MOZAIC: Compound Growth via In Silico Reactions and Global Optimization using Conformational Space Annealing

Il paper presenta MOZAIC, un nuovo framework che combina la crescita di frammenti basata su reazioni chimiche e l'ottimizzazione globale tramite Conformational Space Annealing per generare in silico molecole diversificate e sintetizzabili con proprietà farmacologiche ottimizzate per la scoperta di farmaci.

L'essenziale

Immagina di dover costruire la casa perfetta per un ospite molto esigente (il bersaglio biologico, come un virus o una proteina malata). Fino a poco tempo fa, i chimici cercavano di trovare la chiave perfetta (il farmaco) provando milioni di chiavi diverse, sperando che una aprisse la serratura. Questo metodo, chiamato screening, è costoso e lento.

Un approccio più intelligente è il Drug Discovery basato su Frammenti (FBDD). Invece di cercare la chiave intera, si parte da un piccolo "gancio" (un frammento molecolare) che si aggancia bene alla serratura. Poi, si cerca di aggiungere altri pezzi per costruire una chiave più grande e robusta.

Il problema? Molti computer che fanno questo lavoro sono come architetti che disegnano case bellissime ma impossibili da costruire nella realtà. Usano pezzi che non esistono nei negozi di materiali o che richiedono procedure di assemblaggio magiche.

Qui entra in gioco MOZAIC, il nuovo strumento presentato in questo articolo. Ecco come funziona, spiegato con parole semplici:

1. MOZAIC è come un "Architetto Chimico" che conosce le regole del cantiere

MOZAIC non si limita a incollare pezzi a caso. Usa un libro di regole chiamato SMARTS (che è come un manuale di istruzioni chimiche reali).

• L'analogia: Immagina di costruire con i LEGO. Molti programmi provano a incollare due mattoni con la colla magica. MOZAIC, invece, sa esattamente quali mattoni si incastrano fisicamente e quali tecniche di assemblaggio (reazioni chimiche) usano i veri chimici in laboratorio.
• Il risultato: Ogni molecola che MOZAIC disegna può essere realmente costruita da un chimico umano. Non sono solo disegni su carta.

2. L'Algoritmo CSA: Il "Cercatore d'Oro" che non si ferma mai

Per trovare la casa perfetta, MOZAIC usa un metodo chiamato Conformational Space Annealing (CSA).

• L'analogia: Immagina di cercare il punto più alto di una montagna in una nebbia fitta.
  • I metodi vecchi (come gli algoritmi genetici) sono come un gruppo di escursionisti che camminano insieme: se si fermano su una collinetta, pensano di aver trovato la cima e si fermano lì (un "minimo locale").
  • MOZAIC (con il CSA) è come un esploratore esperto che ha una mappa. Inizia guardando tutto il territorio, poi restringe gradualmente la sua ricerca. Se trova un punto migliore, ci va. Se no, continua a esplorare. Questo gli permette di saltare fuori dalle colline basse e trovare davvero la vetta più alta (la molecola migliore).

3. I Tre Obiettivi: La "Triade Perfetta"

MOZAIC non cerca solo la molecola che si lega meglio. Cerca l'equilibrio perfetto tra tre cose, come un chef che deve bilanciare gusto, salute e costo:

1. Forza di aggancio (Binding Affinity): Quanto bene la molecola si "incolla" al bersaglio (misurato dal punteggio di AutoDock Vina).
2. Facilità di costruzione (Synthetic Accessibility): Quanto è facile ed economico produrla in laboratorio (punteggio SA).
3. Somiglianza a un farmaco (Drug-likeness): Quanto assomiglia a una medicina sicura e efficace (punteggio QED).

MOZAIC è flessibile: se vuoi prioritizzare la solubilità (quanto bene si scioglie in acqua) invece della forza, puoi dire al programma: "Ehi, cambia le regole e concentrati su questo!".

Cosa hanno scoperto? (I Risultati)

Gli autori hanno testato MOZAIC su diversi "cantiere" (proteine diverse):

• PDE10A (Cervello): Hanno preso un piccolo frammento e lo hanno trasformato in una molecola potente, quasi quanto i farmaci esistenti, ma trovando nuove forme che nessuno aveva pensato prima.
• TrmD (Batteri): Confrontato con un altro programma famoso (CReM-dock), MOZAIC ha creato molecole più diverse tra loro. Mentre l'altro programma faceva tante copie quasi uguali, MOZAIC ha esplorato nuovi "quartieri" chimici, trovando soluzioni più creative.
• Resistenza agli errori: Hanno provato a usare MOZAIC anche con modelli di proteine imperfetti (creati dall'IA invece che da scansioni reali). MOZAIC ha comunque trovato buone soluzioni, dimostrando di essere robusto anche se la "mappa" non è perfetta.

