PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation
PharmCast è una rete neurale feedforward che predice rapidamente e accuratamente fingerprint farmacoforici 3D direttamente da stringhe SMILES 2D senza generazione di conformeri, consentendo uno screening virtuale e un salto di scaffold efficienti a una frazione del costo computazionale dei metodi tradizionali.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Nel mondo della scoperta di farmaci, gli scienziati spesso non pensano a un medicinale come a un oggetto rigido, ma come a un insieme di caratteristiche in attesa di essere riconosciute. Immaginate una chiave che non ha bisogno di somigliare a una serratura specifica, ma che deve semplicemente avere le protuberanze e i solchi giusti per incastrarsi nel meccanismo. Questa idea, nota come farmacoforo, suggerisce che la capacità di una molecola di legarsi a un bersaglio biologico dipenda da una piccola collezione di caratteristiche chimiche — come un donatore o un accettore di legame a idrogeno, o un anello aromatico — disposte in un particolare schema tridimensionale. Per decenni, i ricercatori hanno utilizzato questo concetto per trovare nuovi farmaci, cercando composti che condividano questi schemi spaziali anche se i loro scheletri chimici sottostanti appaiono completamente diversi. Questa capacità di individuare somiglianze tra strutture non correlate, un processo chiamato scaffold hopping, è fondamentale per trovare nuovi trattamenti quando i percorsi chimici ovvi sono già stati esplorati.
Tuttavia, l'uso di questa mappa tridimensionale è sempre stato un processo lento e costoso. Poiché le molecole sono flessibili e possono torcersi in molte forme diverse, un computer deve generare centinaia di possibili versioni 3D, o conformeri, per ogni singola molecola per vedere quali caratteristiche può presentare. Questa fase di generazione delle forme assorbe quasi tutto il tempo richiesto per analizzare un composto, rendendo impraticabile lo screening di milioni di molecole nelle moderne librerie chimiche. Il risultato è stato che questo potente metodo di ricerca di nuovi farmaci è rimasto confinato a piccole liste accuratamente selezionate, incapace di affrontare i vasti oceani della chimica disponibile.
Un team di ricercatori ha ora sviluppato un modo per aggirare completamente questo collo di bottiglia. Hanno creato un sistema chiamato PharmCast, che funge da traduttore diretto dal disegno bidimensionale piatto di una molecola al suo potenziale tridimensionale. Invece di passare ore a calcolare ogni possibile torsione e svolta che una molecola potrebbe compiere, questo nuovo metodo utilizza un tipo di intelligenza artificiale per predire istantaneamente il risultato finale. Il sistema è stato addestrato su quasi sei milioni di molecole, inclusi composti standard simili a farmaci, molecole biologiche attive e loop proteici flessibili, imparando a riconoscere la connessione tra la struttura di base di una molecola e le caratteristiche 3D che può esibire.
I risultati dimostrano che questa scorciatoia non sacrifica l'accuratezza in favore della velocità. Quando testato contro il metodo tradizionale, più lento, il nuovo sistema ha prodotto risultati quasi identici per la stragrande maggioranza dei composti. Per un tipico farmaco, l'approccio tradizionale impiega quasi tre secondi per generare un singolo fingerprint, con la gran parte del tempo impiegata solo per creare le forme 3D. Il nuovo sistema completa lo stesso compito in meno di un millisecondo. Ciò rappresenta un'accelerazione di migliaia di volte, trasformando un processo che richiederebbe mesi per essere eseguito su una massiccia libreria in uno che può essere completato in pochi minuti.
I ricercatori hanno testato questo strumento su tre distinti gruppi di molecole per garantire che funzionasse attraverso diversi tipi di chimica. Hanno valutato composti standard per lo screening, molecole biologiche attive che erano state testate in laboratorio e loop proteici flessibili, notoriamente difficili da modellare. In ogni caso, le predizioni corrispondevano ai calcoli tradizionali più lenti con un'alta fedeltà. Per i composti standard simili a farmaci, l'errore era così piccolo da essere quasi impercettibile, e per i loop proteici flessibili, il sistema è stato ancora più efficace, probabilmente perché questi loop erano inclusi nei dati di addestramento. L'unica area in cui il sistema ha mostrato una leggera variazione è stata con le molecole biologiche grandi e complesse che non erano ben rappresentate nel set di addestramento, una limitazione che gli autori attribuiscono alla specifica chimica disponibile per l'apprendimento piuttosto che a un difetto del metodo in sé.
Uno dei risultati più significativi è che il sistema identifica con successo somiglianze tra molecole che non si somigliano affatto sulla carta. In un caso di test che coinvolgeva due diversi farmaci per l'HIV con strutture chimiche completamente diverse, il sistema ha identificato correttamente che presentavano le stesse caratteristiche tridimensionali verso un bersaglio, un risultato che i metodi tradizionali bidimensionali avevano mancato. Ciò conferma che lo strumento sta catturando la vera essenza spaziale della molecola piuttosto che limitarsi a memorizzare la sua forma chimica. I ricercatori hanno dimostrato questa capacità utilizzando il sistema per scansionare una libreria di oltre quattro milioni di composti contro una molecola di riferimento, un compito completato in meno di mezz'ora. I migliori risultati includevano composti con strutture molto diverse ma con lo stesso potenziale di legame, provando che il sistema può guidare efficacemente la ricerca di nuovi punti di partenza chimici.
Gli autori sottolineano che, sebbene questo strumento sia incredibilmente veloce, è progettato per lavorare insieme, e non per sostituire, i calcoli più lenti e dettagliati. In uno scenario reale, il sistema veloce verrebbe utilizzato per classificare milioni di candidati e restringere la lista ai pochi più promettenti. Quei migliori candidati verrebbero poi analizzati con il metodo tradizionale, più lento, per confermare la geometria esatta e garantire che la predizione sia valida. Questo approccio in due fasi permette agli scienziati di esplorare l'intera ampiezza dello spazio chimico senza restare bloccati dal costo computazionale, mantenendo al contempo i rigorosi standard richiesti dallo sviluppo di farmaci. Rimuovendo la barriera del tempo, questo lavoro apre la porta all'applicazione del pensiero tridimensionale a tutto l'universo della chimica disponibile, potenzialmente accelerando la scoperta di nuovi medicinali per malattie che attualmente hanno poche opzioni.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.