Generative AI–enabled discovery of a CDK2-biased inhibitor for colorectal cancer

Resumen Técnico: Descubrimiento mediante IA Generativa de un Inhibidor con Sesgo hacia CDK2 para el Cáncer Colorrectal

Planteamiento del Problema
El cáncer colorrectal (CCR) sigue siendo una de las principales causas de mortalidad por cáncer a nivel mundial, con casos avanzados que suelen ser resistentes a las terapias actuales dirigidas a las vías EGFR y VEGF. La ciclina-dependiente quinasa 2 (CDK2) es un regulador crítico de la transición del ciclo celular G1/S y un objetivo terapéutico prometedor; sin embargo, el desarrollo de inhibidores selectivos de CDK2 es un desafío debido a la alta homología estructural de los bolsillos de unión de ATP en toda la familia de las CDK. Los inhibidores de moléculas pequeñas tradicionales suelen exhibir una actividad quinasa amplia, lo que provoca toxicidad fuera del objetivo (off-target). Además, los métodos convencionales de descubrimiento de fármcos computacionales dependen frecuentemente de modelos estructurales estáticos, lo que impide capturar la flexibilidad conformacional de las moléculas similares a fármacos y la naturaleza dinámica de las interacciones proteína-ligando, lo cual contribuye a la alta tasa de fracaso de las moléculas diseñadas computacionalmente durante la validación experimental.

Metodología
Los autores presentan un marco integrado de "IA a la experimentación" diseñado para descubrir inhibidores de CDK2 con sesgo de novo. El flujo de trabajo combina inteligencia artificial generativa con cribado estructural dinámico y validación experimental:

1. Marco de IA Generativa:

   • Arquitectura: Se desarrolló un sistema híbrido de Autoencoder Variacional–Red Generativa Antagónica–Aprendizaje por Refuerzo (VAE–GAN–RL).
   • Datos de Entrenamiento: Los modelos fueron entrenados con un conjunto curado de 18 inhibidores conocidos de CDK2 (incluyendo 7-hidroxiestaurosporina, dinaciclib y roscovitina) y sus conjuntos de conformaciones.
   • Generación de Conformes: Una GAN condicional (ConfGAN) aprendió las relaciones distancia-energía para generar conformeros energéticamente consistentes, preservando la quiralidad y las restricciones farmacofóricas.
   • Generación de Moléculas: El VAE mapeó grafos moleculares en un espacio latente, mientras que la GAN aseguró la validez química y la novedad. Un módulo de Aprendizaje por Refuerzo (RL) optimizó las moléculas generadas utilizando una función de recompensa multiobjetivo ($R = 0.4 \times QED + 0.3 \times SAnorm + 0.3 \times Dockproxy$), equilibrando la similitud con fármacos, la accesibilidad sintética y la afinidad de unión predicha.
   • Escala: El proceso generó más de 2.3 millones de moléculas únicas y químicamente diversas.

2. Cribado Computacional y Triaje:

   • Acoplamiento por Aprendizaje Profundo (Deep Learning Docking): Los mejores candidatos fueron cribados mediante Gnina, una herramienta de acoplamiento basada en CNN, seguida de una minimización de energía con campos de fuerza CHARMM.
   • Validación Dinámica: Los compuestos seleccionados se sometieron a simulaciones de dinámica molecular (MD) de 100 ns utilizando GROMACS para evaluar la estabilidad del complejo, el RMSD y la persistencia de los puentes de hidrógeno.
   • Perfil de Selectividad: Se realizó un estudio de acoplamiento in silico en todo el kinoma contra 520 quinasas humanas para evaluar la selectividad.

3. Validación Experimental:

   • Síntesis: El compuesto líder, CDKCRC-EMBS, fue sintetizado mediante una ruta de cinco pasos y caracterizado por RMN, espectrometría de masas de alta resolución y HPLC.
   • Ensayos Bioquímicos: La inhibición de CDK2/ciclina E se midió mediante ensayos de quinasa ADP-Glo™ y Resonancia de Plasmón Superficial (SPR).
   • Ensayos Celulares: La eficacia del compuesto se probó en líneas celulares de cáncer colorrectal y células epiteliales colónicas normales para evaluar la detención del ciclo celular, la supresión de la fosforilación de Rb, la inducción de la apoptosis y la citotoxicidad.

Resultados Clave

• Identificación del Compuesto Líder: El marco de IA identificó al CDKCRC-EMBS (PubChem CID: 9829487) como el principal candidato. Demostró una energía de unión predicha de –11.95 kcal mol⁻¹ y una puntuación de Estimación Cuantitativa de Similitud con Fármacos (QED) de 0.83, superando al andamio de referencia 7-hidroxiestaurosporina.
• Modo de Unión: El acoplamiento y las simulaciones de MD revelaron que el CDKCRC-EMBS se une de manera estable dentro del bolsillo de ATP de la CDK2, formando puentes de hidrógeno canónicos en la región de la bisagra con Glu81 y Leu83, además de interacciones estabilizadoras adicionales con Lys33 y Asp145. El núcleo de quinazolinona establece un apilamiento $\pi$–$\pi$ con Phe80.
• Selectividad: El perfilado de todo el kinoma indicó un fuerte sesgo hacia la CDK2. Aunque quinasas estrechamente relacionadas (CDK1, CDK4, CDK7, CDK9) mostraron una unión reducida, los objetivos fuera de blanco clínicamente relevantes (p. ej., EGFR, PI3K, AKT) exhibieron interacciones predichas significativamente más débiles.
• Potencia Bioquímica: Los ensayos experimentales confirmaron una inhibición potente de CDK2/ciclina E con una IC₅₀ de 1.92 ± 0.12 µM y una constante de disociación (Kᴅ) de 1.35 µM.
• Eficacia Celular: En modelos celulares de CCR, el CDKCRC-EMBS indujo la detención del ciclo celular, suprimió la fosforilación de Rb y promovió la apoptosis. Crucialmente, el compuesto mostró una toxicidad mínima hacia las células epiteliales colónicas normales.
• Estudios de Ablación: El análisis comparativo demostró que el flujo completo VAE–GAN–RL, particularmente la inclusión del aprendizaje conformacional (ConfGAN) y la optimización por RL, produjo la mayor tasa de enriquecimiento de candidatos estables y de primer rango en comparación con las variantes abladas.

Significancia y Reivindicaciones
El artículo afirma establecer un paradigma de descubrimiento escalable impulsado por IA que logra cerrar la brecha entre el diseño in silico y la realidad experimental mediante la integración del aprendizaje conformacional con el cribado dinámico. Los autores sostienen que este enfoque supera las limitaciones del cribado basado en estructuras estáticas, permitiendo la identificación de inhibidores novedosos, sintéticamente accesibles y biológicamente validados. El estudio identifica al CDKCRC-EMBS como un candidato terapéutico prometedor con sesgo hacia la CDK2 para el cáncer colorrectal, demostrando que la IA generativa puede navegar eficazmente espacios químicos complejos para producir moléculas con perfiles favorables de estabilidad dinámica y selectividad. El trabajo destaca el potencial de combinar el aprendizaje profundo con la dinámica molecular para priorizar compuestos que tienen mayores probabilidades de tener éxito en la validación experimental.