Rapid classification of β-lactamase activity through AI-based structure prediction and electric field analysis

As bactérias têm combatido nossos medicamentos há décadas, evoluindo minúsculas máquinas moleculares que podem desmantelar antibióticos antes mesmo que eles alcancem seu alvo. Entre esses defensores mais perigosos estão as enzimas chamadas beta-lactamases, que atuam como tesouras moleculares, cortando as ligações químicas de uma importante classe de fármacos conhecidos como beta-lactâmicos. Quando esses medicamentos falham, infecções comuns podem se tornar fatais, e os poucos antibióticos de "último recurso" restantes, como os carbapenêmicos, tornam-se inúteis. O desafio para os cientistas é que as bactérias sofrem mutações rapidamente, criando novas versões dessas enzimas que podem cortar até mesmo os fármacos mais fortes. Para manter a vantagem, os pesquisadores precisam de uma maneira de prever quão bem uma nova variante bacteriana destruirá um fármaco, idealmente apenas olhando para seu código genético, sem esperar por experimentos laboratoriais lentos e caros.

Uma equipe de pesquisadores desenvolveu agora um método computacional rápido para prever exatamente quão eficientemente essas enzimas bacterianas podem quebrar antibióticos carbapenêmicos. Em vez de esperar para cultivar bactérias em um laboratório, eles usaram inteligência artificial para construir um modelo 3D da enzima segurando o fármaco, criando um instantâneo do momento imediatamente anterior à destruição do fármaco. A partir desse instantâneo, eles calcularam as forças elétricas invisíveis dentro do sítio ativo da enzima. Eles descobriram que a força e a direção desses campos elétricos atuam como uma impressão digital confiável do poder da enzima. Se o campo elétrico for forte o suficiente na direção correta, a enzima provavelmente destruirá o fármaco; caso contrário, o fármaco sobreviverá. Essa abordagem permite que os cientistas analisem novas sequências bacterianas e estimem imediatamente seus níveis de resistência, oferecendo uma ferramenta crucial para rastrear a propagação de superbactérias.

A história da resistência aos antibióticos é uma corrida entre a engenhosidade humana e a evolução bacteriana. Os antibióticos beta-lactâmicos, que incluem a penicilina e seus parentes modernos, funcionam bloqueando o maquinário que as bactérias usam para construir suas paredes celulares. No entanto, muitas bactérias produzem enzimas beta-lactamases que reconhecem esses fármacos e os abrem, tornando-os inofensivos. A situação é particularmente grave com os carbapenêmicos, uma classe poderosa de antibióticos frequentemente reservados para as infecções mais graves. Quando as bactérias evoluem enzimas que também podem cortar carbapenêmicos, as opções de tratamento desaparecem, levando a maiores taxas de morbidade e mortalidade. Tradicionalmente, descobrir se uma cepa bacteriana específica pode resistir a esses fármacos requer o cultivo das bactérias, o isolamento da enzima e o teste em laboratório. Esse processo é lento e não consegue acompanhar a velocidade com que surgem novas mutações.

Para resolver isso, os pesquisadores recorreram a um tipo diferente de ferramenta: um protocolo computacional que se baseia nas leis da física e no poder da inteligência artificial. Eles começaram com a sequência genética de dez tipos diferentes de enzimas beta-lactamases, algumas das quais são conhecidas por destruir carbapenêmicos e outras que não o são. Usando um sistema de IA treinado em estruturas proteicas conhecidas, eles preveram qual seria a forma 3D de cada enzima ao segurar uma molécula de fármaco carbapenêmico. Isso criou um "complexo acil-enzima" virtual, um instantâneo da enzima e do fármaco travados juntos, prontos para a próxima etapa da reação.

O momento crítico nesse processo é chamado de desacilação, onde uma molécula de água ataca a ligação que prende o fármaco à enzima, quebrando-o. Os pesquisadores focaram no primeiríssimo instante desse ataque, um momento fugaz conhecido como estado de transição. Em uma simulação completa, capturar esse momento exige um poder de computação e tempo imensos. Em vez disso, a equipe utilizou um atalho inteligente. Eles geraram um pequeno conjunto de estruturas de "estado de transição aproximado" ao empurrar suavemente a molécula de água virtual em direção ao fármaco e deixar o sistema se estabilizar em uma posição estável. Isso exigiu apenas uma fração mínima do tempo de computação normalmente necessário, mas preservou os detalhes físicos essenciais da reação.

