Integrated Machine Learning, Virtual Screening and Molecular Dynamics to Discover Febuxostat as a Novel S1PR1 Modulator

Resumen Técnico: Integración de Aprendizaje Automático, Cribado Virtual y Dinámica Molecular para el Descubrimiento de Febuxostat como un Nuevo Modulador de S1PR1

Planteamiento del Problema
El receptor de esfingosina-1-fosfato 1 (S1PR1) es un regulador crítico del tráfico de linfocitos y un objetivo terapéutico validado para enfermedades autoinmunes, particularmente la Esclerosis Múltiple (EM). La modulación farmacológica de S1PR1 secuestra linfocitos autorreactivos en los ganglios linfáticos, evitando su migración hacia el sistema nervioso central. Sin embargo, el descubrimiento de fármacos tradicional para tales objetivos es lento, consume muchos recursos y se caracteriza por altas tasas de abandono. El estudio aborda la necesidad de acelerar la identificación de nuevos moduladores de S1PR1 mediante la integración de la inteligencia artificial con técnicas clásicas de química computacional para cerrar la brecha entre los modelos estructurales estáticos y los sistemas biológicos dinámicos.

Metodología
Los autores desarrollaron un flujo de trabajo computacional integrado de múltiples etapas:

1. Curación de Datos y Entrenamiento de Aprendizaje Automático (ML):

   • Se curó un conjunto de datos de 4,022 compuestos de ChEMBL (ChEMBL ID: CHEMBL4333), que comprende 3,399 compuestos activos y 623 inactivos basados en valores de pChEMBL (umbral ≥ 6 para activos).
   • Las características moleculares se diseñaron utilizando descriptores fisicoquímicos (p. ej., LogP, TPSA) e imprimaciones circulares de Morgan (ECFP4).
   • El conjunto de datos se equilibró utilizando la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) y se dividió en conjuntos de entrenamiento (80%) y prueba (20%).
   • Se entrenaron y evaluaron cuatro clasificadores supervisados—Random Forest (RF), Máquina de Vectores de Soporte (SVM), Regresión Logística (LR) y Extreme Gradient Boosting (XGBoost).

2. Cribado Virtual y Acoplamiento (Docking):

   • El modelo optimizado de Random Forest se aplicó para cribar 12,310 compuestos de la base de datos DrugBank.
   • Los compuestos con una probabilidad de actividad predicha > 0.5 fueron seleccionados para un cribado virtual basado en la estructura.
   • El acoplamiento molecular se realizó utilizando AutoDock Vina contra la conformación activa de la proteína humana S1PR1 (PDB ID: 7EW0), complejada con el agonista Ozanimod. La caja de rejilla (grid box) se centró en el bolsillo de unión ortostérico definido por el ligando co-cristalizado.

3. Perfilado ADMET y Filtrado:

   • Los mejores resultados del acoplamiento fueron sometidos a un riguroso perfilado farmacocinético y de toxicidad utilizando SwissADME, pkCSM y ADMETlab 3.0.
   • Los criterios de filtrado incluyeron la Regla de Cinco de Lipinski, las reglas de Veber, alta absorción gastrointestinal, baja permeabilidad a través de la barrera hematoencefálica (BHE), ausencia de inhibición de CYP450 y ausencia de mutagenicidad, hepatotoxicidad o bloqueo del canal hERG.

4. Simulación de Dinámica Molecular (MD):

   • El candidato más prometedor, Febuxostat, fue seleccionado para la simulación de MD para evaluar la estabilidad estructural y la persistencia de la unión.
   • Las simulaciones se realizaron utilizando GROMACS (v2021.4) con el campo de fuerza CHARMM27 y el modelo de agua TIP3P.
   • Debido a restricciones computacionales, se analizó una carrera de producción de 15 ns (extraída de una carrera prevista de 50 ns) para evaluar la Desviación de la Raíz Cuadrática Media (RMSD), la Fluctuación de la Raíz Cuadrática Media (RMSF), el Radio de Giro (Rg), el Área de Superficie Accesible al Solvente (SASA) y los enlaces de hidrógeno.

Resultados Clave

• Rendimiento del Aprendizaje Automático: El modelo Random Forest demostró un rendimiento predictivo superior con una precisión de 0.90 y un Área Bajo la Curva (AUC) de 0.92. Alcanzó una sensibilidad (recall) de 0.97 para la clase activa, lo que indica una alta capacidad para identificar moduladores potenciales.
• Cribado Virtual y Acoplamiento: Del cribado inicial de DrugBank, se acoplaron con éxito 446 ligandos. Aunque algunos compuestos (p. ej., Adomeglivant) mostraron afinidades de unión más altas (−11.314 kcal/mol), fueron excluidos debido a perfiles ADMET deficientes. Cuatro candidatos cumplieron con todos los criterios de filtrado, incluyendo Febuxostat (−7.505 kcal/mol) y un derivado de la desoxirribofuranosil (−8.142 kcal/mol).
• Perfiles ADMET: Los cuatro compuestos preseleccionados exhibieron una excelente semejanza a fármacos, alta absorción gastrointestinal y baja permeabilidad a través de la BHE. Crucialmente, se predijo que no son mutagénicos, no son hepatotóxicos y no inhiben los canales hERG.
• Dinámica Molecular y Análisis de Interacción:
  • Las simulaciones de MD confirmaron la estabilidad estructural del complejo Febuxostat-S1PR1, con valores de RMSD que se estabilizaron entre 0.3 nm y 0.4 nm después de 12 ns.
  • El Radio de Giro (Rg) y el SASA indicaron una estructura globular compacta y bien plegada mantenida durante toda la simulación.
  • El análisis del Perfilador de Interacción Proteína-Ligando (PLIP) reveló que el Febuxostat ocupa el bolsillo ortostérico imitando el anclaje hidrofóbico del ligando de referencia, Ozanimod. Específicamente, el Febuxostat mantuvo interacciones hidrofóbicas persistentes y apilamiento $\pi$ (pi-stacking) con los residuos clave PHE 210 y LEU 195.
  • Mientras que el ligando de referencia depende de un enlace de hidrógeno con LYS 34, el Febuxostat formó un enlace de hidrógeno transitorio pero significativo con SER 129, respaldado por una red hidrofóbica robusta.

Significancia y Reivindicaciones
El artículo afirma que este estudio valida la efectividad de integrar flujos de trabajo impulsados por IA con modelado molecular clásico para acelerar el descubrimiento de fármacos. La contribución principal es la identificación del Febuxostat, un inhibidor de la xantina oxidasa clínicamente aprobado para la gota, como un nuevo modulador de S1PR1, estructuralmente distinto.

Los autores sostienen que:

1. El flujo de trabajo integrado logró reducir exitosamente un vasto espacio químico a candidatos de alta confianza.
2. El Febuxostat exhibe un modo de unión estable dentro del bolsillo ortostérico de S1PR1, imitando eficazmente la red de interacción de los moduladores clínicos establecidos como Ozanimod.
3. El perfil ADMET favorable del compuesto y su predicha incapacidad para cruzar la BHE sugieren que es un candidato viable para la inmunomodulación periférica en la EM y trastornos relacionados sin efectos secundarios en el sistema nervioso central.

El estudio concluye que, si bien estos hallazgos son prometedores, representan un descubrimiento computacional que requiere validación experimental adicional (in vitro e in vivo) para confirmar la actividad funcional y la eficacia terapéutica. Los autores enfatizan que este enfoque resalta el potencial del reposicionamiento de fármcos computacional para descubrir interacciones de objetivos previamente no reconocidas entre fármacos aprobados.