Polypharmacology of an Optimal Kinase Library

Este estudo apresenta um perfilamento em larga escala de uma biblioteca otimizada de 192 inibidores de quinase, revelando que a polifarmacologia é generalizada e independente da aprovação regulatória, com alvos atribuídos nem sempre sendo os mais potentes e a seletividade mediana não tendo aumentado ao longo do tempo, o que destaca a necessidade de novas descobertas sobre os efeitos terapêuticos e adversos dessas moléculas.

O essencial

Imagine que o corpo humano é uma cidade gigante e cheia de funcionários. Entre esses funcionários, existem cerca de 530 "gerentes" chamados quinases. O trabalho deles é enviar mensagens (como ligar ou desligar luzes, acelerar ou frear processos) para manter a cidade funcionando.

Quando alguém fica doente (como ter câncer ou uma infecção), geralmente é porque alguns desses gerentes estão trabalhando demais ou de forma errada. A medicina tenta criar "chaves" (os medicamentos) que se encaixem perfeitamente na fechadura de apenas um desses gerentes para corrigir o problema.

No entanto, a realidade é mais bagunçada. As chaves que os cientistas criam muitas vezes não são perfeitas. Elas podem abrir a porta do gerente que você quer, mas também acabam abrindo a porta de outros 10, 20 ou até 50 gerentes diferentes. Isso é chamado de polifarmacologia (agir em vários lugares ao mesmo tempo).

Aqui está o que os cientistas descobriram neste estudo, explicado de forma simples:

1. O "Mapa de Chaves" Perfeito (A Biblioteca OKL)

Os pesquisadores criaram uma coleção especial de 192 chaves (medicamentos), chamando-a de "Biblioteca de Quinases Otimizada" (OKL). Eles escolheram essas chaves cuidadosamente: algumas já são remédios que você toma, outras estão sendo testadas em hospitais e algumas são apenas ferramentas de laboratório.

A analogia: Pense nisso como um teste de direção para 192 motoristas diferentes. Em vez de testar cada carro em apenas uma pista, eles levaram todos para uma pista gigante com 468 curvas diferentes (os 468 tipos de gerentes/quinases) para ver em quais curvas cada carro consegue fazer uma curva perfeita e em quais ele derrapa.

2. A Grande Surpresa: "Nenhum Remédio é Perfeito"

A crença antiga era que os remédios aprovados para uso humano eram "chaves mestras" muito precisas, que só abriam uma porta.
O que o estudo descobriu: Isso é um mito.

• Mesmo os remédios aprovados pela FDA (agência reguladora dos EUA) abrem muitas portas que não deveriam.
• Muitas vezes, a "porta principal" (o alvo que o fabricante diz que o remédio ataca) nem é a que o remédio abre com mais facilidade!
• Analogia: Imagine que você comprou um remédio para tratar a dor de cabeça (alvo principal), mas descobriu que ele funciona melhor abrindo a porta da geladeira (outro alvo) e, por acaso, isso também curou sua dor de cabeça. O estudo mostra que a maioria dos remédios é "desajeitada" e abre várias portas, e que isso acontece tanto em remédios novos quanto em velhos.

3. O Perigo das "Portas Escondidas" (Efeitos Colaterais)

Às vezes, abrir a porta errada é perigoso.

• Exemplo do estudo: Eles descobriram que um remédio muito famoso para câncer de pulmão (Alectinib), que deveria atacar apenas um gerente específico, também abre a porta de um gerente que cuida do fígado. Isso pode explicar por que algumas pessoas com esse remédio sofrem danos no fígado.
• A lição: Se soubermos quais portas erradas o remédio está abrindo, podemos tentar criar uma versão melhor da chave que abra a porta certa, mas deixe a do fígado trancada.

4. A Árvore da Família vs. O Mapa de Comportamento

Os cientistas costumam agrupar os gerentes (quinases) em famílias baseadas em como eles se parecem (seus "DNA" ou sequência de letras). É como agrupar pessoas por sobrenome.

• A descoberta: O estudo mostrou que o DNA não diz tudo sobre o comportamento. Dois gerentes que são "irmãos gêmeos" (parecidos no DNA) podem reagir de forma totalmente diferente às chaves. Um pode ser muito fácil de bloquear, e o outro, quase impossível.
• Analogia: É como dois irmãos gêmeos que vestem a mesma roupa. Um pode ser um músico talentoso e o outro um pintor. Se você tentar contratar um "músico", olhar apenas para a roupa (DNA) não vai ajudar; você precisa ver o que eles fazem (como reagem às chaves).

