Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

No mundo de alto risco da descoberta de fármacos, os cientistas frequentemente enfrentam um quebra-cabeça que parece tentar sintonizar um rádio em uma frequência específica sem mudar de estação. Eles têm uma molécula promissora, uma estrutura química que mostra potencial para combater uma doença, mas ela precisa de um ajuste fino. Para fazer um fármaco funcionar melhor no corpo humano, os pesquisadores devem ajustar características físicas específicas, como quantos pontes de hidrogênio a molécula pode formar, quantas estruturas em forma de anel ela contém ou quantas partes dela podem girar e torcer. Esses ajustes são críticos porque determinam se um fármaco poderá ser absorvido pelo corpo ou se ele simplesmente passará direto por ele. No entanto, fazer essas mudanças é notoriamente difícil. Se um cientista tenta ajustar uma parte da molécula para melhorar sua absorção, ele frequentemente acaba quebrando acidentalmente outra parte, arruinando a capacidade do fármaco de se ligar ao seu alvo. O desafio reside em fazer edições precisas e controladas em uma estrutura química complexa sem desmantelar sua identidade central.

Para resolver este problema, um pesquisador da Universidade de Shiga desenvolveu uma nova ferramenta digital chamada Scaffold-tuner. Pense em uma molécula como uma casa com uma fundação robusta e um telhado único; a fundação é a estrutura central que define que tipo de edifício ela é, enquanto o telhado e as paredes podem ser modificados. Na química, esse núcleo imutável é chamado de scaffold (esqueleto). O objetivo é manter esse scaffold intacto enquanto se troca as "paredes" para mudar as propriedades da casa. Métodos anteriores para fazer isso eram frequentemente como lançar dardos no escuro: eles geravam milhares de variações aleatórias, esperando tropeçar em uma que funcionasse, ou dependiam de uma inteligência artificial complexa que às vezes mudava a fundação junto com as paredes, criando um edifício completamente diferente. Essas abordagens eram ineficientes e frequentemente produziam resultados muito diferentes do fármaco original para serem úteis.

A nova ferramenta, Scaffold-tuner, adota uma abordagem diferente, mais deliberada. Em vez de adivinhar ou usar um algoritmo de caixa preta, ela utiliza uma biblioteca curada de fragmentos químicos — pequenas peças pré-testadas de moléculas conhecidas por realizar tarefas específicas. Se um pesquisador precisa adicionar um doador de ligação de hidrogênio, a ferramenta seleciona um fragmento projetado especificamente para essa tarefa. Se ele precisa remover uma ligação rotacionável, a ferramenta escolhe um fragmento que trava a estrutura no lugar. Ao combinar esses fragmentos direcionados com o scaffold central da molécula original, a ferramenta gera novos compostos candidatos que garantem manter o coração da estrutura original enquanto alcançam as mudanças físicas desejadas. É um método de edição que prioriza o controle e a previsibilidade em vez do volume bruto.

Para testar se este método realmente funcionava, o pesquisador o submeteu a um teste rigoroso usando mil compostos do tipo fármaco retirados de um banco de dados público chamado ChEMBL. Esses compostos serviram como ponto de partida, ou "pais", para o experimento. A ferramenta foi solicitada a realizar oito tipos diferentes de edições, como adicionar ou remover um doador de ligação de hidrogênio, adicionar ou remover um anel aromático ou alterar o número de ligações rotacionáveis. Para comparação, os mesmos compostos iniciais foram inseridos em outros três métodos: uma ferramenta de edição aleatória simples, um método chamado CReM que faz mudanças quimicamente razoáveis, mas não guiadas, e um sistema de inteligência artificial sofisticado conhecido como REINVENT4. O objetivo era ver qual método conseguia criar com sucesso uma nova molécula que atendesse à mudança específica pretendida, mantendo-se fiel à estrutura original.

