AI-Enforced Ultra-Large Virtual Screening Discovers Potent CD28 Binders

Este estudo valida o fluxo de trabalho de triagem virtual baseado em IA PyRMD2Dock ao descobrir, pela primeira vez em uma aplicação prospectiva, potentes ligantes pequenos que se ligam diretamente ao receptor imunológico CD28 e bloqueiam sua interação com CD80, superando os desafios históricos de modular interfaces de interação proteína-proteína em bibliotecas químicas ultra-massivas.

O essencial

Descobrindo Chaves Mágicas para um "Cadeado" Difícil: Como a IA Encontrou Novos Remédios

Imagine que o nosso corpo é uma cidade gigante cheia de guardas de segurança (proteínas) que controlam quem entra e quem sai. Um desses guardas, chamado CD28, é muito importante: ele decide se o sistema imunológico deve atacar um invasor (como um vírus ou um tumor) ou se deve relaxar.

O problema é que esse guarda tem um "cadeado" muito estranho. A maioria dos cadeados tem buracos profundos onde você encaixa uma chave. Mas o CD28 é como uma porta de vidro lisa e plana. Tentar encontrar uma chave (um medicamento) que se encaixe perfeitamente nessa superfície lisa é como tentar colar um ímã em uma mesa de mármore: é extremamente difícil e, historicamente, os cientistas achavam impossível.

O Problema: A Montanha de Chaves

Para encontrar uma chave que funcione nesse cadeado difícil, os cientistas precisariam testar milhões, ou até bilhões, de chaves diferentes. Fazer isso manualmente seria como tentar encontrar uma agulha em um palheiro... mas um palheiro do tamanho de um planeta inteiro. Os computadores comuns ficariam exaustos e trariam o sistema para baixo antes de encontrar a resposta.

A Solução: O Detetive Inteligente (IA)

Aqui entra a história deste estudo. Os pesquisadores criaram um "detetive" superinteligente chamado PyRMD2Dock. Pense nele como um assistente de detetive que tem dois superpoderes:

1. O Olho de Águia (Docking): Ele consegue olhar para uma chave e imaginar como ela se encaixaria na fechadura.
2. O Cérebro de Detetive (Machine Learning): Ele aprende com os erros e acertos do primeiro, criando uma regra mental para adivinhar quais chaves provavelmente funcionam, sem precisar testar todas fisicamente.

A Missão: A Grande Varredura

O time decidiu usar esse detetive para vasculhar uma biblioteca química gigante chamada Enamine REAL, que contém 48 milhões de moléculas diferentes (chaves potenciais).

1. O Treinamento: Primeiro, eles pegaram 2,4 milhões de chaves e testaram uma a uma no computador para ver como se encaixavam no CD28. Isso foi o "treino" para o detetive.
2. A Adivinhação: Com o treino pronto, o detetive olhou para os outros 46 milhões de chaves restantes. Em vez de testar cada uma (o que levaria anos), ele usou sua inteligência para dizer: "Essas aqui parecem promissoras, vamos focar nelas".
3. A Seleção: O detetive reduziu a lista de 48 milhões para apenas 232 chaves que pareciam as melhores.

A Prova Real: O Laboratório

Os cientistas compraram 150 dessas chaves selecionadas e foram para o laboratório testá-las na vida real. O resultado foi incrível:

• Taxa de Sucesso: A maioria dos testes falhou, mas 12 chaves funcionaram de verdade! Isso é como jogar 150 dardos e acertar o alvo 12 vezes em um alvo difícil.
• Os Campeões: Duas chaves, chamadas 100 e 104, foram as estrelas. Elas se encaixaram perfeitamente no "cadeado" plano do CD28, com uma precisão impressionante.
• O Efeito: Quando essas chaves foram colocadas em células humanas (em modelos de tumor e até em tecidos do pulmão), elas conseguiram "desligar" o sinal de alerta do sistema imunológico. Isso significa que elas podem ajudar a controlar reações excessivas do corpo, como em doenças autoimunes ou para modular a resposta contra tumores.

