Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

Nel mondo ad alta posta in gioco della scoperta di farmaci, gli scienziati affrontano spesso un enigma che sembra quello di cercare di sintonizzare una radio su una frequenza specifica senza cambiare stazione. Hanno una molecola promettente, una struttura chimica che mostra potenziale per combattere una malattia, ma che ha bisogno di una regolazione fine. Per far sì che un farmaco funzioni meglio nel corpo umano, i ricercatori devono regolare proprietà fisiche specifiche, come quanti legami a idrogeno la molecola può formare, quanti strutture ad anello contiene o quante parti di essa possono ruotare e torcersi. Queste regolazioni sono critiche perché determinano se un farmaco potrà essere assorbito dal corpo o se passerà semplicemente oltre. Tuttavia, apportare queste modifiche è notoriamente difficile. Se uno scienziato prova a modificare una parte della molecola per migliorarne l'assorbimento, spesso rompe accidentalmente un'altra parte, rovinando la capacità del farmaco di legarsi al suo bersaglio. La sfida consiste nel realizzare modifiche precise e controllate a una struttura chimica complessa senza smantellarne l'identità fondamentale.

Per risolvere questo problema, un ricercatore della Shiga University ha sviluppato un nuovo strumento digitale chiamato Scaffold-tuner. Pensate a una molecola come a una casa con una solida fondazione e un tetto unico; la fondazione è la struttura portante che definisce che tipo di edificio sia, mentre il tetto e le pareti possono essere modificati. In chimica, questo nucleo immutabile è chiamato scaffold (impalcatura). L'obiettivo è mantenere intatto quello scaffold sostituendo le "pareti" per cambiare le proprietà della casa. I metodi precedenti per farlo erano spesso simili a lanciare freccette al buio: generavano migliaia di variazioni casuali, sperando di imbattersi in una che funzionasse, oppure si affidavano a un'intelligenza artificiale complessa che a volte cambiava la fondazione insieme alle pareti, creando un edificio completamente diverso. Questi approcci erano inefficienti e producevano spesso risultati troppo diversi dal farmaco originale per essere utili.

Il nuovo strumento, Scaffold-tuner, adotta un approccio diverso, più deliberato. Invece di tirare a indovinare o usare un algoritmo a scatola nera, utilizza una libreria curata di frammenti chimici — piccoli pezzi di molecole pre-testati e noti per svolgere compiti specifici. Se un ricercatore ha bisogno di aggiungere un donatore di legame a idrogeno, lo strumento seleziona un frammento progettato specificamente per quel compito. Se ha bisogno di rimuovere un legame rotabile, sceglie un frammento che blocca la struttura in posizione. Combinando questi frammenti mirati con lo scaffold originale della molecola, lo strumento genera nuovi composti candidati che garantiscono di mantenere il cuore della struttura originale pur ottenendo le desiderate modifiche fisiche. È un metodo di editing che privilegia il controllo e la prevedibilità rispetto al volume puro.

Per testare se questo metodo funzionasse davvero, il ricercatore lo ha sottoposto a una prova rigorosa utilizzando mille composti di tipo farmacologico presi da un database pubblico chiamato ChEMBL. Questi composti fungevano da punto di partenza, o "genitori", per l'esperimento. Lo strumento è stato chiamato a eseguire otto diversi tipi di modifiche, come aggiungere o rimuovere un donatore di legame a idrogeno, aggiungere o rimuovere un anello aromatico o cambiare il numero di legami rotabili. Per confronto, gli stessi composti di partenza sono stati inseriti in altri tre metodi: uno strumento di editing casuale semplice, un metodo chiamato CReM che effettua cambiamenti chimicamente ragionevoli ma non guidati, e un sofisticato sistema di intelligenza artificiale noto come REINVENT4. L'obiettivo era vedere quale metodo riuscisse a creare una nuova molecola che soddisfacesse la modifica specifica richiesta pur rimanendo fedele alla struttura originale.

