MolGPT-assisted exploration of VEGFR2-related chemical space through virtual screening, experimental bridging, and molecular dynamics simulation
Este estudo apresenta um fluxo de trabalho abrangente integrando o design generativo baseado em MolGPT, aprendizado de máquina e simulações computacionais para priorizar inibidores de VEGFR2, o qual foi validado experimentalmente por meio do teste de compostos substitutos acessíveis que, em última análise, falharam em confirmar a atividade ou os mecanismos de ligação previstos.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O câncer é uma doença de crescimento descontrolado, mas os tumores não conseguem crescer muito sem uma linha de suprimento. Assim que um tumor atinge alguns milímetros de tamanho, ele deve acionar uma mudança para construir sua própria rede de vasos sanguíneos, um processo conhecido como angiogênese. Essa nova rede entrega o oxigênio e os nutrientes de que o câncer precisa para sobreviver e se espalhar. Um dos principais sinais que diz aos vasos sanguíneos para crescer é uma proteína chamada VEGFR2. Como este receptor é tão central no processo, cientistas tentam há muito tempo bloqueá-lo com drogas para deixar os tumores famintos. No entanto, as drogas atualmente disponíveis frequentemente agem como uma marreta, atingindo outros alvos e causando efeitos colaterais, ou o câncer acaba encontrando uma maneira de contornar o bloqueio. A busca continua por novas moléculas mais precisas que possam interromper esse sinal de crescimento sem o dano colateral.
Em um estudo recente, pesquisadores da Universidade de Medicina Tradicional Chinesa de Shandong tentaram encontrar essas novas moléculas não procurando em prateleiras existentes de produtos químicos, mas pedindo a um computador que as imaginasse do zero. Eles usaram um tipo de inteligência artificial chamada MolGPT, que é treinada na linguagem da química. Assim como um modelo de linguagem pode escrever uma nova frase prevendo a próxima palavra com base no que veio antes, este modelo prevê a próxima parte de uma estrutura química para criar moléculas inteiramente novas que nunca existiram antes. O objetivo era gerar milhares dessas estruturas únicas e teóricas e depois filtrá-las para encontrar as que têm maior probabilidade de bloquear o VEGFR2.
A equipe começou gerando 5.000 novas estruturas moleculares. Após a limpeza da lista para remover duplicatas e formas inválidas, restaram 4.992 candidatos únicos. Para decidir quais dessas novas formas poderiam funcionar, eles as submeteram a uma série de testes computacionais. Primeiro, um modelo preditivo estimou a probabilidade de cada molécula ser ativa contra o alvo. Isso reduziu o campo para 522 candidatos. Em seguida, utilizaram um método chamado ancoragem molecular (molecular docking), que simula como uma molécula se encaixa na bolsa específica da proteína VEGFR2, como uma chave tentando se encaixar em uma fechadura. Esta etapa selecionou nove moléculas que pareciam se ajustar melhor. Por fim, os pesquisadores verificaram essas nove quanto às propriedades de fármaco, como se seriam seguras para o corpo processar e se poderiam ser facilmente produzidas em um laboratório. Este processo deixou quatro candidatos principais.
Aqui, o projeto encontrou um obstáculo prático. As quatro melhores moléculas eram tão novas e complexas que não estavam disponíveis para compra, e fabricá-las do zero em um laboratório levaria muito tempo. Para manter a pesquisa avançando, a equipe empregou um contorno inteligente. Em vez de esperar para fabricar as moléculas perfeitas e novas, eles buscaram compostos comercialmente disponíveis que fossem de alguma forma semelhantes aos quatro principais candidatos. Eles encontraram seis compostos "substitutos" assim em uma biblioteca de produtos naturais. Esses substitutos não eram as moléculas exatas que o computador havia desenhado, mas compartilhavam características estruturais suficientes para servir como um teste de execução. Os pesquisadores então testaram esses seis compostos do mundo real em um laboratório para ver se eles podiam realmente bloquear a proteína VEGFR2.
Os resultados deste teste experimental foram amplamente negativos, mas forneceram um quadro claro dos desafios neste campo. Cinco dos seis compostos substitutos não mostraram capacidade significativa de bloquear o alvo. Um composto, o ácido levomefolico, mostrou uma reação estranha e inconsistente. Em uma concentração de 20 micromolar, ele bloqueou a proteína em cerca de 56 por cento, mas quando a concentração foi duplicada para 40 micromolar, o efeito de bloqueio caiu para apenas 12 por cento. Esse comportamento errático significou que os pesquisadores não puderam calcular uma medida confiável de sua força. Como a conexão entre a molécula original gerada pelo computador e este substituto era fraca, a equipe não pôde afirmar que o novo design funcionou.
Para entender o que poderia estar acontecendo, os pesquisadores recorreram a simulações computacionais para observar como a molécula de ácido levomefolico se comportava perto da proteína. Eles simularam a interação ao longo de um período de tempo para ver se a molécula se prendia firmemente ou se afastava. As simulações mostraram que, embora a molécula interagisse com a proteína, ela era menos estável do que uma droga conhecida usada como referência. Os modelos computacionais sugeriram que a molécula formava algumas conexões úteis, mas também enfrentava resistência significativa da água e do ambiente ao redor, tornando-a um ligante menos eficiente do que o esperado. O estudo concluiu que, embora o fluxo de trabalho computacional tenha gerado novas ideias e as tenha filtrado para algumas possibilidades, a ponte entre a imaginação do computador e a realidade do laboratório permanecia não comprovada.
Em última análise, esta pesquisa serve como uma demonstração de um novo fluxo de trabalho, em vez de uma descoberta de uma nova cura. A equipe demonstrou com sucesso que a inteligência artificial pode gerar vastos números de novas estruturas químicas e que um processo de filtragem de múltiplas etapas pode reduzi-las a um número gerenciável. No entanto, o experimento também destacou uma lacuna significativa: as moléculas que o computador desenha são frequentemente tão diferentes do que está disponível no mundo real que encontrar um substituto adequado é difícil e, mesmo quando um substituto é encontrado, ele pode não se comportar da maneira que o computador previu. O estudo sugere que, embora a IA seja uma ferramenta poderosa para explorar o vasto panorama de possíveis produtos químicos, o caminho do design digital para um medicamento funcional ainda requer a síntese direta e o teste das moléculas exatas que o computador cria. A jornada de uma nova ideia para um novo medicamento continua sendo um desafio complexo, onde a promessa da inteligência artificial deve ainda estar fundamentada no trabalho árduo da verificação experimental.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.