Residue-Conditioned Molecular Design for Paralogue Selectivity: A Computational Framework with Scaffold Preservation and Traceable Chemical Modifications
Questo articolo presenta un framework computazionale condizionato dai residui che progetta iterativamente candidati molecolari selettivi per i paraloghi proteici, prendendo di mira i residui divergenti del sito attivo e imponendo al contempo la preservazione dello scaffold, dimostrando con successo modifiche chimiche tracciabili e un'elevata continuità strutturale attraverso 17 campagne di progettazione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel vasto panorama della scoperta di nuovi farmaci, gli scienziati si trovano spesso di fronte a un problema di errata identificazione. Molte proteine nel corpo umano sono come parenti stretti, che condividono forme e caratteristiche quasi identiche. Quando un ricercatore progetta una molecola per incastrarsi in una specifica proteina al fine di bloccare una malattia, esiste il rischio costante che la molecola si incastri anche nel suo parente simile, causando effetti indesiderati. Questa è la sfida della selettività. Per decenni, i computer sono stati utilizzati per generare nuove forme molecolari che si adattino alle minuscole tasche di queste proteine, proprio come cercare una chiave che si adatti a una specifica serratura. Tuttavia, questi strumenti digitali si concentrano spesso solo su quanto bene una forma si adatti, ignorando le sottili differenze tra le serrature che renderebbero una chiave efficace per una ma non per l'altra. Essi faticano anche a incorporare i trucchi chimici specifici che le medicine del mondo reale utilizzano, come ad esempio la formazione di un legame permanente con l'obiettivo.
Un nuovo studio del ricercatore indipendente Ahmed Amine Sadouk introduce un modo diverso di pensare a questo problema. Invece di lasciare che un computer cerchi casualmente la forma migliore, questo framework agisce come un architetto guidato. Esso parte da una molecola nota e funzionante e poi costruisce sopra di essa, passo dopo passo. Ad ogni passaggio, il sistema osserva le differenze specifiche tra la proteina bersaglio e il suo parente indesiderato. Identifica un singolo punto in cui le due proteine differiscono e dirige il computer ad attaccare un nuovo gruppo chimico specificamente a quel punto. Fondamentalmente, il sistema è progettato in modo che ogni nuova aggiunta debba mantenere intatte le parti precedenti della molecola. Ciò assicura che il risultato finale non sia solo una forma casuale, ma un'evoluzione logica di un farmaco noto, preservando le parti che lo rendono efficace pur aggiungendo le parti che lo rendono selettivo.
I ricercatori hanno testato questo approccio su diciotto diverse coppie di proteine, incluse enzimi coinvolti nel cancro e nell'infiammazione. In diciassette di questi casi, il sistema ha prodotto con successo una molecola candidata finale. Una scoperta chiave è stata che la struttura originale, o scaffold, non è mai stata persa. Che la molecola finale sia cresciuta da dieci atomi a trentacinque, o da sessantacinque a novantaquattro, l'intelaiatura centrale è rimasta esattamente com'era nel primo round. Questo rappresenta un netto distacco da altri metodi in cui il computer potrebbe scartare l'intera forma originale in favore di una nuova. Mantenendo il nucleo, il sistema assicura che la nuova molecola conservi la chimica essenziale che le permette di legarsi alla proteina in primo luogo.
Per vedere se questo metodo funzionasse davvero, il team ha confrontato le loro molecole generate con quarantatré farmaci noti e composti di riferimento trovati nella letteratura scientifica. Hanno osservato quanto della struttura chimica fosse condiviso tra i loro nuovi design e i medicinali stabiliti. In diciannove dei quarantatré confronti, i loro nuovi design hanno mantenuto le caratteristiche chimiche più importanti dei farmaci di riferimento, come le parti che si legano allo zinco o si connettono a specifiche cerniere proteiche. Ciò è accaduto molto più spesso di quanto ci si potrebbe aspettare per caso. Infatti, quando hanno confrontato i loro risultati con molecole attive casuali e non correlate, quelle molecole casuali preservavano le caratteristiche chiave in circa il dodici per cento dei casi. Il nuovo metodo le preservava in quasi la metà dei casi, suggerendo che sta imitando con successo la logica della chimica farmaceutica umana.
Lo studio ha anche affrontato il compito difficile di progettare inibitori covalenti, ovvero farmaci che formano un legame chimico permanente con il loro obiettivo. Il sistema ha progettato con successo molecole con specifiche "testate belliche" (warheads) destinate a reagire con punti unici sulla proteina bersaglio. Ad esempio, in un caso, ha aggiunto un gruppo chimico progettato per attaccarsi a un residuo di cisteina specifico su una proteina chiamata ABL1, un punto che non esiste sulla proteina simile SRC. In un altro caso, ha progettato una struttura grande e ad anello per una proteina chiamata KRAS, un bersaglio noto per essere difficile da trattare. Tuttavia, i ricercatori sono stati attenti a sottolineare i limiti dei loro strumenti digitali. Hanno scoperto che i metodi di punteggio informatico standard, che solitamente prevedono quanto bene una molecola si adatti, non possono giudicare accuratamente questi legami permanenti perché non simulano la reazione chimica stessa. Il sistema ha progettato il legame basandosi sulla posizione del residuo bersaglio, ma il computer non è stato in grado di calcolare l'energia della formazione del legame.
Uno dei momenti più rivelatori dello studio è arrivato da una scoperta tecnica che ha influenzato l'intero progetto. Mentre preparavano le strutture proteiche per le simulazioni al computer, i ricercatori hanno scoperto un errore nascosto nel modo in cui i dati venivano letti. Un semplice errore nel codice aveva rimosso determinate posizioni alternative degli atomi, aggiungendo involontariamente atomi extra e falsi nelle tasche delle proteine. Questo errore faceva credere al computer che le tasche fossero più affollate e attraenti di quanto non fossero in realtà, gonfiando artificialmente i punteggi di tutti i farmaci di riferimento. Una volta corretto questo errore, i punteggi dei farmaci noti sono scesi significativamente. Questa scoperta ha evidenziato come anche i migliori benchmark digitali possano essere difettosi se i dati sottostanti non sono preparati correttamente, e ha significato che i nuovi design dovevano essere valutati contro uno standard più realistico.
Lo studio conclude che questo approccio guidato e passo dopo passo è un modo potente per tradurre le differenze strutturali tra le proteine in cambiamenti chimici concreti. Ha preservato con successo il nucleo dei farmaci noti aggiungendo al contempo caratteristiche specifiche per colpire residui unici. I ricercatori non hanno sintetizzato queste molecole in laboratorio né le hanno testate in cellule viventi; il lavoro rimane una progettazione computazionale. Essi dichiarano esplicitamente che il prossimo passo è costruire il candidato più promettente, specificamente quello progettato per la proteina EGFR, e testarlo in un laboratorio "wet lab" per vedere se funzioni effettivamente come previsto. Finché non verrà eseguito questo test fisico, i risultati rimarranno una sofisticata simulazione di un processo di progettazione di un farmaco di successo, uno che rispetta la storia della molecola pur progettandone attentamente il futuro.
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.