A Analogia Final: Encontrando o Ângulo Perfeito

O que torna isso especial é que o CD28 é uma superfície plana. Imagine tentar equilibrar uma bola de tênis em cima de uma mesa. É difícil. Mas os cientistas descobriram que, se você colocar um pequeno "calço" (uma parte da molécula) em um canto específico e prender com um "ganchinho" (outra parte da molécula) em outro lugar, a bola fica estável.

O computador descobriu que existem dois jeitos diferentes de colocar essa "bola" no lugar (duas orientações de ligação), e ambos funcionam muito bem. Isso é uma notícia fantástica para os futuros desenvolvedores de remédios, pois eles agora têm dois mapas para criar medicamentos ainda melhores.

Conclusão

Este estudo é como provar que, mesmo que uma porta pareça impossível de abrir, com a ferramenta certa (Inteligência Artificial) e paciência para procurar entre milhões de opções, podemos encontrar a chave perfeita. Isso abre as portas para tratar doenças que antes eram consideradas "incuráveis" por falta de medicamentos adequados, mostrando que a IA pode ser a parceira perfeita dos cientistas na busca por curas.

Resumo técnico

Título: Triagem Virtual Ultra-Grande Reforçada por IA Descobre Ligantes Potentes de CD28

1. O Problema

O desenvolvimento de pequenas moléculas para interações proteína-proteína (PPIs) é historicamente desafiador devido à natureza das superfícies de ligação, que são frequentemente planas, expostas ao solvente e carecem de cavidades profundas e bem definidas (bolsas ortostéricas) típicas de enzimas ou receptores clássicos. O receptor imunológico CD28 exemplifica esse desafio estrutural: sua interface de ligação com os ligantes CD80/CD86 é uma superfície de "sanduíche" de beta-folhas relativamente plana e acessível. Além disso, a triagem virtual baseada em estrutura (SBVS) tradicional em espaços químicos ultra-grandes (bilhões de compostos) impõe gargalos computacionais proibitivos, tornando a descoberta de novos quimiotipos para alvos difíceis como o CD28 extremamente lenta e custosa.

2. Metodologia

Os autores relatam a primeira aplicação prospectiva e no mundo real da plataforma PyRMD2Dock, um fluxo de trabalho de triagem virtual baseado em estrutura (SBVS) reforçado por inteligência artificial (IA), integrado ao PyRMD Studio. A metodologia seguiu os seguintes passos:

• Seleção do Alvo e Preparação: Em vez de focar na interface canônica plana do CD28, a análise estrutural identificou uma fenda adjacente (delimitada pelos resíduos H38, F93, K95, D106, N107, K109 e S110) como um sítio viável para ligação de pequenas moléculas.
• Triagem Híbrida (IA + Docking):
  1. Conjunto de Treinamento: Um subconjunto diversificado de 2,4 milhões de moléculas da biblioteca Enamine REAL Diversity Space foi selecionado e submetido a docking molecular usando o motor AutoDock-GPU (AD4-GPU).
  2. Treinamento do Modelo ML: Com base nas energias de ligação livre ($\Delta G_{AD4}$) obtidas, foram treinados 672 modelos de classificação usando o algoritmo PyRMD. O modelo ótimo foi selecionado com base em métricas de precisão, F-score e equilíbrio entre Taxa de Verdadeiros Positivos (TPR) e Falsos Positivos (FPR), utilizando thresholds específicos de energia (-7,75 kcal/mol para "ativos" e -4,75 kcal/mol para "inativos").
  3. Triagem em Larga Escala: O modelo de IA otimizado foi utilizado para triar rapidamente os ~46 milhões restantes da biblioteca (totalizando ~48 milhões), identificando compostos com características químicas correlacionadas a uma boa ligação, sem a necessidade de docking explícito para cada molécula.
• Filtragem e Priorização:
  • Os compostos classificados como "ativos" foram submetidos a uma segunda rodada de docking e filtragem estrutural rigorosa.
  • Critérios incluíram: energia de ligação $\le -7,75$ kcal/mol, formação de interações simultâneas com resíduos chave (K109 e C94), análise de área de superfície acessível ao solvente (SASA) e agrupamento (clustering) para garantir diversidade química.
  • Isso resultou em uma seleção final de 232 ligantes altamente priorizados, dos quais 150 foram sintetizados e adquiridos para validação experimental.

