Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

En el mundo de alto riesgo del descubrimiento de fármacos, los científicos a menudo se enfrentan a un rompecabezas que se siente como intentar sintonizar una radio en una frecuencia específica sin cambiar de estación. Tienen una molécula prometedora, una estructura química que muestra potencial para combatir una enfermedad, pero necesita un ajuste fino. Para que un fármaco funcione mejor en el cuerpo humano, los investigadores deben ajustar rasgos físicos específicos, tales como cuántos enlaces de hidrógeno puede formar la molécción, cuántas estructuras en forma de anillo contiene o cuántas partes de ella pueden girar y rotar. Estos ajustes son críticos porque determinan si un fármaco puede ser absorbido por el cuerpo o si simplemente pasará de largo. Sin embargo, realizar estos cambios es notoriamente difícil. Si un científico intenta retocar una parte de la molécula para mejorar su absorción, a menudo rompe accidentalmente otra parte, arruinando la capacidad del fármaco para unirse a su objetivo. El desafío radica en realizar ediciones precisas y controladas de una estructura química compleja sin desmantelar su identidad central.

Para resolver este problema, un investigador de la Universidad de Shiga ha desarrollado una nueva herramienta digital llamada Scaffold-tuner. Piense en una molécula como una casa con unos cimientos sólidos y un tejado único; los cimientos son la estructura central que define qué tipo de edificio es, mientras que el tejado y las paredes pueden modificarse. En química, este núcleo inalterable se llama andamio (scaffold). El objetivo es mantener intacto ese andamio mientras se intercambian las "paredes" para cambiar las propiedades de la casa. Los métodos anteriores para hacer esto eran a menudo como lanzar dardos a ciegas: generaban miles de variaciones aleatorias, esperando tropezar con una que funcionara, o dependían de una inteligencia artificial compleja que a veces cambiaba el andamio junto con las paredes, creando un edificio completamente diferente. Estos enfoques eran ineficientes y a menudo producían resultados demasiado diferentes del fármaco original como para ser útiles.

La nueva herramienta, Scaffold-tuner, adopta un enfoque diferente, más deliberado. En lugar de adivinar o utilizar un algoritmo de caja negra, utiliza una biblioteca curada de fragmentos químicos: piezas pequeñas y pre-probadas de moléculas conocidas por realizar tareas específicas. Si un investigador necesita añadir un donador de enlace de hidrógeno, la herramienta selecciona un fragmento diseñado específicamente para esa tarea. Si necesita eliminar un enlace rotatorio, elige un fragmento que bloquea la estructura en su lugar. Al combinar estos fragmentos dirigidos con el andamio central de la molécula original, la herramienta genera nuevos compuestos candidatos que garantizan mantener el corazón de la estructura original mientras logran los cambios físicos deseados. Es un método de edición que prioriza el control y la predictibilidad sobre el volumen puro.

Para probar si este método realmente funcionaba, el investigador lo sometió a un riguroso juicio utilizando mil compuestos de tipo fármaco tomados de una base de datos pública llamada ChEMBL. Estos compuestos sirvieron como punto de partida, o "padres", para el experimento. Se le pidió a la herramienta que realizara ocho tipos diferentes de ediciones, como añadir o eliminar un donador de enlace de hidrógeno, añadir o eliminar un anillo aromático, o cambiar el número de enlaces rotatorios. Para comparar, los mismos compuestos iniciales fueron introducidos en otros tres métodos: una herramienta de edición aleatoria simple, un método llamado CReM que realiza cambios químicamente razonables pero no guiados, y un sofisticado sistema de inteligencia artificial conocido como REINVENT4. El objetivo era ver qué método podía crear con éxito una nueva molécula que cumpliera con el cambio específico solicitado mientras se mantenía fiel a la estructura original.

