Automated dataset integrating structural and bioactivity data for structure-based drug discovery

Immagina di cercare di insegnare a un robot come progettare una nuova chiave che si adatti perfettamente a una specifica serratura. Nel mondo della medicina, le "serrature" sono le proteine all'interno dei nostri corpi che causano malattie, e le "chiavi" sono minuscole molecole di farmaci. Per decenni, gli scienziati hanno cercato di costruire un robot super intelligente (usando il machine learning) capace di prevedere esattamente quanto bene una chiave si adatti a una serratura guardando solo le loro forme. Ma c'è un grande problema: il robot ha fame di dati, e i dati di cui ha bisogno sono sparsi ovunque. Alcuni scienziati hanno la forma della serratura, altri hanno le misurazioni di quanto bene una chiave giri, ma raramente si trovano nello stesso posto. È come cercare di insegnare a uno chef a cucinare un pasto perfetto quando la ricetta è in un libro, l'immagine degli ingredienti è in un altro e i risultati del test del gusto sono in un terzo. Senza una biblioteca massiccia e organizzata che colleghi la forma della serratura alla forza esatta della presa della chiave, il robot non può apprendere efficacementamente.

È qui che inizia la storia di DockTData. Un team di ricercatori del Laboratorio Nazionale di Calcolo Scientifico in Brasile ha deciso di costruire proprio quella biblioteca mancante. Non si sono limitati a raccogliere alcune ricette; hanno costruito una fabbrica automatizzata che scansiona internet alla ricerca di ogni informazione disponibile su serrature proteiche e chiavi farmacologiche, le cuce insieme e le organizza in un unico, gigantesco dataset. Pensatelo come un massiccio servizio digitale di "matchmaking". Prende i progetti 3D delle proteine dal Protein Data Bank (PDB) e li collega ai risultati del mondo reale da database come BindingDB e ChEMBL. Il risultato è un tesoro di oltre 24.719 complessi proteina-legante unici. Questo non è solo un elenco di numeri; è una collezione dove ogni singola molecola di farmaco è direttamente legata alla sua struttura 3D e alla sua forza misurata (quanto strettamente si lega), standardizzata in modo che un computer possa leggerle tutte in una volta. Rendendo questi dati aperti e gratuiti per tutti, gli autori sperano di dare alla prossima generazione di robot per la scoperta di farmaci il carburante necessario per imparare più velocemente e in modo più intelligente, portando potenzialmente a nuovi medicinali per malattie che attualmente non hanno cura.

La missione centrale del paper: Costruire l'ultimata biblioteca per la progettazione di farmaci

Il paper presenta DockTData, un nuovo dataset disponibile liberamente, progettato per potenziare la "scoperta di farmaci basata sulla struttura" (structure-based drug discovery). In termini semplici, questo è il processo di progettazione di farmaci guardando la forma 3D della proteina bersaglio e capendo quali molecole si adatteranno meglio ad essa. Gli autori hanno creato questo dataset costruendo una pipeline automatizzata che agisce come un bibliotecario super efficiente. Questo bibliotecario va a pescare da tre fonti massicce — il Protein Data Bank (PDB), che contiene le strutture 3D delle proteine; BindingDB; e ChEMBL, che contengono le misurazioni di quanto i farmaci si legano alle proteine — e mette tutto insieme.

La magia di DockTData risiede nel modo in cui connette i puntini. Prima di allora, uno scienziato poteva avere l'immagine di una proteina con un farmaco incastrato, ma non avrebbe saputo esattamente quanto fosse forte quel legame, oppure poteva trovare la misurazione della forza in un database diverso senza l'immagine. DockTData risolve questo problema collegando i 24.719 complessi proteina-legante (le "serrature" con le loro "chiavi") direttamente a 45.331 misurazioni di bioattività. Queste misurazioni includono valori come Kd, Ki, IC50 ed EC50, che sono tutti modi per dire "quanto strettamente aderisce questo farmaco?". Gli autori hanno standardizzato tutti questi valori in unità di nanomolari (nM), in modo che possano essere confrontati tra loro in modo equo.

Come l'hanno fatto: La macchina di matchmaking automatizzata

I ricercatori non si sono limitati a copiare e incollare; hanno costruito un sistema sofisticato per garantire che i match fossero perfetti. Hanno usato alcuni trucchi astuti per assicurarsi che i dati fossero puli e affidabili:

• Il match della proteina: Hanno utilizzato uno strumento chiamato MMseqs2 per confrontare le sequenze proteiche. Hanno stabilito una regola per cui una proteina da un test farmacologico deve essere identica almeno all'85% alla proteina nella struttura 3D per essere considerata un match. È come dire: "Se la serratura sembra l'85% uguale a quella nella foto, assumeremo che sia la stessa serratura". Questa soglia è stata scelta per includere variazioni utili (come versioni leggermente diverse della stessa proteina) senza includere proteine totalmente diverse.
• Il match del farmaco: Per le molecole di farmaco, hanno utilizzato un cosiddetto InChIKey. Pensate a questo come a un codice a barre unico di 27 caratteri per ogni struttura chimica. Ricalcolando questi codici a barre utilizzando uno strumento standard (RDKit) per ogni singola voce, si sono assicurati che lo stesso farmaco non fosse elencato due volte con nomi diversi o con piccole, confuse differenze.
• La regola "Una chiave, una serratura": Sono stati molto rigorosi nell'accoppiamento. Se una struttura proteica aveva due farmaci diversi attaccati contemporaneamente, l'hanno esclusa. Hanno mantenuto solo i complessi in cui c'era esattamente una molecola di farmaco accoppiata con una struttura proteica. Questo evita confusioni durante l'addestramento dei modelli informatici.

Cosa c'è dentro la scatola?

Il dataset risultante è una vasta collezione di informazioni, organizzata in tabelle facili da usare. Ecco cosa si ottiene:

• 24.719 complessi proteina-legante unici.
• 11.742 molecole di farmaco (leganti) distinte.
• 17.732 strutture proteiche uniche dal PDB.
• 2.163 diversi target proteici (le "serrature").
• Una miscela di piccole molecole (il tipo classico di farmaco, che costituisce 24.378 delle voci), peptidi (271 voci) e persino alcuni oligosaccaridi (70 voci).

Gli autori notano che la loro collezione di piccole molecole è il 46% più grande della parte di piccole molecole della popolare versione 2020 del set generale di PDBbind, che aveva 16.744 voci. Ciò significa che DockTData offre un campo di gioco significativamente più ampio per gli scienziati che vogliono testare le proprie idee.

Perché questo è importante: Più di semplici numeri

Il paper sottolinea che la qualità e la dimensione dei dati di addestramento sono i maggiori colli di bottiglia per il machine learning nella scoperta di farmaci. Se si addestra un robot su un dataset piccolo e disordinato, imparerà cattive abitudini. DockTData offre un dataset "più pulito", più grande e più trasparente. Poiché gli autori hanno tracciato esattamente da dove proveniva ogni pezzo di dato (la "provenienza"), gli scienziati possono risalire a qualsiasi numero dalla sua fonte originale, controllare eventuali errori e comprenderne il contesto.

Il dataset include una vasta gamma di tipi di misurazione: il 58,8% sono valori IC50, il 20,3% sono Ki, l'11,3% sono Kd e il 9,7% sono EC50. Questa diversità è importante perché diversi tipi di misurazione raccontano storie leggermente diverse su come un farmaco funziona. Avendoli tutti in un unico posto, standardizzati in unità di nanomolari, i ricercatori possono scegliere il tipo specifico di dati che meglio si adatta alle loro esigenze.

Le "Zone No-Go": Cosa esclude il paper

È importante notare cosa non è DockTData. Gli autori dichiarano esplicitamente che non includono strutture che sono state solo predette dai computer (come quelle di AlphaFold) senza prova sperimentale. Hanno incluso solo strutture che sono state effettivamente risolte in laboratorio usando raggi X, NMR o criomicroscopia elettronica. Questo significa che il dataset è strettamente ancorato alla realtà sperimentale, non alle simulazioni al computer.

Inoltre, il paper esclude gli accoppiamenti ambigui. Se una struttura proteica aveva molteplici farmaci diversi attaccati, o se il legame tra la sequenza proteica e la misurazione del farmaco era troppo debole (sotto la soglia di identità dell'85%), quel dato è stato scartato. Gli autori sostengono che questa severità è necessaria per evitare il "rumore" che potrebbe confondere i modelli di machine learning. Notano anche che, sebbene abbiano molti dati, non pretendono di aver risolto il problema della scoperta di farmaci. Al contrario, stanno fornendo una base migliore — una "risorsa trasparente, riutilizzabile e in continua espansione" — su cui altri possano costruire.

Il punto finale

DockTData è un dono per la comunità scientifica. È una biblioteca massiccia, organizzata e gratuita che collega le forme 3D delle proteine alla forza reale delle interazioni farmacologiche. Automatizzando il processo di raccolta e pulizia di questi dati, gli autori hanno creato una risorsa più grande e diversificata rispetto a molte collezioni precedenti. Hanno reso possibile per i ricercatori addestrare modelli di IA più intelligenti, testare nuove teorie su come i farmaci si legano alle proteine e, in ultima analisi, accelerare la scoperta di nuovi medicinali. Il dataset è disponibile sotto una licenza Creative Commons Attribution 4.0 International, il che significa che chiunque può usarlo, condividerlo e costruirvi sopra, purché venga dato il giusto credito. È un chiaro passo avanti nel trasformare il mondo caotico dei dati sulla scoperta di farmaci in un linguaggio strutturato e apprendibile dalle macchine.