Integrated Machine Learning and Structure-Based Computational Prioritization of KIF11 Inhibitor Candidates for CNS-Oriented Drug Discovery
Questo studio presenta un flusso di lavoro computazionale integrato di apprendimento automatico e basato sulla struttura che ha selezionato con successo cinque candidati inibitori di KIF11 strutturalmente diversificati con elevata potenza prevista e permeabilità della barriera emato-encefalica per l'uso nella scoperta di farmaci oncologici orientati al SNC.
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
Il cancro è una malattia di crescita incontrollata, in cui le cellule si dividono senza fermarsi. Per arrestare questo processo incontrollato, gli scienziati cercano spesso modi per interrompere il meccanismo che permette alle cellule di scindersi in due. Un pezzo critico di questo meccanismo è una proteina chiamata KIF11, che agisce come un motore molecolare per organizzare l'impalcatura interna necessaria alla divisione cellulare. Quando questa proteina viene bloccata, la cellula non può dividersi correttamente e alla fine muore. Questo rende KIF11 un bersaglio promettente per nuovi farmaci oncologici. Tuttavia, trattare i tumori che hanno origine nel cervello, come il glioblastoma, presenta una sfida unica. Il cervello è protetto da una barriera biologica che tiene fuori la maggior parte delle sostanze, il che significa che un farmaco deve essere progettato specificamente per attraversare questo muro per raggiungere il tumore. Trovare una molecola che sia allo stesso tempo abbastanza potente da fermare il cancro e abbastanza piccola da entrare nel cervello è un difficile equilibrio per i ricercatori.
In uno studio recente, un team di scienziati dell'India ha sviluppato una nuova strategia basata sul computer per trovare potenziali farmaci che potessero risolvere questo problema. Invece di testare migliaia di sostanze chimiche in un laboratorio una per una, il che è lento e costoso, hanno utilizzato programmi informatici avanzati per simulare come diverse molecole potrebbero interagire con la proteina KIF11. I ricercatori hanno iniziato raccogliendo una vasta collezione di dati esistenti su come varie sostanze chimiche influenzano KIF11, pulendo le informazioni per garantire che fossero accurate e coerenti. Hanno poi insegnato a un sistema informatico a riconoscere i modelli nelle forme e nelle proprietà chimiche di queste molecole, permettendo al sistema di prevedere quali nuove sostanze chimiche non ancora testate potessero essere inibitori efficaci. Per garantire che le loro previsioni fossero affidabili, hanno utilizzato un metodo rigoroso in cui il computer imparava da un gruppo di sostanze chimiche e veniva testato su un gruppo completamente separato che non aveva mai visto prima, evitando che il sistema si limitasse a memorizzare le risposte.
Il modello informatico ha identificato con successo diversi candidati promettenti, ma i ricercatori non si sono fermati lì. Volevano sapere se queste molecole potessero effettivamente incastrarsi nella tasca specifica della proteina KIF11 dove devono legarsi per svolgere il loro lavoro. Utilizzando una tecnica chiamata docking molecolare, hanno simulato l'interazione fisica tra i migliori candidati e la struttura proteica. Questo processo è come cercare di inserire una chiave in una serratura per vedere se la forma corrisponde, ma fatto interamente all'interno di un computer. Le simulazioni hanno mostrato che le molecole selezionate potevano effettivamente sistemarsi nel punto corretto della proteina. Il team ha anche eseguito controlli per vedere se queste molecole sarebbero state in grado di attraversare la barriera emato-encefalica e raggiungere il cervello, nonché se sarebbero state sicure da gestire per l'organismo. Hanno scoperto che i migliori candidati avevano una probabilità molto alta di entrare nel cervello, il che è un requisito crucialo per il trattamento dei tumori cerebrali.
Tra le molecole identificate, una si è distinta come la più promettente. Questo composto, noto con il codice CHEMBL392148, è stato previsto essere altamente efficace nel bloccare la proteina KIF11 e aveva un'eccellente possibilità di attraversare il cervello. I ricercatori hanno anche esaminato attentamente la struttura chimica di questa molecola e di altre per assicurarsi che non contenessero parti note per essere tossiche o instabili. Mentre un candidato mostrava un piccolo segnale di allarme riguardante una specifica caratteristica chimica, la scelta principale appariva pulita e sicura in base ai modelli informatici. Lo studio ha inoltre evidenziato una potenziale preoccupazione per la sicurezza: tutti e cinque i migliori candidati mostravano un segnale che indicava la possibilità che potessero influenzare il sistema elettrico del cuore, un rischio che dovrebbe essere testato in un laboratorio reale prima di qualsiasi uso umano.
I ricercatori sottolineano che queste scoperte sono un punto di partenza, non un prodotto finito. Le molecole che hanno identificato sono ancora solo previsioni al computer. Il passo successivo sarebbe quello di sintetizzare queste sostanze chimiche in un laboratorio e testarle su proteine e cellule reali per vedere se si comportano come previsto dal computer. Lo studio fornisce una via chiara e razionale, offrendo una lista ristretta di specifiche strutture chimiche che meritano ulteriori indagini. Combinando l'apprendimento automatico con un'analisi strutturale dettagliata, il team ha ridotto la ricerca di un nuovo farmaco per il cancro al cervello a un manipolo di candidati di alta qualità, risparmiando tempo e risorse e concentrando gli sforzi sulle soluzioni più probabili.
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.