5. Como isso ajuda no futuro?

O estudo não é apenas sobre apontar erros; é sobre encontrar novos usos para as chaves que já temos:

• Reutilização de Remédios: Eles descobriram que alguns remédios que abrem certas portas podem ajudar a tratar Alzheimer ou doenças infecciosas (como tuberculose e malária), mesmo que não tenham sido feitos para isso originalmente.
• Economia de Tempo e Dinheiro: Eles provaram que você não precisa testar o remédio em 4 concentrações diferentes para ter um bom mapa. Testar em apenas 2 concentrações certas (uma baixa e uma alta) já dá uma ideia muito boa de como a chave funciona. Isso economiza muito dinheiro para os cientistas.

Resumo Final

Este estudo é como um GPS detalhado para o mundo dos remédios. Ele nos diz que:

1. Nossos remédios são mais "desajeitados" do que pensávamos (abrem várias portas).
2. Às vezes, essa desajeitadura é o que faz o remédio funcionar (ou causa efeitos colaterais).
3. Olhar apenas para o "DNA" dos gerentes não é suficiente; precisamos ver como eles se comportam na prática.
4. Com esse novo mapa, podemos usar remédios antigos para curar doenças novas e criar remédios mais seguros no futuro.

É um passo gigante para entender que, na medicina, às vezes, ter uma chave que abre várias portas é melhor do que ter uma chave que só abre uma, desde que saibamos exatamente quais portas estamos abrindo.

Resumo técnico

Título: Polifarmacologia de uma Biblioteca de Quinases Otimizada (OKL)

1. O Problema

Apesar de décadas de pesquisa, a compreensão do espectro completo de alvos ligados por inibidores de quinases permanece incompleta. A maioria dos fármacos é desenvolvida e descrita com base em um ou poucos alvos "designados" (assigned targets), ignorando a polifarmacologia (ligação a múltiplos alvos) que desempenha um papel essencial, mas frequentemente mal compreendido, na atividade do fármaco, no mecanismo de ação e nas respostas adversas.

• Limitações dos dados existentes: As bases de dados públicas (como ChEMBL) são heterogêneas, baseadas em diferentes tipos de ensaios e condições, e tendem a ser enviesadas para alvos designados ou suspeitos, faltando dados robustos sobre "não-ligantes".
• Questões não respondidas: Não está claro se a seletividade dos inibidores aumentou ao longo do tempo, se drogas aprovadas são mais seletivas do que as que falharam em ensaios clínicos, e qual o impacto real da ligação a quinases pouco estudadas ("dark kinases").

2. Metodologia

Os autores desenvolveram e caracterizaram uma Biblioteca de Quinases Otimizada (OKL - Optimal Kinase Library) composta por 192 pequenas moléculas.

• Seleção da Biblioteca: Os compostos foram selecionados para equilibrar diversidade química, cobertura de alvos e estágio de desenvolvimento clínico (44 aprovados pela FDA, 98 em ensaios clínicos e 50 compostos pré-clínicos "ferramentas"), totalizando 115 alvos designados únicos.
• Perfilamento de Ligação: Utilizou-se a plataforma KINOMEscan® (Eurofins) para realizar ensaios de ligação competitiva em larga escala.
  • Amostragem: 192 compostos contra 468 alvos (406 quinases humanas selvagens, 59 mutantes e 3 não mamíferas).
  • Concentrações: Cada composto foi testado em quatro concentrações (10 µM, 1 µM, 100 nM e 12,5 nM), gerando 89.856 curvas de dose-resposta.
• Análise Estatística (Inferência Bayesiana): Em vez de usar apenas limiares binários (ex: <35% de controle), os autores implementaram um modelo hierárquico Bayesiano para estimar as constantes de dissociação ($K_d$) e inclinações de Hill. Isso permitiu:
  • Estimar afinidades fora do intervalo de concentrações testadas.
  • Quantificar a incerteza das estimativas.
  • Calcular métricas de seletividade contínuas, como o Índice de Partição (PI), que representa a fração de um inibidor ligado a cada quinase em uma mistura equimolar teórica.
• Validação e Aplicações: Os dados foram validados contra dados do ChEMBL e aplicados em três contextos biológicos:
  1. Modelos de neuroproteção na doença de Alzheimer.
  2. Identificação de vulnerabilidades em câncer de ovário resistente a platina.
  3. Descoberta de inibidores de quinases patogênicas (tuberculose e malária).