Os resultados mostraram que o Scaffold-tuner se destacou na precisão, particularmente quando os pesquisadores podiam analisar apenas um pequeno número de opções. Em um cenário onde apenas o primeiro candidato gerado por cada método era considerado, o Scaffold-tuner teve sucesso em criar a mudança desejada em 42,3 por cento dos casos. Isso foi significativamente superior aos outros métodos, que tiveram sucesso em apenas 13,9 por cento, 15,6 por cento e 17,1 por cento dos casos, respectivamente. Essa descoberta sugere que, quando um cientista precisa de uma sugestão rápida e confiável para mover um projeto adiante, o Scaffold-tuner tem muito mais probabilidade de fornecer uma resposta útil imediatamente. Embora a ferramenta de inteligência artificial tenha eventualmente alcançado o nível e produzido uma variedade maior de mudanças bem-sucedidas quando autorizada a gerar até cem candidatos, ela o fez fazendo mudanças muito maiores e mais drásticas nas moléculas. Essas moléculas geradas por IA frequentemente pareciam muito diferentes do original, tornando mais difícil para os cientistas entender como as mudanças afetaram o comportamento do fármaco.

Em contraste, as moléculas produzidas pelo Scaffold-tuner permaneceram muito semelhantes aos seus compostos pais. Em média, os candidatos bem-sucedidos retiveram cerca de 75 por cento da estrutura do scaffold original, e sua similaridade geral com a molécula inicial foi alta. Esta é uma vantagem crucial porque, no desenvolvimento de fármacos, os cientistas precisam saber exatamente qual mudança causou uma alteração na atividade. Se a estrutura for muito diferente, torna-se impossível dizer se a nova propriedade veio do ajuste pretendido ou de um arranjo de átomos completamente novo. O estudo descobriu que o Scaffold-tuner foi particularmente eficaz ao adicionar anéis aromáticos, uma tarefa na qual os outros métodos tiveram dificuldades ou falharam quase totalmente. Ele também conseguiu aumentar ou diminuir ligações rotacionáveis com um nível de sucesso que, embora não fosse perfeito, era consistente e confiável.

No entanto, a ferramenta não é isenta de limitações. O estudo observou que o sucesso das edições dependia fortemente do tipo específico de mudança solicitada. Por exemplo, embora a ferramenta fosse excelente em adicionar anéis, ela teve dificuldades em removê-los, alcançando uma taxa de sucesso de zero por cento para essa tarefa específica. Da mesma forma, aumentar o número de ligações rotacionáveis foi difícil, com uma taxa de sucesso de apenas 15,2 por cento. Isso indica que a ferramenta não é uma solução universal, mas sim um instrumento especializado que funciona melhor para certos tipos de ajustes estruturais. Os pesquisadores também observaram que, embora pudessem alterar com sucesso uma propriedade, muitas vezes era difícil fazê-lo sem alterar acidentalmente outras propriedades ao mesmo tempo. Por exemplo, alterar o número de ligações rotacionáveis frequentemente trazia mudanças não pretendidas para outras partes da molécula, um desafio que permanece difícil de ser totalmente superado por qualquer ferramenta de edição.

Apesar dessas restrições, o estudo conclui que o Scaffold-tuner oferece uma nova estrutura valiosa para traduzir objetivos químicos abstratos em estruturas moleculares concretas. Ele preenche a lacuna entre modelos teóricos, que preveem como um fármaco deve se comportar, e a realidade prática de construir esse fármaco. Ao fornecer uma maneira de fazer mudanças específicas e interpretáveis enquanto preserva a identidade central da molécula, ele permite que os pesquisadores explorem a relação entre estrutura e função com maior clareza. A ferramenta não substitui a necessidade de métodos mais amplos e exploratórios, mas preenche um nicho específico onde a precisão e a velocidade são primordiais. Para cientistas tentando refinar um composto líder, ela oferece uma maneira de obter um punhado de opções altamente relevantes rapidamente, em vez de filtrar milhares de variações aleatórias. O código-fonte da ferramenta está agora disponível para que outros possam usar e melhorar, sugerindo que esta abordagem direcionada por propriedades pode se tornar uma parte padrão do conjunto de ferramentas de descoberta de fármacos, ajudando a transformar a complexa arte da edição molecular em uma ciência mais previsível e eficiente.