Prospective discovery of LasB inhibitors by integrating generative design, free energy ranking, and experimental validation
Questo studio presenta un flusso di lavoro computazionale-sperimentale completamente open-source che integra il design molecolare generativo con rigorosi calcoli di energia libera per identificare con successo tre potenti e stabili inibitori nanomolari del fattore di virulenza LasB di *Pseudomonas aeruginosa*, dimostrando un quadro scalabile per accelerare la fase iniziale della scoperta di farmaci.
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
Trovare un nuovo farmaco è come cercare una singola, specifica chiave in una biblioteca che contiene miliardi di serrature. Il processo è lento, costoso e spesso frustrante, perché i chimici devono costruire e testare milioni di potenziali candidati a mano per vedere quali si adattino effettivamente. Per decenni, gli scienziati hanno cercato di accelerare questo processo usando i computer, utilizzandoli per prevedere quali molecole potrebbero funzionare prima che un singolo atomo venga fisicamente assemblato. Tuttavia, queste previsioni al computer sono state spesso troppo approssimative per essere affidabili da sole, portando i ricercatori a sprecare tempo sintetizzando composti che si rivelano poi inutili. La sfida è stata quella di creare un sistema che fosse abbastanza veloce da esplorare vasti nuovi territori chimici e abbastanza preciso da distinguere un vero vincitore da un quasi successo.
In uno studio recente, i ricercatori sono riusciti a combinare due potenti tecniche informatiche per risolvere questo problema, creando un flusso di lavoro che si muove dall'immaginazione digitale alla realtà fisica con una straordinaria efficienza. Hanno concentrato i loro sforzi su un batterio pericoloso chiamato Pseudomonas aeruginosa, una causa comune di gravi infezioni ospedaliere che sta diventando sempre più difficile da trattare con gli antibiotici esistenti. Questo batterio si affida a una specifica proteina, una macchina molecolare nota come LasB, per scomporre i tessuti umani e diffondere l'infezione. Poiché questa proteina viene secreta all'esterno della cellula batterica, è più facile da raggiungere con un farmaco rispetto ai bersagli nascosti all'interno del resistente guscio esterno del batterio. L'obiettivo era progettare una nuova molecola che potesse incastrarsi su questa proteina e impedirne il funzionamento, disarmando efficacemente il batterio senza ucciderlo, una strategia che potrebbe ridurre la probabilità che il batterio sviluppi resistenza.
Il team è partito da tre molecole note che mostravano già una certa capacità di legarsi alla proteina LasB, ma che non erano perfette. Utilizzando un programma per computer progettato per generare nuove strutture molecolari, sono partiti da questi tre semi e hanno chiesto al software di immaginare migliaia di variazioni. Il programma non si è limitato a rimescolare gli atomi casualmente; era guidato da regole che favorivano molecole probabilmente efficaci come farmaci e facili da realizzare in laboratorio. Attraverso diversi cicli di evoluzione digitale, il software ha generato quasi 40.000 candidati molecolari unici. Da questa enorme biblioteca digitale, i ricercatori hanno selezionato un piccolo gruppo diversificato di 50 composti che sembravano i più promettenti in base alla loro forma e alle proprietà chimiche.
Per garantire che questi 50 candidati valessero davvero la spesa per costruirli, il team ha applicato un secondo test informatico più rigoroso. Questo passaggio consisteva nel simulare le forze fisiche tra il candidato farmaco e la proteina con estrema precisione, calcolando esattamente quanto strettamente si sarebbero trattenuti l'uno all'altro. Questo metodo, noto come calcolo dell'energia libera, è computazionalmente costoso ma molto più accurato dei normali metodi di screening. I risultati di questa simulazione hanno permesso al team di classificare i 50 candidati e scegliere i migliori per la sintesi fisica. Hanno costruito queste sei molecole di alto livello in laboratorio e le hanno testate contro la proteina batterica.
L'esito è stato un chiaro successo per questo approccio integrato. Tre delle nuove molecole create si sono dimostrate potenti inibitori, bloccando la proteina batterica con alta efficienza a concentrazioni così basse come 22-53 nanomolari. Questi composti non erano solo potenti, ma mostravano anche un'eccellente stabilità nei test nel sangue e metabolici, il che significa che probabilmente sopravviverebbero abbastanza a lungo nel corpo per svolgere il loro compito. Sebbene i nuovi farmaci mostrassero una certa tossicità per le cellule umane in vitro, la loro forte capacità di colpire la proteina batterica suggerisce una via percorribile per un ulteriore sviluppo. Lo studio dimostra che collegando il design generativo, che crea nuove idee, con la classificazione rigorosa basata sulla fisica, che testa tali idee con alta precisione, gli scienziati possono navigare nel vasto oceano delle possibilità chimiche e trovare tesori preziosi senza perdersi.
I ricercatori hanno anche imparato lezioni importanti sui limiti del loro metodo. Hanno scoperto che, sebbene le previsioni al computer fossero eccellenti nel classificare quali molecole fossero migliori delle altre, talvolta sovrastimavano esattamente la forza del legame. Questa discrepanza è probabilmente avvenuta perché il computer doveva indovinare la posizione iniziale delle nuove molecole prima di eseguire la simulazione dettagliata, e un piccolo errore in quel tentativo poteva alterare il calcolo finale. Nonostante ciò, il sistema ha funzionato abbastanza bene da identificare tre inibitori completamente nuovi ed altamente efficaci da un pool di migliaia, provando che questa strategia "digital-first" può guidare il lavoro sperimentale in modo più efficace rispetto al tradizionale tentativo ed errore. Lo studio conclude che questo approccio offre un quadro scalabile e open-source che altri scienziati possono utilizzare per affrontare sfide simili, accelerando potenzialmente la scoperta di medicinali per altre malattie difficili.
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.