Transcriptome-based lead generation, ligand- and structure-based prioritization and experimental validation of TLR5-activating molecules

Este estudo apresenta um novo framework de descoberta de fármacos que integra respostas celulares de nível sistêmico via CMAP para gerar e priorizar candidatos a moléculas ativadoras de TLR5, os quais foram posteriormente validados experimentalmente, demonstrando uma abordagem escalável que supera as limitações dos métodos tradicionais de geração de leads ao considerar o contexto celular desde as fases iniciais.

O essencial

Imagine que você é um detetive tentando encontrar uma chave específica para abrir uma fechadura muito complicada. Essa fechadura é uma parte do nosso sistema imunológico chamada TLR5, que funciona como um "alarme de incêndio" nas nossas células. Quando esse alarme toca, ele avisa o corpo sobre invasores (como bactérias) e prepara o exército para a defesa.

O problema é que essa fechadura é estranha: ninguém tem o desenho exato dela (a estrutura 3D), e tentar adivinhar qual chave encaixa apenas olhando para a fechadura (o método tradicional) tem falhado muito.

Neste estudo, os cientistas decidiram mudar a estratégia. Em vez de tentar adivinhar a chave pela forma da fechadura, eles olharam para o efeito que a chave certa já causa na casa inteira.

Aqui está a história do estudo, explicada de forma simples:

1. O Problema: Tentar adivinhar a chave no escuro

Normalmente, para criar remédios, os cientistas olham para a forma da proteína (a fechadura) e tentam desenhar uma molécula (a chave) que se encaixe perfeitamente. Mas, como não tinham o desenho perfeito do TLR5, esse método estava travado.

2. A Nova Ideia: Olhar para a "Fumaça" do Incêndio

Os cientistas pensaram: "Se não sabemos como a chave se parece, vamos olhar para o que acontece quando a chave certa é usada!"

Eles sabiam que quando o alarme TLR5 é ativado naturalmente (pela flagelina, uma proteína de bactérias), a célula começa a "gritar" certos genes (como se fosse uma lista de compras de emergência). Eles pegaram essa lista de genes ativados e a usaram como um mapa do tesouro.

3. A Busca: O "Tinder" de Remédios

Eles usaram uma ferramenta gigante chamada CMap (Mapa de Conexão). Imagine que o CMap é uma biblioteca com milhões de remédios e uma lista de como cada um deles muda a "voz" da célula.

Eles disseram ao computador: "Procure por remédios que façam a célula falar exatamente como ela fala quando o alarme TLR5 está tocando!"
O computador varreu milhões de opções e encontrou alguns candidatos promissores que pareciam "imitar" o efeito da bactéria natural.

4. O Filtro Duplo: A Prova de Fogo

Agora, eles tinham uma lista de suspeitos, mas precisavam ter certeza de que eles realmente funcionavam. Eles fizeram duas verificações:

• A Verificação Química (A Forma da Chave): Eles olharam para a estrutura química desses remédios. Será que eles tinham peças em comum? Sim! Eles descobriram que os remédios selecionados tinham "assinaturas" químicas parecidas, como se todos tivessem sido feitos no mesmo molde.
• A Simulação no Computador (O Encaixe): Eles usaram supercomputadores para simular se essas "chaves" realmente entravam na "fechadura" TLR5. Mesmo sem ter o desenho perfeito da fechadura, a simulação mostrou que esses remédios se encaixavam muito bem, melhor do que a maioria dos remédios comuns que já existem.

5. O Teste Real: A Prova de Fogo no Laboratório

A parte mais legal: eles pegaram os 9 melhores candidatos e testaram em células humanas reais (células da língua, que são fáceis de cultivar em laboratório).

O resultado? Todos os 9 remédios funcionaram! Eles conseguiram "ligar o alarme" TLR5 nas células.