In sintesi

MOZAIC è come un assistente di laboratorio super-intelligente.
Non ti dà solo un'idea astratta di un farmaco; ti dice: "Ecco una nuova molecola che si lega fortissimo al tuo bersaglio, è facile da costruire usando reazioni chimiche reali, e possiamo modificarla per renderla più solubile se vuoi".

È un passo avanti enorme perché colma il divario tra il disegno al computer e la realtà del laboratorio, rendendo la scoperta di nuovi farmaci più veloce, economica e, soprattutto, realizzabile.

Sommario tecnico

1. Il Problema

La Scoperta di Farmaci Basata su Frammenti (FBDD) è una strategia efficiente che combina piccoli frammenti molecolari per esplorare uno spazio chimico più ampio. Tuttavia, i metodi computazionali esistenti presentano diverse limitazioni critiche:

• Mancanza di percorsi sintetici: Molti approcci generano molecole ottimali dal punto di vista computazionale ma prive di percorsi di sintesi chimica realistici, rendendo difficile la loro produzione in laboratorio.
• Bias algoritmici: I metodi basati su algoritmi genetici o intelligenza artificiale (come reti neurali) possono rimanere intrappolati in minimi locali o mostrare bias derivanti dai set di dati di addestramento, limitando la diversità chimica.
• Ottimizzazione multi-obiettivo complessa: Bilanciare simultaneamente proprietà come l'affinità di legame, la "drug-likeness" (somiglianza ai farmaci) e la sintesi accessibilità è una sfida significativa.

2. Metodologia: Il Framework MOZAIC

Gli autori propongono MOZAIC (Molecule Optimization via AutoDock Vina, in silico fragment reaction, and conformational space annealing), un nuovo framework per l'ottimizzazione di frammenti che integra regole di reazione chimica reale con un potente algoritmo di ottimizzazione globale.

Componenti Chiave:

• Crescita di Frammenti Basata su Reazioni (In Silico):

  • A differenza dei metodi che aggiungono atomi o gruppi funzionali arbitrari, MOZAIC utilizza regole di reazione definite tramite SMARTS (Simplified Molecular Input Line Entry System - Arbitrary Target Specification).
  • Queste regole derivano da database di reazioni organiche reali (es. AutoClickChem, Robust Rxn, ChemoDOTS), garantendo che le molecole generate siano sintetizzabili e che il percorso di sintesi sia tracciabile.
  • Vengono utilizzati 104 tipi di reazioni e un libreria di frammenti derivata da ZINC20, filtrata per rispettare la "Regola dei Tre".

• Ottimizzazione Globale con Conformational Space Annealing (CSA):

  • MOZAIC impiega il CSA, un algoritmo di ottimizzazione basato sulla popolazione, noto per la sua efficacia nella risoluzione di problemi biologici complessi (es. docking proteina-ligando).
  • Meccanismo CSA: L'algoritmo inizia con una "banca" iniziale diversificata di molecole. Attraverso iterazioni, seleziona "semi" (seed) e "partner" per generare "figli" tramite operazioni di incrocio (crossover) e mutazione.
  • Criterio di Aggiornamento: I nuovi candidati vengono confrontati con la banca corrente basandosi su una distanza molecolare (calcolata tramite fingerprint ECFP) e sul punteggio della funzione obiettivo. Il parametro di taglio della distanza ($D_{cut}$) viene gradualmente ridotto durante l'iterazione, permettendo una vasta esplorazione iniziale e un affinamento verso l'ottimo globale nelle fasi finali.

• Funzione Obiettivo:

  • La funzione di fitness combina tre metriche normalizzate:
    1. QED (Quantitative Estimate of Drug-likeness): Valuta la somiglianza ai farmaci.
    2. SA (Synthetic Accessibility): Valuta la facilità di sintesi (punteggi più bassi indicano maggiore accessibilità).
    3. Vina Score (AutoDock Vina): Valuta l'affinità di legame predetta con il bersaglio proteico.
  • La funzione è modulare: i componenti possono essere sostituiti per ottimizzare proprietà specifiche (es. sostituendo QED/SA con modelli di solubilità come ESOL).

