How many crystal structures do you need to trust your docking results?
A análise de 403 estruturas cristalinas da protease principal do SARS-CoV-2 do projeto COVID Moonshot revela que a precisão da predição de pose baseada em estrutura estabiliza após a coleta de aproximadamente cinco estruturas por arcabouço genérico, oferecendo uma diretriz prática para otimizar a alocação de recursos em campanhas de descoberta de fármacos.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
No mundo de alto risco da descoberta de novos medicamentos, os cientistas frequentemente dependem de uma estratégia chamada descoberta de fármacos baseada em estrutura. Imagine tentar projetar uma chave que se encaixe perfeitamente em uma fechadura tridimensional complexa. Neste caso, a fechadura é uma proteína dentro do corpo humano que causa doenças, e a chave é uma nova molécula de medicamento. Para fazer a chave caber, os pesquisadores precisam saber exatamente como a fechadura é moldada e como as chaves anteriores se assentaram dentro dela. Durante décadas, a maneira mais confiável de ver essa forma tem sido congelar a proteína com um fármaco acoplado e tirar uma foto dela usando raios X, um processo que cria uma estrutura cristalina. Essas imagens atuam como plantas, mostrando aos cientistas exatamente onde o fármaco se liga para que possam ajustar o design de futuros fármacos para torná-los mais fortes e precisos. No entanto, tirar essas fotos é caro, lento e difícil. Requer o cultivo de cristais perfeitos e o envio para máquinas enormes, o que significa que os cientistas frequentemente enfrentam uma escolha difícil: quantas dessas fotos caras eles realmente precisam tirar antes de terem informações suficientes para seguir em frente?
Uma equipe de pesquisadores partiu para responder a essa pergunta analisando um dos maiores e mais abertos esforços de descoberta de fármacos da história: o COVID Moonshot. Este projeto global visava encontrar um tratamento para o vírus que causa a COVID-19, testando milhares de designs químicos diferentes contra a principal protease do vírus, uma enzima crítica de que o vírus precisa para sobreviver. Ao longo da campanha, a equipe gerou uma coleção sem precedentes de 403 estruturas cristalinas, cada uma mostrando uma molécula de fármaco ligeiramente diferente ligada à enzima. Esse enorme conjunto de dados proporcionou uma oportunidade única de testar uma suposição comum no campo. Muitos cientistas acreditavam que, quanto mais estruturas cristalinas coletassem, melhores seus modelos computacionais se tornariam para prever como novos fármacos não vistos se encaixariam. Os pesquisadores queriam ver se havia um ponto em que a coleta de mais fotos parava de ajudar, um momento de retornos decrescentes onde o custo de tirar outra foto superava o benefício da nova informação fornecida.
Para investigar isso, os pesquisadores usaram um método chamado docking cruzado (cross-docking). Em vez de apenas olhar para as fotos que já possuíam, eles usaram seus computadores para simular o posicionamento de cada molécula de fármaco do conjunto no sítio de ligação de cada uma das outras estruturas cristalinas que possuíam. Eles então verificaram se o computador conseguia prever corretamente a posição do fármaco com base nas estruturas de referência disponíveis. Eles mediram o sucesso observando se o palpite do computador estava dentro de uma distância minúscula da posição real, observada experimentalmente. Ao executar essas simulações com diferentes números de estruturas de referência, eles puderam observar como a precisão melhorava à medida que mais dados eram adicionados. Eles também compararam duas abordagens diferentes: uma que usava apenas a forma da proteína para adivinhar o encaixe, e outra que usava as formas de fármacos anteriores como um guia para ajudar o computador a alinhar as novas moléculas.
Os resultados revelaram um padrão claro que desafia a ideia de que "mais é sempre melhor". Os pesquisadores descobriram que a precisão das previsões dependia fortemente de quão semelhante o novo fármaco era aos fármacos já presentes no banco de dados. Quando a nova molécula se parecia muito com uma anterior, o computador conseguia prever sua posição com alta precisidade usando apenas algumas estruturas de referência. No entanto, a descoberta mais surpreendente foi sobre a variedade das estruturas, e não o número total. A equipe descobriu que, uma vez que tivessem cerca de cinco estruturas cristalinas para um determinado arcabouço (scaffold) químico, adicionar mais estruturas desse mesmo tipo fornecia quase nenhum benefício adicional. A taxa de sucesso de previsão da posição do fármaco estabilizou, atingindo um nível onde era quase impossível melhorar apenas coletando mais do mesmo tipo de molécula.
De fato, o estudo mostrou que a diversidade das estruturas químicas era muito mais importante do que o volume bruto de dados. Para a série de fármacos mais bem-sucedida na campanha, ter apenas cinco estruturas cristalinas da mesma forma básica era suficiente para alcançar uma taxa de sucesso de mais de 95 por cento. Adicionar dezenas de outras estruturas dessa mesma forma não aumentou significamente esse número. Por outro lado, quando os pesquisadores tentaram prever a posição de um fármaco com uma forma química completamente nova, a precisão caiu, a menos que tivessem uma estrutura de referência que correspondesse a essa nova forma. Isso sugere que o uso mais valioso dos recursos não é continuar tirando fotos de versões ligeiramente diferentes do mesmo fármaco, mas sim tirar fotos de formas químicas inteiramente novas assim que forem descobertas.
Os pesquisadores também examinaram se a qualidade das estruturas cristalinas importava. Eles observaram fatores como a nitidez das imagens e o quanto os átomos pareciam oscilar no modelo. Descobriram que, mesmo com imagens de menor qualidade, os modelos computacionais ainda podiam prever as posições dos fármacos com precisão, desde que as formas químicas fossem suficientemente semelhantes. Isso indica que o gargalo no processo não é a qualidade das fotos de raios X, mas sim a capacidade do computador de gerar a posição inicial correta do fármaco. Mesmo quando o computador recebeu uma forma perfeita de pontuar o melhor palpite, ele não conseguiu melhorar a taxa de sucesso muito além do que alcançou com um método de pontuação padrão. Isso sugere que o principal desafio reside na geração inicial da posição do fármaco, e não em escolher a correta a partir de uma lista de possibilidades.
Essas descobertas oferecem um guia prático para futuras campanhas de descoberta de fármacos. Em vez de gastar tempo e dinheiro coletando centenas de estruturas cristalinas para uma única série química, os cientistas podem agora visar um conjunto menor e mais estratégico. Ao focar na coleta de estruturas para alguns arcabouços químicos diferentes, talvez de cinco a dez estruturas por arcabouço, eles podem alcançar quase o mesmo nível de poder preditivo como se tivessem coletado centenas. Essa abordagem permite que os pesquisadores se movam de forma mais rápida e eficiente, direcionando seus recursos para explorar novos territórios químicos em vez de reexaminar o terreno antigo. O estudo confirma uma intuição de longa data entre os químicos medicinais: ter um conjunto diversificado de pontos de referência é mais poderoso do que ter um conjunto profundo de pontos similares. Ao compreender onde os retornos diminuem, a comunidade científica pode tomar decisões mais inteligentes sobre como alocar o tempo e o dinheiro necessários para trazer novos medicamentos ao mundo.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.