción de las muestras. Los investigadores probaron este enfoque en tres proteínas diferentes, incluyendo una que se encuentra dentro de las membranas celulares, y descubrieron que podía detectar estas interacciones débiles y hacerlas más claras para el ojo humano.

El núcleo de este nuevo enfoque se basa en un marco estadístico que trata un grupo de imágenes de proteínas como una población única y consistente. Antes de buscar un fármaco, los investigadores establecen primero cómo se ve la proteína cuando está vacía, o "apo", reuniendo un conjunto de muchas reconstrucciones diferentes de esa misma proteína vacía. Debido a que no hay dos imágenes de microscopio exactamente iguales debido a las variaciones naturales del experimento, el equipo necesitaba una forma de medir qué tan consistentes son estas imágenes entre sí. Introdujeron una nueva métrica, que llaman Coherencia de Capa de Fourier (Fourier Shell Coherence), para comprobar si el grupo de imágenes concuerda en los detalles de la estructura hasta un nivel específico de nitidez. Esto asegura que cualquier diferencia encontrada posteriormente sea un cambio real en la proteína y no simplemente ruido aleatorio o inconsistencias en la forma en que se tomaron las imágenes.

Una vez que el equipo estableció esta base fiable de cómo se ve la proteína vacía, pudieron probarla contra una nueva imagen donde podría estar presente un fármaco. El software calcula una puntuación para cada punto diminuto del modelo 3D, midiendo cuánto se desvía ese punto del promedio del grupo de la proteína vacía. Si un punto es significativamente diferente, se marca como un posible sitio de unión. En las pruebas con una proteína llamada beta-galactosidasa, el método resaltó con éxito una molécula de fármaco e incluso mostró cómo las propias partes de la proteína se desplazaron ligeramente para acomodar al nuevo huésped. Los investigadores también observaron estos desplazamientos en las cadenas laterales de la proteína, que son los pequeños brazos que ayudan a sujetar el fármaco, confirmando que los cambios eran biológicamente significativos y no meros errores aleatorios.

El poder de este método se hace aún más evidente cuando se trata de objetivos difíciles, como las proteínas insertadas en las membranas celulares. Estas estructuras son naturalmente más complejas y variables, lo que dificulta la visualización de pequeñas moléculas de fármacos. Cuando el equipo aplicó su método a una proteína de membrana llamada TRPML1, pudieron encontrar un fármaco uniéndose profundamente dentro de la membrana, una región que suele ser muy ruidosa y difícil de interpretar. Aunque la señal del fármaco era tenue y fragmentada, el análisis estadístico la identificó como un cambio significativo respecto a la proteína vacía. El método también reveló que la estructura de la proteína se reordenó alrededor del fármaco, proporcionando una imagen clara de cómo funciona la interacción a pesar del entorno desafiante.

Quizás la característica más valiosa de Astex-Faro es su capacidad para recuperar señales que son tan débiles que normalmente serían invisibles. Esto sucede cuando un fármaco solo se une a un pequeño porcentaje de las proteínas en una muestra, una situación conocida como ocupación parcial. En estos casos, la densidad del fármaco se diluye por las muchas proteínas vacías, lo que hace que desaparezca en el fondo. Los investigadores demostraron que su método podía calcular un factor de ponderación específico para eliminar matemáticamente la señal "vacía" de la imagen. Cuando aplicaron esta corrección a un conjunto de datos donde el fármaco solo estaba presente en una pequeña fracción de las moléculas, las líneas tenues y fragmentadas del fármaco se convirtieron repentinamente en una forma continua y clara. Esta mejora fue tan efectiva que les permitió ver la estructura del fármaco con niveles de detalle superiores a los posibles con los datos originales sin procesar.

Para demostrar que esta mejora era real y no un artefacto del software, el equipo creó conjuntos de datos artificiales mezclando imágenes generadas por computadora de proteínas vacías con imágenes de proteínas unidas a fármacos en proporciones conocidas. Descubrieron que, a medida que reducían la cantidad de proteína unida al fármaco, la señal se debilitaba, pero el método aún podía recuperar la forma del fármaco hasta un punto en el que solo el 20% o el 30% de las moléculas estaban unidas. Incluso en estos escenarios difíciles, el software podía distinguir el fármaco del ruido de fondo y agudizar la imagen lo suficiente como para ver la conexión entre el fármaco y la proteína. Esto sugiere que el método es lo suficientemente robusto como para manejar la realidad desordenada de los experimentos reales, donde la unión del fármaco suele ser incompleta y las imágenes están llenas de ruido.

Los investigadores también compararon su nueva herramienta con métodos existentes que intentan mejorar la claridad de la imagen. Aunque otras técnicas pueden suavizar las imágenes o normalizar el contraste, no tienen la capacidad de identificar estadísticamente qué partes de una imagen son verdaderamente diferentes de un grupo de referencia. El nuevo método destaca porque busca específicamente valores atípicos: partes de la estructura que no encajan con el patrón de la proteína vacía. Este enfoque dirigido significa que puede encontrar un evento de unión de un fármaco sin distraerse con el resto de la proteína, lo que lo convierte en una herramienta más precisa para el descubrimiento de fármacos. El equipo confirmó que sus resultados fueron consistentes en diferentes tipos de proteínas y condiciones experimentales, desde muestras simples y uniformes hasta proteínas de membrana complejas con baja ocupación de fármaco.

En última instancia, este trabajo proporciona un marco práctico para el cribado de un gran número de posibles candidatos a fármacos utilizando la criomicroscopía electrónica. Al facilitar la detección de eventos de unión débiles y parciales, el método reduce el riesgo de pasar por alto un candidato a fármaco prometedor simplemente porque la señal era demasiado tenue para verse. Aumenta la confianza de los científicos en sus hallazgos, asegurando que, cuando identifican un acierto, se trata de una interacción genuina y no de una falsa alarma. A medida que el campo del descubrimiento de fármacos avanza hacia el análisis de cientos de conjuntos de datos para encontrar la próxima generación de medicinas, herramientas como esta serán esenciales para convertir vastas cantidades de datos brutos en información clara y accionable sobre cómo los fármacos interactúan con sus objetivos.