6. A Surpresa: Nem todos agem da mesma forma

Aqui está o detalhe curioso. Alguns remédios aumentaram o alarme de forma constante (quanto mais você dava, mais o alarme tocava). Outros, porém, diminuíram o alarme ou agiram de forma estranha.

Isso sugere que alguns desses remédios não estão apenas "empurrando" a fechadura TLR5 diretamente. Eles podem estar mexendo com outros botões da casa (outras proteínas) que acabam influenciando o alarme indiretamente. É como se alguns remédios dessem um susto no alarme, enquanto outros dessem um empurrãozinho no botão de volume.

Conclusão: Por que isso é importante?

Este estudo é como um novo manual de instruções para a ciência de descoberta de remédios.

• Antes: Tentava-se adivinhar a chave olhando apenas para a fechadura (falha alta).
• Agora: Olhamos para o que a chave faz na casa inteira (célula) e encontramos remédios que imitam esse efeito.

Eles provaram que, ao combinar a "inteligência" do que acontece dentro da célula (transcriptoma) com a "lógica" da forma das moléculas (estrutura), podemos encontrar novos remédios mais rápido e com menos erros, mesmo para alvos difíceis como o TLR5.

Resumo em uma frase: Em vez de tentar adivinhar a forma da chave, os cientistas olharam para a casa inteira e encontraram chaves que faziam a casa reagir exatamente como se a chave certa já tivesse sido usada.

Resumo técnico

Título do Estudo

Geração de candidatos a fármacos baseada em transcriptoma, priorização baseada em ligante e estrutura, e validação experimental de moléculas ativadoras de TLR5.

1. O Problema

O processo tradicional de descoberta de fármacos depende fortemente de abordagens baseadas em ligantes (como correspondência de assinaturas de fragmentos) ou baseadas em estrutura (como docking molecular e dinâmica conformacional). Uma limitação crítica desses métodos é que eles geralmente não incorporam o contexto celular e as respostas sistêmicas complexas onde os fármacos operam. Isso resulta em uma alta taxa de falha nas fases posteriores de otimização e ensaios clínicos.

Além disso, alvos biológicos complexos, como os Receptores Semelhantes a Toll (TLRs), apresentam desafios significativos para a Descoberta de Fármacos Baseada em Estrutura (SBDD) devido à falta de estruturas tridimensionais completas de alta resolução e à complexidade das vias de sinalização. O TLR5, especificamente, é um alvo promissor para imunoterapia e proteção contra radiação, mas sua exploração é dificultada por essas barreiras.

2. Metodologia

Os autores propuseram um framework integrado que combina Descoberta de Fármacos Baseada em Transcriptoma (TBDD) com validação estrutural e experimental. O fluxo de trabalho consistiu nas seguintes etapas:

• Geração de Leads por Transcriptoma (TBDD):
  • Utilizaram-se dados de expressão gênica de células Calu-3 (linhagem de adenocarcinoma brônquico) estimuladas com flagelina (ligante natural do TLR5) para identificar genes diferencialmente expressos (DEGs).
  • Esses DEGs foram usados para consultar a base de dados Connectivity Map (CMap).
  • Foram aplicados dois métodos de consulta: cmap1 (genes up-regulados e down-regulados) e cmap2 (apenas genes up-regulados) para identificar compostos que mimetizam a assinatura de ativação do TLR5.
• Validação e Priorização Estrutural:
  • Análise de Assinatura Química: Os leads gerados pelo CMap foram analisados quanto a enriquecimento de fragmentos químicos (usando MACCS fingerprints) e agrupados por similaridade estrutural.
  • Docking Molecular: Realizou-se docking molecular dos leads candidatos no TLR5. Devido à ausência de uma estrutura cristalina completa de alta resolução, utilizou-se um modelo derivado de Microscopia Eletrônica (PDB ID: 3J0A) e comparou-se com modelos do AlphaFold.
  • Ferramentas: Utilizaram-se Glide (Schrödinger), HADDOCK e X-Score para avaliar a afinidade de ligação e as interações intermoleculares (ligações de hidrogênio e interações hidrofóbicas).
  • Controle: Os resultados foram comparados com uma biblioteca de fármacos aprovados pela FDA e com ligantes de referência (flagelina e CBLB502).
• Validação Experimental:
  • Os 9 leads priorizados foram testados em células CAL-27 (carcinoma de células escamosas de língua humana).
  • A ativação do TLR5 foi quantificada através de ensaio ELISA para medir os níveis de expressão do receptor em diferentes concentrações dos compostos.
• Análise de Alvos Off-Target:
  • Investigou-se a interação dos leads com outras proteínas da via de sinalização do TLR5 (ex: MyD88, IRAK4, NF-κB) para entender mecanismos indiretos de ativação.