3. Principais Contribuições e Resultados

A. A Natureza da Polifarmacologia em Inibidores de Quinases

• Polifarmacologia Ubíqua: A polifarmacologia é generalizada entre inibidores de quinases, independentemente do status regulatório (aprovado ou não).
• Alvos Designados vs. Afinidade: Para drogas aprovadas, o alvo designado é o alvo de maior afinidade em apenas 23% dos casos analisados. Muitos compostos são potentes, mas não altamente seletivos.
• Evolução Temporal: A seletividade média não aumentou significativamente ao longo do tempo, embora existam outliers recentes com alta seletividade. O sucesso clínico passado não dependeu estritamente de alta seletividade.
• Quinases "Dark" (Pouco Estudadas): Quinases pouco estudadas são amplamente ligadas e inibidas por compostos aprovados, sugerindo oportunidades para reposicionamento de fármacos e novas descobertas biológicas.

B. Determinantes Estruturais da Promiscuidade

• Conformação DFG-out: A promiscuidade (ligação a muitos inibidores) está fortemente associada a quinases que podem adotar a conformação DFG-out (inativa).
• Inibidores Tipo II: Quinases promíscuas são frequentemente ligadas por inibidores Tipo II (que se ligam à conformação DFG-out).
• Ponte Salina em RTKs: Para Receptores Tirosina Quinase (RTKs), uma ponte salina específica (Asp671-Arg752) estabiliza a conformação DFG-out, explicando a alta promiscuidade de certos membros da família (ex: PDGFR, KIT, DDR).
• Exceção de Seletividade: É possível ter inibidores altamente seletivos para quinases promíscuas (ex: Nilotinib para DDR1), demonstrando que a promiscuidade da quinase não impede o desenvolvimento de fármacos seletivos.

C. Reagrupamento do Kinoma Baseado em Ligação

• A árvore filogenética baseada em similaridade de sequência difere substancialmente de uma árvore baseada em perfis de ligação (agrupamento hierárquico de dados de $K_d$).
• Exemplo: Quinases da família MAPK (ERK1/2 vs ERK3/4) agrupam-se de forma diferente na árvore de ligação, indicando que a similaridade de sequência não prediz necessariamente o perfil de seletividade de inibidores.

D. Casos de Uso e Aplicações Práticas

1. Neuroproteção (Alzheimer): Em um modelo de morte neuronal induzida por dsRNA, inibidores de JAK não foram os únicos responsáveis pela proteção. A análise de OKL revelou que a proteção estava correlacionada com a inibição de outras quinases (ULK, DAPK, mTOR, MAP4K), sugerindo que a regulação da autofagia é um mecanismo chave, e não apenas a via JAK.
2. Câncer de Ovário Resistente: A triagem identificou que a resistência à cisplatina em células SNU8 depende da sinalização via EGFR, validando o uso de inibidores de EGFR ou vias downstream para superar a resistência.
3. Doenças Infecciosas: Identificação de inibidores potentes para quinases de Mycobacterium tuberculosis (PknB) e Plasmodium falciparum (PFCDPK1). O fármaco pacritinib mostrou sinergia com antibióticos padrão para tratamento de tuberculose.

E. Recomendações para Ensaios Futuros

• O estudo demonstra que realizar ensaios em duas concentrações (100 nM e 10 µM) com inferência Bayesiana é suficiente para estimar $K_d$ com alta precisão (R² = 0,97 comparado a 4 doses), reduzindo custos.
• O limiar padrão de 35% de controle para "hits" gera muitos falsos positivos; o estudo propõe limiares otimizados (ex: 22% para 10 µM) dependendo do objetivo do rastreio.

4. Significado e Impacto

Este trabalho fornece uma visão sinóptica e quantitativa da polifarmacologia de uma biblioteca representativa de inibidores de quinases.

• Mudança de Paradigma: Desafia a noção de que a alta seletividade é um pré-requisito para o sucesso clínico de inibidores de quinases, sugerindo que a polifarmacologia pode ser um motor de eficácia terapêutica.
• Ferramenta para Descoberta: A biblioteca OKL e os dados associados servem como uma ferramenta poderosa para:
  • Identificar alvos de toxicidade (ex: ligação de Alectinib a PHKG2 explicando hepatotoxicidade).
  • Reposicionar fármacos para novas indicações (neurodegeneração, doenças infecciosas).
  • Guiar a química medicinal para desenvolver inibidores mais seletivos ou entender a base estrutural da promiscuidade.
• Reprodutibilidade e Acesso: Os dados brutos e processados estão disponíveis publicamente, e a metodologia Bayesiana oferece um padrão mais rigoroso para a interpretação de dados de triagem de quinases do que os métodos tradicionais baseados em limiares.

Em suma, o artigo demonstra que a compreensão completa da química e biologia dos inibidores de quinases requer uma abordagem sistêmica que vá além dos alvos designados, utilizando dados de afinidade em larga escala para desvendar mecanismos de ação, toxicidade e novas oportunidades terapêuticas.