I risultati hanno mostrato che Scaffold-tuner eccelle nella precisione, particolarmente quando i ricercatori possono esaminare solo un piccolo numero di opzioni. In uno scenario in cui veniva considerato solo il primissimo candidato generato da ciascun metodo, Scaffold-tuner è riuscito a creare la modifica desiderata nel 42,3 percento dei casi. Questo valore era significativamente più alto degli altri metodi, che avevano avuto successo solo nel 13,9%, 15,6% e 17,1% dei casi, rispettivamente. Questo dato suggerisce che, quando uno scienziato ha bisogno di un suggerimento rapido e affidabile per far avanzare un progetto, Scaffold-tuner è molto più propenso a fornire una risposta utile immediatamente. Sebbene lo strumento di intelligenza artificiale abbia colmato il divario producendo una gamma più ampia di cambiamenti riusciti quando gli è stato permesso di generare fino a cento candidati, lo ha fatto effettuando cambiamenti molto più grandi e drastici alle molecole. Queste molecole generate dall'IA apparivano molto diverse dall'originale, rendendo più difficile per gli scienziati capire come le modifiche influenzassero il comportamento del farmaco.

Al contrario, le molecole prodotte da Scaffold-tuner rimanevano molto simili ai loro composti genitori. In media, i candidati di successo mantenevano circa il 75 percento della struttura dello scaffold originale, e la loro somiglianza complessiva con la molecola di partenza era elevata. Questo è un vantaggio cruciale perché, nello sviluppo di farmaci, gli scienziati devono sapere esattamente quale modifica ha causato un cambiamento nell'attività. Se la struttura è troppo diversa, diventa impossibile capire se la nuova proprietà derivi dalla modifica prevista o da una composizione completamente nuova di atomi. Lo studio ha rilevato che Scaffold-tuner era particolarmente efficace nell'aggiungere anelli aromatici, un compito in cui gli altri metodi faticavano o fallivano quasi del tutto. È riuscito anche ad aumentare o diminuire i legami rotabili con un livello di successo che, pur non essendo perfetto, era costante e affidabile.

Tuttavia, lo strumento non è privo di limitazioni. Lo studio ha osservato che il successo delle modifiche dipendeva fortemente dal tipo specifico di modifica richiesta. Ad esempio, mentre lo strumento era eccellente nell'aggiungere anelli, aveva difficoltà a rimuoverli, ottenendo un tasso di successo dello zero percento per quel compito specifico. Allo stesso modo, aumentare il numero di legami rotabili era difficile, con un tasso di successo di solo il 15,2 percento. Ciò indica che lo strumento non è una soluzione universale, ma piuttosto uno strumento specializzato che funziona meglio per certi tipi di aggiustamenti strutturali. I ricercatori hanno anche osservato che, sebbene fosse possibile cambiare una proprietà, spesso era difficile farlo senza alterare accidentalmente altre proprietà contemporaneamente. Ad esempio, cambiare il numero di legami rotabili comportava spesso cambiamenti indesiderati in altre parti della molecola, una sfida che rimane difficile da superare completamente per qualsiasi strumento di editing.

Nonostante questi vincoli, lo studio conclude che Scaffold-tuner offre un nuovo quadro prezioso per tradurre obiettivi chimici astratti in strutture molecolari concrete. Esso colma il divario tra i modelli teorici, che predicono come un farmaco dovrebbe comportarsi, e la realtà pratica della costruzione di quel farmaco. Fornendo un modo per apportare modifiche specifiche e interpretabili preservando l'identità centrale della molecola, permette ai ricercatori di esplorare la relazione tra struttura e funzione con maggiore chiarezza. Lo strumento non sostituisce la necessità di metodi più ampi ed esplorativi, ma occupa una nicchia specifica dove la precisione e la velocità sono fondamentali. Per gli scienziati che cercano di perfezionare un composto guida, offre un modo per ottenere un manipolo di opzioni altamente rilevanti rapidamente, invece di setacciare migliaia di variazioni casuali. Il codice sorgente dello strumento è ora disponibile per l'uso e il miglioramento da parte di altri, suggerendo che questo approccio diretto alle proprietà potrebbe diventare uno standard nel toolkit della scoperta di farmaci, aiutando a trasformare la complessa arte dell'editing molecolare in una scienza più prevedibile ed efficiente.