Unraveling the Mechanism of Drug Binding to SARS-CoV-2 RNA Pseudoknot with Thermodynamics-Driven Machine Learning

Titolo

Svelamento del meccanismo di legame dei farmaci al pseudonodo dell'RNA di SARS-CoV-2 tramite Machine Learning guidato dalla termodinamica.

1. Il Problema Scientifico

Il pseudonodo dell'RNA di SARS-CoV-2 è un bersaglio cruciale per lo sviluppo di antivirali, in quanto regola l'efficienza dello slittamento del frame di lettura ribosomiale -1 (-1 PRF), un meccanismo essenziale per la sintesi delle proteine virali.

• Complessità Strutturale: Il pseudonodo esiste in due topologie principali: "threaded" (con il terminale 5' intrecciato attraverso il giunto tra i fusti S1 e S3) e "unthreaded" (senza tale intreccio). Queste strutture mostrano eterogeneità conformazionale e possono subire riarrangiamenti terziari significativi.
• Sfida Dinamica: Sebbene siano stati identificati inibitori (come la merafloxacina e analoghi), il meccanismo dinamico con cui questi leganti destabilizzano il pseudonodo non è completamente compreso. Le simulazioni di dinamica molecolare (MD) standard faticano a catturare le transizioni conformazionali lente (su scale temporali lunghe) a causa del rumore ad alta frequenza e della mancanza di variabili collettive (CV) ottimali.
• Ruolo dello Stato di Protonazione: I leganti RNA-targeting spesso esistono in diversi stati di carica (neutri, zwitterionici, anionici) a pH fisiologico. È incerto come questi stati influenzino il riconoscimento e la cinetica di legame, dato che l'impalcatura dell'RNA è polianionica.

2. Metodologia

Gli autori hanno sviluppato un approccio integrato che combina simulazioni MD all-atomo e un metodo di Machine Learning (ML) guidato dalla termodinamica.

• Simulazioni MD:

  • Sono state eseguite simulazioni MD estese (fino a 3 µs) per il pseudonodo di SARS-CoV-2 nelle due topologie (RT: threaded; RU: unthreaded).
  • Sono stati studiati sistemi privi di legante e complessi con tre leganti: Merafloxacina (MERA) e due analoghi (A1, A2).
  • Sono stati considerati diversi stati di protonazione fisiologici: MERA neutra (MERA0) e zwitterionica (MERA±); A1 e A2 nelle forme neutra e anionica.
  • Sono stati analizzati 78 nucleotidi del pseudonodo utilizzando il campo di forza CHARMM36.

• Machine Learning: Spectral Map (SM):

  • È stato utilizzato Spectral Map (SM), un algoritmo di riduzione della dimensionalità basato su reti neurali (NN).
  • Obiettivo: Imparare direttamente dalle traiettorie MD delle variabili collettive (CV) che isolano i modi dinamici più lenti del sistema, massimizzando la separazione delle scale temporali.
  • Funzione di Perdita: L'algoritmo ottimizza una funzione di perdita spettrale basata sugli autovalori della matrice di transizione di Markov, garantendo che le CV apprese corrispondano ai processi di rilassamento più lenti (attraversamento delle barriere di energia libera).
  • Output: Due CV apprese ($z_1, z_2$) utilizzate per ricostruire i paesaggi di energia libera (FEL) e identificare gli stati metastabili e i percorsi di transizione.

3. Contributi Chiave e Risultati

A. Destabilizzazione Selettiva in Base alla Topologia

L'analisi delle traiettorie e dei paesaggi di energia libera ha rivelato che l'effetto destabilizzante del legante dipende fortemente dalla topologia del pseudonodo:

• Topologia Threaded (RT): La destabilizzazione indotta dai leganti è localizzata principalmente nel fusto S2. In particolare, la merafloxacina (sia neutra che zwitterionica) e l'analog A1 causano una significativa perdita di contatti nativi in S2, rendendolo flessibile e portando alla rottura della struttura secondaria.
• Topologia Unthreaded (RU): La destabilizzazione si sposta sui fusti S1 e S3. Il fusto S2 rimane relativamente stabile. La merafloxacina zwitterionica (MERA±) induce una distorsione marcata in S1 e S3, portando alla perdita completa dei contatti nativi in S1.