3. Principais Contribuições

• Framework Integrado: Desenvolvimento de uma metodologia que integra dados de transcriptoma (contexto biológico) com abordagens estruturais tradicionais, superando a dependência exclusiva de dados estruturais ou de ligantes.
• Escalabilidade: Demonstração de que a abordagem TBDD é viável para alvos complexos e polimórficos como o TLR5, onde a SBDD pura falha.
• Validação Experimental Robusta: Confirmação experimental de que compostos selecionados puramente por assinaturas de expressão gênica podem ativar efetivamente o TLR5.
• Insights Mecanísticos: Revelação de que a ativação do TLR5 por pequenos moléculas pode ocorrer tanto por ligação direta quanto por modulação indireta de vias de sinalização ou estresse celular.

4. Resultados

• Seleção de Leads: O método CMap gerou centenas de candidatos. Após filtragem por enriquecimento de fragmentos e docking molecular, 9 compostos foram priorizados para validação experimental: Fenoterol, Piceatannol, ABT-751, Azacitidina, Citarabina, Ganciclovir, Kinetina-ribosídeo, Penicilina e Estreptozotocina.
• Validação Estrutural: Os 9 compostos mostraram escores de ligação (Glide score e X-Score) comparáveis ou superiores aos ligantes de referência, indicando alta afinidade pelo sítio de ligação do TLR5.
• Validação Biológica (ELISA):
  • Todos os 9 compostos ativaram o TLR5 nas células CAL-27.
  • Padrões Dose-Dependentes Variados:
    • Compostos como Citarabina, Azacitidina, Penicilina, Estreptozotocina e Piceatannol causaram um aumento dose-dependente na expressão de TLR5 (possivelmente via estresse celular, desmetilação ou sinalização inflamatória).
    • Compostos como Fenoterol, ABT-751, Ganciclovir e Kinetina-ribosídeo causaram uma redução dose-dependente na expressão, sugerindo mecanismos de supressão imune ou interrupção de tráfego celular.
• Interações com a Via: A análise de docking contra outras proteínas da via do TLR5 sugeriu que alguns compostos podem ter interações cruzadas com componentes downstream (como TAK1), explicando os efeitos modulatórios complexos observados.

5. Significância

Este estudo demonstra que a incorporação de respostas sistêmicas (transcriptoma) nas fases iniciais de descoberta de fármacos pode identificar candidatos viáveis que seriam perdidos por métodos convencionais baseados apenas em estrutura. A descoberta de que pequenos moléculas farmacologicamente conhecidas (como antibióticos e antivirais) podem modular a via do TLR5 abre novas possibilidades para:

1. Reposicionamento de Fármacos: Uso de drogas existentes para terapias imunomoduladoras.
2. Terapias Combinadas: Potencialização de respostas imunes em tratamentos contra câncer ou proteção contra radiação.
3. Metodologia Futura: O framework proposto é escalável para outros alvos biológicos complexos, oferecendo uma rota mais eficiente para reduzir a taxa de falha no desenvolvimento de medicamentos.

Em suma, o trabalho valida a eficácia de uma abordagem híbrida (Transcriptoma + Estrutura + Experimento) para desvendar interações fármaco-alvo em sistemas imunológicos complexos.