3. Resultados Chave

A validação experimental confirmou a eficácia da abordagem computacional:

• Taxa de Acerto (Hit Rate): A triagem de 150 compostos resultou em 12 "hits" primários (taxa de ~7,3%) que alteraram significativamente o sinal no ensaio Dianthus.
• Validação Biofísica (MST): A validação por Termodinâmica de Microescala (MST) confirmou a ligação direta ao CD28. Dois compostos líderes, 100 e 104, exibiram afinidade submicromolar:
  • Composto 100: $K_d = 343,8$ nM.
  • Composto 104: $K_d = 407,1$ nM.
• Disrupção da Interação PPI: Ambos os compostos demonstraram potente inibição competitiva da interação CD28-CD80 em ensaios ELISA, com valores de $IC_{50}$ de 231,4 nM (100) e 840,6 nM (104).
• Bloqueio Funcional Celular: Em ensaios de repórter de luciferase (células Jurkat), os compostos inibiram a sinalização dependente de CD28 com $IC_{50}$ de 748,9 nM (100) e 1,13 $\mu$M (104).
• Eficácia em Modelos Fisiológicos Complexos:
  • Em co-culturas 3D de tumores (A549) e PBMCs humanas, os compostos reduziram a secreção de citocinas (IFN-$\gamma$, IL-2) e a ativação de linfócitos T.
  • Em um modelo de co-cultura de tecido epitelial aéreo humano e PBMCs, o composto 100 inibiu a produção de citocinas de forma dependente da concentração, validando a atividade em microambientes imunológicos relevantes.
• Análise de Modo de Ligação: A análise computacional revelou que os compostos 100 e 104 ocupam a fenda alvo em orientações de ligação distintas (clusters diferentes), mas convergem para interações críticas com os mesmos resíduos (K109, K95, H38, D106), sugerindo múltiplas conformações viáveis para otimização futura.

4. Contribuições Principais

• Validação Prospectiva da IA: Demonstra pela primeira vez que um fluxo de trabalho de triagem virtual híbrido (ML + docking) pode ser aplicado prospectivamente para descobrir ligantes de alta afinidade para alvos de PPIs desafiadores.
• Escalabilidade: A plataforma PyRMD2Dock permitiu a triagem eficiente de ~48 milhões de compostos, superando os gargalos computacionais tradicionais, com um aumento de velocidade de processamento de ~3,3 vezes em relação a versões anteriores.
• Descoberta de Novos Quimiotipos: Identificação de novos inibidores de CD28 que atuam em uma fenda adjacente à interface canônica, contornando a dificuldade de ligar superfícies planas.
• Pipeline Integrado: Estabelecimento de um protocolo robusto que conecta a triagem computacional ultra-grande diretamente a validações biológicas complexas, incluindo modelos de co-cultura 3D e tecidos humanos.

5. Significado

Este estudo valida o potencial da triagem virtual ultra-grande reforçada por IA para desbloquear interfaces de receptores imunes estruturalmente exigentes. A descoberta de antagonistas potentes de CD28 (compostos 100 e 104) não apenas oferece novos candidatos terapêuticos para modular respostas imunes (potencialmente aplicáveis em autoimunidade ou oncologia), mas também prova que superfícies de PPIs "indisponíveis" podem ser alvo de pequenas moléculas quando combinadas com estratégias computacionais avançadas e espaços químicos vastos. O sucesso do PyRMD2Dock oferece um paradigma escalável para a descoberta de fármacos contra outros alvos de PPIs complexos.