3. Contributi Chiave

• Integrazione Sintesi-Design: MOZAIC colma il divario tra design computazionale e sviluppo pratico garantendo che ogni molecola proposta sia il risultato di una reazione chimica reale, fornendo implicitamente il percorso sintetico.
• Algoritmo di Ottimizzazione Avanzato: L'uso del CSA invece di algoritmi genetici standard o RL riduce il rischio di intrappolamento in minimi locali e favorisce una maggiore diversità strutturale.
• Flessibilità Multi-Obiettivo: La capacità di modificare dinamicamente la funzione obiettivo permette di adattare il tool a diverse fasi della scoperta di farmaci (es. ottimizzare specificamente la solubilità mantenendo l'affinità).
• Robustezza Strutturale: Il metodo è stato testato sia su strutture cristalline che su modelli predetti da AlphaFold 3, dimostrando resilienza alle incertezze nella conformazione del recettore.

4. Risultati Sperimentali

Il framework è stato validato su tre benchmark principali:

1. Ottimizzazione di PDE10A (Inibitori selettivi):

   • Partendo da un frammento iniziale, MOZAIC ha generato composti con un'affinità di legame predetta significativamente superiore (-10.359 kcal/mol) rispetto al composto iniziale (-6.038 kcal/mol) e migliore rispetto al farmaco di riferimento MK-8189 (-7.770 kcal/mol).
   • L'analisi delle interazioni (PLIP) ha mostrato che i composti MOZAIC occupano più efficacemente la tasca di legame, interagendo con residui chiave simili a quelli del farmaco noto.
   • Studio sulla Banca Iniziale: È stato dimostrato che l'uso di un algoritmo MaxMinPicker per selezionare una banca iniziale diversificata porta a risultati finali migliori rispetto a selezioni basate solo sul punteggio o campionamento casuale, confermando l'importanza della diversità iniziale per il CSA.

2. Confronto con CReM-dock (Target TrmD):

   • Confrontato con CReM-dock (un altro metodo basato su algoritmi genetici), MOZAIC ha prodotto composti con affinità di legame più elevate e una diversità strutturale superiore.
   • Mentre CReM-dock tendeva a generare analoghi con piccole modifiche (bassa entropia degli scaffold), MOZAIC ha generato un numero maggiore di scaffold unici (45 vs 32) e una maggiore diversità chimica, pur mantenendo proprietà di sintesi accessibili.

3. Robustezza su Strutture Non Correlate (Target ADRB2 e PPAR$\gamma$):

   • ADRB2: MOZAIC ha ottimizzato composti partendo da frammenti con bassa similarità strutturale rispetto ai ligandi noti, utilizzando sia strutture cristalline che modelli AlphaFold 3. I composti generati hanno mostrato affinità competitive e profili di drug-likeness migliori rispetto ai ligandi di riferimento.
   • PPAR$\gamma$ (Ottimizzazione della Solubilità): Sostituendo la funzione obiettivo per massimizzare la solubilità (ESOL) e l'affinità, MOZAIC ha identificato composti che migliorano significativamente la solubilità predetta (logS) mantenendo un'affinità di legame alta, dimostrando la flessibilità del sistema.

5. Significato e Conclusioni

MOZAIC rappresenta un avanzamento significativo nel campo della FBDD computazionale. La sua principale innovazione risiede nella combinazione di regole di reazione chimica realistica con un algoritmo di ottimizzazione globale robusto (CSA).

• Impatto Pratico: Riduce il rischio di fallimento nella fase di sintesi chimica fornendo molecole "sintetizzabili per definizione".
• Diversità Chimica: Evita la generazione di analoghi ridondanti, esplorando uno spazio chimico più ampio e trovando nuovi chemotipi.
• Flessibilità: La natura modulare del codice permette di adattarlo a diverse esigenze di ottimizzazione (solubilità, permeabilità, ecc.).

Sebbene il metodo dipenda attualmente dall'accuratezza di AutoDock Vina (che non considera appieno la flessibilità del target o gli effetti solvente) e dal set di regole di reazione predefinite, gli autori delineano futuri sviluppi per integrare metodi di scoring più avanzati (QM, Vina-GPU) e predizione di siti di legame ciechi. MOZAIC si posiziona come una piattaforma promettente per accelerare il passaggio dal "frammento" al "farmaco" (fragment-to-lead).