Automated dataset integrating structural and bioactivity data for structure-based drug discovery

Imagina que estás tratando de enseñarle a un robot cómo diseñar una llave nueva que encaje perfectamente en una cerradura específica. En el mundo de la medicina, las "cerraduras" son proteínas dentro de nuestros cuerpos que causan enfermedades, y las "llaves" son diminutas moléculas de fármacos. Durante décadas, los científicos han intentado construir un robot superinteligente (usando aprendizaje automático) que pueda predecir exactamente qué tan bien encajará una llave en una cerradura solo con mirar sus formas. Pero hay un gran problema: el robot tiene hambre de datos, y los datos que necesita están dispersos por todas partes. Algunos científicos tienen la forma de la cerradura, otros tienen las mediciones de qué tan bien gira una llave, pero rara vez están en el mismo lugar. Es como intentar enseñarle a un chef a cocinar una comida perfecta cuando la receta está en un libro, la foto de los ingredientes en otro y los resultados de la prueba de sabor en un tercero. Sin una biblioteca masiva y organizada que conecte la forma de la cerradura con la fuerza exacta del agarre de la llave, el robot no puede aprender de manera efectiva.

Aquí es donde comienza la historia de DockTData. Un equipo de investigadores del Laboratorio Nacional de Computación Científica de Brasil decidió construir esa biblioteca faltante. No solo reunieron algunas recetas; construyeron una fábrica automatizada que recorre internet en busca de cada pieza de información disponible sobre cerraduras de proteínas y llaves de fármacos, las une y las organiza en un único y gigante conjunto de datos. Piensa en esto como un servicio masivo de "matchmaking" o emparejamiento digital. Toma los planos 3D de las proteínas del Protein Data Bank (PDB) y los vincula con los resultados de pruebas del mundo real de bases de datos como BindingDB y ChEMBL. El resultado es un tesoro de más de 24.719 complejos proteína-ligando únicos. Esto no es solo una lista de números; es una colección donde cada molécula de fármaco está ligada directamente a su estructura 3D y a su fuerza medida (qué tan fuerte se une), estandarizada para que una computadora pueda leerlo todo a la vez. Al hacer que estos datos sean abiertos y gratuitos para todos, los autores esperan dar a la próxima generación de robots de descubrimiento de fármacos el combustible que necesitan para aprender más rápido y de manera más inteligente, lo que potencialmente conducirá a nuevos medicamentos para enfermedades que actualmente no tienen cura.

La misión central del artículo: Construir la biblioteca definitiva para el diseño de fármacos

El artículo presenta DockTData, un nuevo conjunto de datos disponible abiertamente, diseñado para potenciar el "descubrimiento de fármacos basado en la estructura". En términos sencicos, este es el proceso de diseñar fármacos observando la forma 3D de la proteína objetivo y determinando qué moléculas encajarán mejor en ella. Los autores crearon este conjunto de datos construyendo una canalización (pipeline) automatizada que actúa como un bibliotecario supereficiente. Este bibliotecario sale a tres fuentes masivas —el Protein Data Bank (PDB), que contiene estructuras 3D de proteínas; BindingDB; y ChEMBL, que contienen mediciones de qué tan bien se unen los fármacos a las proteínas— y lo une todo.

La magia de DockTData reside en cómo conecta los puntos. Antes de esto, un científico podía tener una imagen de una proteína con un fármaco adherido, pero no sabría exactamente qué tan fuerte era ese enlace, o podría encontrar la medición de la fuerza en una base de datos diferente sin tener la imagen. DockTData resuelve esto vinculando los 24.719 complejos proteína-ligando (las "cerraduras" con sus "llaves") directamente con 45.331 mediciones de bioactividad. Estas mediciones incluyen valores como Kd, Ki, IC50 y EC50, que son todas formas de decir "¿qué tan fuerte se adhiere este fármaco?". Los autores estandarizaron todos estos valores en unidades de nanomolar (nM), para que puedan compararse de igual a igual.

Cómo lo hicieron: La máquina de emparejamiento automatizada

Los investigadores no se limitaron a copiar y pegar; construyeron un sistema sofisticado para asegurar que las coincidencias fueran perfectas. Utilizaron algunos trucos ingeniosos para asegurar que los datos fueran limpios y confiables:

• La coincidencia de la proteína: Utilizaron una herramienta llamada MMseqs2 para comparar secuencias de proteínas. Establecieron una regla de que una secuencia de proteína de una prueba de fármaco debe ser al menos un 85% idéntica a la proteína en la estructura 3D para contar como una coincidencia. Esto es como decir: "Si la cerradura se ve un 85% igual a la de la foto, asumiremos que es la misma cerradura". Este umbral fue elegido para incluir variaciones útiles (como versiones ligeramente diferentes de la misma proteína) sin incluir proteínas totalmente diferentes.
• La coincidencia del fármaco: Para las moléculas de los fármacos, utilizaron algo llamado InChIKey. Piensa en esto como un código de barras único de 27 caracteres para cada estructura química. Al recalcular estos códigos de barras usando una herramienta estándar (RDKit) para cada entrada, se aseguraron de que el mismo fármaco no apareciera dos veces bajo nombres diferentes o con diferencias pequeñas y confusas.
• La regla de "Una llave, una cerradura": Fueron muy estrictos con el emparejamiento. Si una estructura de proteína tenía dos fármacos diferentes adheridos al mismo tiempo, la excluyeron. Solo mantuvieron los complejos donde había exactamente una molécula de fármaco emparejada con una estructura de proteína. Esto evita la confusión al entrenar modelos computacionales.

¿Qué hay dentro de la caja?

El conjunto de datos resultante es una colección masiva de información, organizada en tablas fáciles de usar. Esto es lo que obtienes:

• 24.719 complejos proteína-ligando únicos.
• 11.742 moléculas de fármacos distintas (ligandos).
• 17.732 estructuras de proteínas únicas del PDB.
• 2.163 diferentes objetivos proteicos (las "cerraduras").
• Una mezcla de moléculas pequeñas (el tipo de fármaco clásico, que constituye 24.378 de las entradas), péptidos (271 entradas) e incluso algunos oligosacáridos (70 entradas).

Los autores señalan que su colección de moléculas pequeñas es un 46% más grande que la parte de moléculas pequeñas de la popular versión 2020 del conjunto general de PDBbind, que tenía 16.744 entradas. Esto significa que DockTData ofrece un campo de juego significativamente mayor para que los científicos prueben sus ideas.

Por qué esto es importante: Más que solo números

El artículo enfatiza que la calidad y el tamaño de los datos de entrenamiento son los mayores cuellos de botella para el aprendizaje automático en el descubrimiento de fármacos. Si entrenas a un robot con un conjunto de datos pequeño y desordenado, aprenderá malos hábitos. DockTData ofrece un conjunto de datos "más limpio", más grande y más transparente. Debido a que los autores rastrearon exactamente de dónde proviene cada pieza de información (la "procedencia"), los científicos pueden rastrear cualquier número hasta su fuente original, verificar errores y comprender el contexto.

El conjunto de datos incluye una gran variedad de tipos de medición: el 58.8% son valores de IC50, el 20.3% son Ki, el 11.3% son Kd, y el 9.7% son EC50. Esta diversidad es importante porque diferentes tipos de mediciones cuentan historias ligeramente diferentes sobre cómo funciona un fármaco. Al tenerlas todas en un solo lugar, estandarizadas en unidades nanomolares, los investigadores pueden elegir el tipo específico de datos que se ajuste a sus necesidades.

Las "zonas prohibidas": Lo que el artículo descarta

Es importante notar lo que DockTData no es. Los autores declaran explícitamente que no incluyen estructuras que fueron solo predichas por computadoras (como las de AlphaFold) sin prueba experimental. Solo incluyeron estructuras que fueron realmente resueltas en un laboratorio mediante rayos X, RMN o criomicroscopía electrónica. Esto significa que el conjunto de datos está estrictamente basado en la realidad experimental, no en simulaciones por computadora.

Además, el artículo descarta los emparejamientos ambiguos. Si una estructura de proteína tenía múltiples fármacos diferentes adheridos, o si el vínculo entre la secuencia de la proteína y la medición del fármaco era demasiado débil (por debajo del umbral de identidad del 85%), esos datos eran descartados. Los autores argumentan que esta rigurosidad es necesaria para evitar el "ruido" que podría confundir a los modelos de aprendizaje automático. También señalan que, aunque tienen muchos datos, no pretenden haber resuelto el problema del descubrimiento de fármacos. En cambio, están proporcionando una base mejor —un "recurso transparente, reutilizable y en continua expansión"— para que otros construyan sobre él.

La conclusión final

DockTData es un regalo para la comunidad científica. Es una biblioteca masiva, organizada y gratuita que conecta las formas 3D de las proteínas con la fuerza real de las interacciones de los fármacos. Al automatizar el proceso de recolección y limpieza de estos datos, los autores han creado un recurso que es más grande y diverso que muchas colecciones anteriores. Han hecho posible que los investigadores entrenen modelos de IA más inteligentes, prueben nuevas teorías sobre cómo los fármacos se unen a las proteínas y, finalmente, aceleren el descubrimiento de nuevos medicamentos. El conjunto de datos está disponible bajo una licencia Creative Commons Attribution 4.0 International, lo que significa que cualquiera puede usarlo, compartirlo y construir sobre él, siempre y cuando se dé el crédito correspondiente. Es un paso claro hacia la transformación del caótico mundo de los datos de descubrimiento de fármacos en un lenguaje estructurado y aprendible para las máquinas.