B. Distinzione Dinamica e Ruolo della Protonazione

• Spettri Dinamici: La topologia RT mostra naturalmente modi lenti distinti (tre stati metastabili). La topologia RU, invece, appare "spettralmente priva di caratteristiche" (nessun gap spettrale chiaro), indicando transizioni rapide e barriere energetiche trascurabili.
• Effetto della Merafloxacina Zwitterionica: L'introduzione di MERA± nel sistema RU ripristina un chiaro gap spettrale, imponendo una dinamica lenta al sistema che altrimenti sarebbe veloce. Questo suggerisce che l'inibitore non si limita a stabilizzare una conformazione preesistente, ma attivamente rallenta la dinamica del RNA.
• Differenze Qualitative: Gli stati di protonazione della merafloxacina (neutra vs zwitterionica) producono paesaggi di energia libera qualitativamente diversi anche sulla stessa topologia di RNA. Solo la forma zwitterionica è in grado di perturbare significativamente la dinamica del sistema RU.

C. Controllo Cinetico vs Termodinamico

Un risultato fondamentale è che l'attività antivirale è governata principalmente dalla cinetica e non dalla termodinamica:

• Le differenze di energia libera tra gli stati metastabili ($\Delta F$) sono piccole (generalmente < 5 kJ/mol), rendendo gli stati quasi isoenergetici.
• Le barriere di transizione ($F^\ddagger$) variano di oltre un ordine di grandezza tra i sistemi (da ~0.5 kJ/mol a ~29 kJ/mol).
• I leganti efficaci (MERA > A1 > A2) sono quelli che modificano maggiormente le velocità di transizione (aumentando le barriere o creando nuovi percorsi), piuttosto che stabilizzare un singolo stato di legame. Questo ordine di efficacia corrisponde perfettamente ai dati sperimentali di inibizione del -1 PRF.

D. Validazione con Analoghi

• L'analog A2, che è sperimentalmente inattivo, mostra un paesaggio di energia libera con una barriera molto alta (~29 kJ/mol) che intrappola il sistema in uno stato, senza però indurre la riorganizzazione dinamica necessaria per l'inibizione funzionale, confermando la sua inefficacia.

4. Significato e Conclusioni

1. Meccanismo di Riconoscimento: Il lavoro dimostra che il riconoscimento dei leganti da parte del pseudonodo di SARS-CoV-2 è dipendente dalla topologia e dalla posa. A differenza delle proteine con tasche di legame ben definite, l'RNA offre siti di interazione superficiali e transienti; i leganti possono migrare e indurre destabilizzazioni selettive in regioni diverse a seconda di come l'RNA è ripiegato.
2. Importanza dello Stato di Protonazione: Lo stato di protonazione fisiologico (es. la forma zwitterionica della merafloxacina) è una variabile critica. Modelli che ignorano questo aspetto potrebbero fallire nel prevedere correttamente l'interazione farmaco-RNA e i meccanismi di azione.
3. Metodologia ML: L'uso di Spectral Map ha permesso di estrarre CV non intuitive direttamente dai dati MD, fornendo una mappa quantitativa del paesaggio energetico che collega la struttura chimica del legante alle transizioni conformazionali rare.
4. Implicazioni per la Progettazione di Farmaci: I risultati suggeriscono che per progettare inibitori efficaci contro l'RNA virale, non basta massimizzare l'affinità di legame termodinamica; è necessario ottimizzare la capacità del farmaco di modulare la cinetica conformazionale dell'RNA, rallentando i movimenti necessari per la funzione virale.

In sintesi, lo studio fornisce una visione meccanicistica dettagliata di come i farmaci interagiscono con l'RNA virale, evidenziando che la dinamica lenta e lo stato di carica del legante sono fattori determinanti per l'efficacia terapeutica.