Integrated Machine Learning, Virtual Screening and Molecular Dynamics to Discover Febuxostat as a Novel S1PR1 Modulator

Resumo Técnico: Integração de Aprendizado de Máquina, Triagem Virtual e Dinâmica Molecular para Descobrir o Febuxostato como um Novo Modulador do S1PR1

Definição do Problema
O receptor de Esfingosina-1-fosfato 1 (S1PR1) é um regulador crítico do tráfego de linfócitos e um alvo terapêutico validado para doenças autoimunes, particularmente a Esclerose Múltipla (EM). A modulação farmacológica do S1PR1 sequestra linfócitos autorreativos nos linfonodos, impedindo sua migração para o sistema nervoso central. No entanto, a descoberta tradicional de fármacos para tais alvos é demorada, consome muitos recursos e é caracterizada por altas taxas de atrito. O estudo aborda a necessidade de acelerar a identificação de novos moduladores do S1PR1 através da integração da inteligência artificial com técnicas clássicas de química computacional para preencher a lacuna entre modelos estruturais estáticos e sistemas biológicos dinâmicos.

Metodologia
Os autores desenvolveram um fluxo de trabalho computacional integrado em múltiplas etapas:

1. Curadoria de Dados e Treinamento de Aprendizado de Máquina (ML):

   • Um conjunto de dados de 4.022 compostos foi curado do ChEMBL (ChEMBL ID: CHEMBL4333), compreendendo 3.399 compostos ativos e 623 inativos com base em valores de pChEMBL (limiar ≥ 6 para ativos).
   • As características moleculares foram projetadas usando descritores físico-químicos (ex: LogP, TPSA) e impressões digitais circulares de Morgan (ECFP4).
   • O conjunto de dados foi balanceado utilizando a Técnica de Sobreamostragem de Minoria Sintética (SMOTE) e dividido em conjuntos de treinamento (80%) e teste (20%).
   • Quatro classificadores supervisionados — Random Forest (RF), Support Vector Machine (SVM), Regressão Logística (LR) e Extreme Gradient Boosting (XGBoost) — foram treinados e avaliados.

2. Triagem Virtual e Docking:

   • O modelo Random Forest otimizado foi aplicado para triar 12.310 compostos do banco de dados DrugBank.
   • Compostos com probabilidade de atividade prevista > 0,5 foram selecionados para triagem baseada em estrutura.
   • O docking molecular foi realizado utilizando AutoDock Vina contra a conformação ativa do S1PR1 humano (PDB ID: 7EW0), complexado com o agonista Ozanimod. O grid box foi centrado no bolso de ligação ortostérico definido pelo ligante co-cristalizado.

3. Perfil ADMET e Filtragem:

   • Os principais resultados de docking passaram por um rigoroso perfil farmacocinético e de toxicidade utilizando SwissADME, pkCSM e ADMETlab 3.0.
   • Os critérios de filtragem incluíram a Regra do Cinco de Lipinski, regras de Veber, alta absorção gastrointestinal, não permeabilidade através da barreira hematoencefálica (BHE), ausência de inibição de CYP450 e ausência de mutagenicidade, hepatotoxicidade ou bloqueio do canal hERG.

4. Simulação de Dinâmica Molecular (MD):

   • O candidato mais promissor, Febuxostato, foi selecionado para simulação de MD para avaliar a estabilidade estrutural e a persistência de ligação.
   • As simulações foram conduzidas usando GROMACS (v2021.4) com o campo de força CHARMM27 e o modelo de água TIP3P.
   • Devido a restrições computacionais, uma corrida de produção de 15 ns foi analisada (extraída de uma corrida pretendida de 50 ns) para avaliar o Desvio Quadrático Médio (RMSD), a Flutuação Quadrática Média (RMSF), o Raio de Giro (Rg), a Área de Superfície Superficial Acessível ao Solvente (SASA) e as ligações de hidrogênio.

Principais Resultados

• Desempenho de Aprendizado de Máquina: O modelo Random Forest demonstrou desempenho preditivo superior com uma acurácia de 0,90 e uma Área Sob a Curva (AUC) de 0,92. Alcançou um recall de 0,97 para a classe ativa, indicando alta sensibilidade na identificação de potenciais moduladores.
• Triagem Virtual e Docking: Dos 12.310 compostos iniciais do DrugBank, 446 ligantes foram dockados com sucesso. Embora alguns compostos (ex: Adomeglivant) tenham mostrado afinidades de ligação superiores (−11,314 kcal/mol), eles foram excluídos devido a perfis ADMET deficientes. Quatro candidatos atenderam a todos os critérios de filtragem, incluindo o Febuxostato (−7,505 kcal/mol) e um derivado de desoxirribofuranosil (−8,142 kcal/mol).
• Perfis ADMET: Todos os quatro compostos selecionados exibiram boa semelhança com fármacos (drug-likeness), alta absorção gastrointestinal e não permeabilidade através da BHE. Crucialmente, foram previstos como não mutagênicos, não hepatotóxicos e não inibidores dos canais hERG.
• Dinâmica Molecular e Análise de Interação:
  • Simulações de MD confirmaram a estabilidade estrutural do complexo Febuxostato-S1PR1, com valores de RMSD estabilizando-se entre 0,3 nm e 0,4 nm após 12 ns.
  • O Raio de Giro (Rg) e a SASA indicaram uma estrutura globular compacta e bem dobrada mantida durante toda a simulação.
  • A análise do Perfilador de Interação Proteína-Ligante (PLIP) revelou que o Febuxostato ocupa o bolso ortostérico ao mimetizar o ancoramento hidrofóbico do ligante de referência, Ozanimod. Especificamente, o Febuxostato manteve interações hidrofóbicas persistentes e empilhamento $\pi$ com os resíduos-chave PHE 210 e LEU 195.
  • Enquanto o ligante de referência depende de uma ligação de hidrogênio com LYS 34, o Febuxostato formou uma ligação de hidrogênio transitória, mas significativa, com SER 129, apoiada por uma rede hidrofóbica robusta.

Significância e Alegações
O artigo afirma que este estudo valida a eficácia da integração de fluxos de trabalho baseados em IA com modelagem molecular clássica para acelerar a descoberta de fármacos. A principal contribuição é a identificação do Febuxostato, um inibidor da xantina oxidase clinicamente aprovado para gota, como um novo modulador do S1PR1, estruturalmente distinto.

Os autores asseveram que:

1. O fluxo de trabalho integrado conseguiu estreitar um vasto espaço químico para candidatos de alta confiança.
2. O Febuxostato exibe um modo de ligação estável dentro do bolso ortostérico do S1PR1, mimetizando efetivamente a rede de interação de moduladores clínicos estabelecidos como o Ozanimod.
3. O perfil ADMET favorável do composto e sua prevista incapacidade de atravessar a BHE sugerem que ele é um candidato viável para imunomodulação periférica na EM e distúrbios relacionados, sem efeitos colaterais no sistema nervoso central.

O estudo conclui que, embora esses achados sejam promissores, eles representam uma descoberta computacional que carece de validação experimental adicional (in vitro e in vivo) para confirmar a atividade funcional e a eficácia terapêutica. Os autores enfatizam que esta abordagem destaca o potencial do reposicionamento de fármacos computacional para descobrir interações de alvos anteriormente não reconhecidas entre medicamentos aprovados.