Integrated Machine Learning, Virtual Screening and Molecular Dynamics to Discover Febuxostat as a Novel S1PR1 Modulator

Sintesi Tecnica: Integrazione di Machine Learning, Virtual Screening e Dinamica Molecolare per la Scoperta del Febuxostat come Nuovo Modulatore di S1PR1

Problematica
Il recettore dello sfingosina-1-fosfato 1 (S1PR1) è un regolatore critico del traffico linfocitario e un bersaglio terapeutico validato per le malattie autoimmuni, in particolare la Sclerosi Multipla (SM). La modulazione farmacologica di S1PR1 sequestra i linfociti autoreattivi nei linfonodi, impedendo la loro migrazione nel sistema nervoso centrale. Tuttavia, il drug discovery tradizionale per tali bersagli è dispendioso in termini di tempo e risorse, ed è caratterizzato da elevati tassi di abbandono. Lo studio affronta la necessità di accelerare l'identificazione di nuovi modulatori di S1PR1 integrando l'intelligenza artificiale con tecniche classiche di chimica computazionale per colmare il divario tra modelli strutturali statici e sistemi biologici dinamici.

Metodologia
Gli autori hanno sviluppato un workflow computazionale integrato a più stadi:

1. Curatela dei Dati e Addestramento del Machine Learning (ML):

   • Un dataset di 4.022 composti è stato curato da ChEMBL (ChEMBL ID: CHEMBL4333), comprendente 3.399 composti attivi e 623 inattivi basati su valori pChEMBL (soglia ≥ 6 per gli attivi).
   • Le caratteristiche molecolari sono state ingegnerizzate utilizzando descrittori fisico-chimici (es. LogP, TPSA) e fingerprint circolari di Morgan (ECFP4).
   • Il dataset è stato bilanciato utilizzando la tecnica di sovracampionamento del gruppo minoritario sintetico (SMOTE) ed è stato suddiviso in set di addestramento (80%) e di test (20%).
   • Quattro classificatori supervisionati — Random Forest (RF), Support Vector Machine (SVM), Logistic Regression (LR) ed Extreme Gradient Boosting (XGBoost) — sono stati addestrati e valutati.

2. Virtual Screening e Docking:

   • Il modello ottimizzato Random Forest è stato applicato per lo screening di 12.310 composti dal database DrugBank.
   • I composti con una probabilità di attività predetta > 0,5 sono stati selezionati per uno screening basato sulla struttura.
   • Il docking molecolare è stato eseguito utilizzando AutoDock Vina contro la conformazione attiva della S1PR1 umana (PDB ID: 7EW0), complessata con l'agonista Ozanimod. La grid box è stata centrata sulla tasca di legame ortosterica definita dal ligando co-cristallizzato.

3. Profilazione ADMET e Filtraggio:

   • I migliori hit del docking sono stati sottoposti a un rigoroso profilo farmacocinetico e di tossicità utilizzando SwissADME, pkCSM e ADMETlab 3.0.
   • I criteri di filtraggio includevano la Regola del Cinque di Lipinski, le regole di Veber, un'elevata assorbimento gastrointestinale, la non permeabilità attraverso la barriera emato-encefalica (BBB), l'assenza di inibizione del CYP450 e l'assenza di mutagenicità, epatotossicità o blocco del canale hERG.

4. Simulazione di Dinamica Molecolare (MD):

   • Il candidato più promettente, il Febuxostat, è stato selezionato per la simulazione MD per valutare la stabilità strutturale e la persistenza del legame.
   • Le simulazioni sono state condotte utilizzando GROMACS (v2021.4) con il campo di forza CHARMM27 e il modello d'acqua TIP3P.
   • A causa di vincoli computazionali, è stata analizzata una run di produzione di 15 ns (estratta da una run prevista di 50 ns) per valutare la Deviazione Standard della Deviazione Quadratica (RMSD), la Fluttuazione della Deviazione Quadratica (RMSF), il Raggio di Girazione (Rg), l'Area di Superficie Accessibile dal Solvente (SASA) e il legame a idrogeno.

Risultati Chiave

• Performance del Machine Learning: Il modello Random Forest ha dimostrato una performance predittiva superiore con un'accuratezza di 0,90 e un'Area Sotto la Curva (AUC) di 0,92. Ha raggiunto un recall di 0, 97 per la classe attiva, indicando un'alta sensibilità nell'identificare potenziali modulatori.
• Virtual Screening e Docking: Dal primo screening DrugBank, 446 ligandi sono stati dockati con successo. Sebbene alcuni composti (es. Adomeglivant) mostrassero affinità di legame superiori (−11,314 kcal/mol), sono stati esclusi a causa di profili ADMET scarsi. Quattro candidati soddisfacevano tutti i criteri di filtraggio, inclusi il Febuxostat (−7,505 kcal/mol) e un derivato della deossiribofuranosilina (−8,142 kcal/mol).
• Profili ADMET: Tutti i quattro composti selezionati esibivano una buona drug-likeness, un alto assorbimento gastrointestinale e una non permeabilità attraverso la BBB. Fondamentalmente, erano predetti come non mutageni, non epatotossici e non inibitori dei canali hERG.
• Simulazione di Dinamica Molecolare e Analisi delle Interazioni:
  • Le simulazioni MD hanno confermato la stabilità strutturale del complesso Febuxostat-S1PR1, con valori di RMSD che si sono stabilizzati tra 0,3 nm e 0,4 nm dopo 12 ns.
  • Il Raggio di Girazione (Rg) e la SASA hanno indicato una struttura globulare compatta e ben ripiegata, mantenuta durante tutta la simulazione.
  • L'analisi tramite Protein-Ligand Interaction Profiler (PLIP) ha rivelato che il Febuxostat occupa la tasca ortosterica mimando l'ancoraggio idrofobico del ligando di riferimento, Ozanimod. Nello specifico, il Febuxostat ha mantenuto interazioni idrofobiche persistenti e $\pi$-stacking con i residui chiave PHE 210 e LEU 195.
  • Mentre il ligando di riferimento si affida a un legame a idrogeno con LYS 34, il Febuxostat ha formato un legame a idrogeno transitorio ma significativo con SER 129, supportato da una robusta rete idrofobica.

Significatività e Rivendicazioni
Lo studio afferma che questa ricerca valida l'efficacia dell'integrazione di workflow guidati dall'IA con la modellazione molecolare classica per accelerare la scoperta di farmaci. Il contributo primario è l'identificazione del Febuxostat, un inibitore della xantina ossidasi già approvato per la gotta, come un nuovo modulatore di S1PR1 strutturalmente distinto.

Gli autori sostengono che:

1. L'workflow integrato ha avuto successo nel restringere un vasto spazio chimico verso candidati ad alta confidenza.
2. Il Febuxostat esibisce un modo di legame stabile all'interno della tasca ortosterica di S1PR1, mimando efficacemente la rete di interazione dei modulatori clinici stabiliti come l'Ozanimod.
3. Il profilo ADMET favorevole del composto e la sua prevista incapacità di attraversare la BBB suggeriscono che sia un candidato valido per l'immunomodulazione periferica nella SM e disturbi correlati, senza effetti collaterali sul sistema nervoso centrale.

Lo studio conclude che, sebbene questi risultati siano promettenti, essi rappresentano una scoperta computazionale che richiede ulteriore validazione sperimentale (in vitro e in vivo) per confermare l'attività funzionale e l'efficacia terapeutica. Gli autori sottolineano come questo approccio evidenzi il potenziale del drug repurposing computazionale per scoprire interazioni tra target precedentemente non riconosciute tra farmaci approvati.