Los resultados mostraron que Scaffold-tuner destacó en precisión, particularmente cuando los investigadores solo podían observar un número pequeño de opciones. En un escenario donde solo se consideró el primer candidato generado por cada método, Scaffold-tuner logró crear el cambio deseado en el 42.3 por ciento de los casos. Esto fue significativamente mayor que los otros métodos, que tuvieron éxito solo en el 13.9 por ciento, 15.6 por ciento y 17.1 por ciento de los casos, respectivamente. Este hallazgo sugiere que, cuando un científico necesita una sugerencia rápida y fiable para avanzar en un proyecto, Scaffold-tuner tiene muchas más probabilidades de proporcionar una respuesta útil de inmediato. Aunque la herramienta de inteligencia artificial finalmente alcanzó el nivel y produjo una mayor variedad de cambios exitosos cuando se le permitió generar hasta cien candidatos, lo hizo realizando cambios mucho más grandes y drásticos en las moléculas. Estas moléculas generadas por IA se veían muy diferentes de la original, lo que dificultaba a los científicos comprender cómo los cambios afectaban el comportamiento del fármaco.

En contraste, las moléculas producidas por Scaffold-tuner permanecieron muy similares a sus compuestos parentales. En promedio, los candidatos exitosos retuvieron aproximadamente el 75 por ciento de la estructura del andamio original, y su similitud general con la molécula inicial fue alta. Esta es una ventaja crucial porque, en el desarrollo de fármacos, los científicos necesitan saber exactamente qué cambio causó un cambio en la actividad. Si la estructura es demasiado diferente, resulta imposible saber si la nueva propiedad provino del ajuste previsto o de una disposición de átomos completamente nueva. El estudio encontró que Scaffold-tuner fue particularmente efectivo al añadir anillos aromáticos, una tarea en la que los otros métodos tuvieron dificultades o fallaron casi por completo. También logró aumentar o disminuir los enlaces rotatorios con un nivel de éxito que, aunque no fue perfecto, fue consistente y fiable.

Sin embargo, la herramienta no está exenta de limitaciones. El estudio señaló que el éxito de las ediciones dependía en gran medida del tipo específico de cambio solicitado. Por ejemplo, mientras que la herramienta fue excelente añadiendo anillos, tuvo dificultades para eliminarlos, logrando una tasa de éxito del cero por ciento para esa tarea específica. Del mismo modo, aumentar el número de enlaces rotatorios fue difícil, con una tasa de éxito de solo el 15.2 por ciento. Esto indica que la herramienta no es una solución universal para todo, sino más bien un instrumento especializado que funciona mejor para ciertos tipos de ajustes estructurales. Los investigadores también observaron que, si bien podían cambiar con éxito una propiedad, a menudo era difícil hacerlo sin alterar accidentalmente otras propiedades al mismo tiempo. Por ejemplo, cambiar el número de enlaces rotatorios solía conllevar cambios no deseados en otras partes de la molécula, un desafío que sigue siendo difícil de superar totalmente para cualquier herramienta de edición.

A pesar de estas limitaciones, el estudio concluye que Scaffold-tuner ofrece un nuevo marco valioso para traducir modelos abstractos de propiedades químicas en estructuras moleculares concretas. Cierra la brecha entre los modelos teóricos, que predicen cómo debería comportarse un fármaco, y la realidad práctica de construir ese fármaco. Al proporcionar una forma de realizar cambios específicos e interpretables preservando la identidad central de la molécula, permite a los investigadores explorar la relación entre estructura y función con mayor claridad. La herramienta no reemplaza la necesidad de métodos más amplios y exploratorios, sino que llena un nicho específico donde la precisión y la velocidad son primordiales. Para los científicos que intentan refinar un compuesto líder, ofrece una forma de obtener un puñado de opciones altamente relevantes rápidamente, en lugar de filtrar miles de variaciones aleatorias. El código fuente de la herramienta ya está disponible para que otros lo utilicen y mejoren, lo que sugiere que este enfoque dirigido a las propiedades podría convertirse en una parte estándar del arsenal de descubrimiento de fármacos, ayudando a convertir el complejo arte de la edición molecular en una ciencia más predecible y eficiente.