Uma vez que obtiveram esses instantâneos virtuais, a equipe mediu o campo elétrico dentro do sítio ativo da enzima. Um campo elétrico é uma força invisível que pode empurrar ou puxar partículas carregadas. Neste caso, os pesquisadores estavam interessados em como o campo elétrico da enzima interagia com uma parte específica do fármaco, o grupo carbonila, que carrega uma carga negativa. Eles descobriram que a força deste campo elétrico, especificamente o quão bem ele estabilizava o fármaco no momento do ataque, estava diretamente ligada à rapidez com que a enzima poderia destruir o fármaco.

Os resultados foram impressionantes. Quando os pesquisadores compararam seus valores de campo elétrico calculados com dados do mundo real provenientes de experimentos laboratoriais, os números coincidiram com alta precisão. Enzimas que são conhecidas por serem poderosos destruidores de carbapenêmicos mostraram um campo negativo forte que estabilizava perfeitamente o fármeco para a destruição. Enzimas que não conseguem destruir o fármaco mostraram um campo muito mais fraco. A correlação foi tão forte que o valor do campo elétrico sozinho pôde distinguir entre enzimas que quebram carbapenêmicos e aquelas que não o fazem. Isso se manteve verdadeiro mesmo quando os pesquisadores utilizaram tempos de simulação muito curtos, sugerindo que o método é rápido e confiável.

Uma das descobertas mais importantes foi que os pesquisadores não precisavam conhecer a estrutura 3D exata da enzima previamente. Ao começar apenas com a sequência genética e usar IA para prever a forma, eles ainda conseguiam obter resultados precisos. Isso significa que o método pode ser aplicado a novas variantes bacterianas assim que seu código genético for sequenciado, sem esperar que uma estrutura cristalina seja resolvida em laboratório. A equipe também descobriu que a orientação específica de uma pequena parte da molécula do fármaco, um grupo hidroxietila, influenciava os resultados. Ao focar no campo elétrico gerado pela estrutura central da enzima e ignorar essa parte flexível, eles melhoraram ainda mais a precisão de suas previsões.

O estudo também destacou o papel das moléculas de água dentro da enzima. Embora a própria estrutura da proteína forneça um campo elétrico forte, as moléculas de água que circundam o local da reação contribuem significativamente para o poder da enzima. Os pesquisadores descobriram que incluir essas moléculas de água em seus cálculos era essencial para corresponder aos dados experimentais. Isso sugere que o ambiente dentro da enzima é tão importante quanto a própria forma da enzima.

Este trabalho não afirma ter resolvido o problema da resistência aos antibióticos, mas oferece uma nova e poderosa lente através da qual visualizar o problema. Ao demonstrar que um cálculo simples de forças elétricas pode prever uma atividade biológica complexa, os pesquisadores forneceram uma ferramenta que é ao mesmo tempo rápida e fundamentada na realidade física. O método separou com sucesso as enzimas perigosas que destroem carbapenêmicos das inofensivas, confirmando que a capacidade de quebrar esses fármacos está enraizada no cenário elétrico específico do sítio ativo da enzima.

As implicações para a saúde pública são significativas. À medida que novas cepas bacterianas emergem, os cientistas podem agora usar este protocolo para avaliar rapidamente seu nível de ameaça. Em vez de esperar semanas por testes de laboratório, eles poderiam potencialmente analisar o código genético de uma nova variante e saber imediatamente se ela representa um risco para o tratamento com carbapenêmicos. Essa velocidade poderia ajudar médicos a escolher os antibióticos corretos mais rapidamente e guiar o desenvolvimento de novos fármacos que sejam projetados para resistir a esses campos elétricos. O estudo demonstra que, ao compreender as forças invisíveis em jogo dentro dessas máquinas moleculares, podemos prever melhor como elas se comportarão e, em última análise, como detê-las.