Iván Solt, Anna Tomin, Krisztian Niesz, ChemAxon Ltd.
El cribado virtual (VS) tiene como objetivo reducir el enorme espacio virtual de compuestos químicos (una biblioteca virtual práctica puede contener alrededor de 1015 moléculas) a un número más manejable para su posterior síntesis y cribado contra objetivos biológicos, lo que podría dar lugar a posibles candidatos a fármacos. Aunque el origen de los métodos computacionales se remonta a la década de 1970, el término “cribado virtual” no apareció hasta 1997.1 Desde entonces, varios casos de éxito y fármacos aprobados han demostrado la relevancia del diseño de fármacos asistido por computadora (CADD). Además, este enfoque ha demostrado su utilidad para identificar candidatos relevantes para varias aplicaciones de reposicionamiento de fármacos. A pesar de los recientes avances, muchos siguen criticando el potencial del cribado virtual para ayudar a los químicos médicos a desarrollar nuevos fármacos de forma rápida y rentable.
Existen dos enfoques generalmente aceptados para el cribado virtual: los métodos basados en ligandos y los basados en estructuras (acoplamiento). Mientras que el cribado virtual basado en ligandos (LBVS) utiliza búsquedas de similitud en 2D o 3D entre grandes bases de datos de compuestos y activos conocidos, el cribado virtual basado en estructuras (SBVS) aplica diferentes técnicas de modelado para imitar la interacción de unión de un ligando a un objetivo biomolecular. Por lo tanto, la mayor diferencia entre el LBVS y el SBVS es que este último requiere información estructural sobre el objetivo, que suele obtenerse mediante cristalografía de rayos X o resonancia magnética nuclear (RMN). Si esa información no existe, como suele ocurrir con los receptores de membrana como los GPCR, también se puede imitar esta información con sus modelos de homología.3 Aunque un estudio bibliográfico reciente ha demostrado que el acoplamiento es posiblemente el enfoque más utilizado en la fase inicial del descubrimiento de fármacos, la misma investigación también señala que los métodos LBVS en general producen una mayor proporción de resultados potentes.4
Enfoques basados en la estructura
Tradicionalmente, el SBVS se construye a partir de varios pasos, entre los que se incluyen la preparación del objetivo y la biblioteca de compuestos, la ejecución de los algoritmos de acoplamiento propiamente dichos, el posprocesamiento y la clasificación de los resultados para los bioensayos mediante una función de puntuación predefinida.5 Todos estos pasos incluyen una gran cantidad de suposiciones, lo que puede dar lugar a artefactos. Sin embargo, el elemento clave que ha faltado hasta ahora para superar las deficiencias de los métodos de acoplamiento es el pensamiento innovador necesario para sustituir los modelos estáticos actuales por modelos dinámicos que sean aplicables a todo el sistema.⁶
Figura 2: Ejemplo de flujo de trabajo para la alineación flexible basada en formas 3D: 1) Estructuras de entrada 2D; 2) Se genera un conformador 3D y la forma se colorea según los tipos atómicos; 3) Se muestra la intersección de volúmenes, que se maximizó durante la alineación, junto con la pose resultante.
Figura 2: Ejemplo de flujo de trabajo para la alineación flexible basada en formas 3D: 1) Estructuras de entrada 2D; 2) Se genera un conformador 3D y la forma se colorea según los tipos atómicos; 3) Se muestra la intersección de volúmenes, que se maximizó durante la alineación, junto con la pose resultante.
Sin duda, uno de los mayores retos del software de acoplamiento es tener en cuenta la flexibilidad de las proteínas.7 Estas macromoléculas no son, obviamente, objetos estáticos, y los cambios conformacionales suelen ser elementos clave en la unión de los ligandos. Una forma de abordar el problema es utilizar múltiples conformaciones estáticas de alta calidad del receptor como instantáneas en las pruebas de acoplamiento y seleccionar la conformación con mayor puntuación para su posterior investigación. En la bibliografía también se describen detalladamente otras formas, como el acoplamiento conjunto permitido por las simulaciones de dinámica molecular, o el “acoplamiento suave”, en el que se permite que la interacción entre la proteína y el ligando cambie continuamente, y el acoplamiento 4D, que permite ajustar los ligandos a múltiples conformaciones objetivo en una sola ejecución. 9-11
Igualmente importante y otra cuestión nada trivial es el manejo de las moléculas de agua. El agua puede afectar significativamente a la unión del ligando mediante la formación de enlaces de hidrógeno y puede contribuir tanto a la entalpía como a la entropía de la unión. En general, la termodinámica de las interacciones ligando-receptor sigue tratándose de forma similar al funcionamiento de las reacciones moleculares, y a menudo esta no es la forma óptima de abordar el problema. En lo que respecta a la consideración del agua, recientemente se han desarrollado varios enfoques que complementan la información experimental obtenida mediante espectroscopia de rayos X y RMN.12-15
Aunque proporcionan mejoras considerables, la opinión general es que estos métodos son muy específicos y no funcionan eficazmente con todos los tipos de proteínas. La forma en que tenemos en cuenta las moléculas de agua está directamente relacionada con el problema de resolver la cuestión de la flexibilidad del ligando, también conocida como muestreo conformacional de las moléculas de ligando dentro del sitio de unión de la cavidad proteica durante el acoplamiento. Para intentar resolverlo, actualmente se utilizan ampliamente cuatro métodos principales: 1) construir todo el ligando a partir de fragmentos dentro del bolsillo de unión;16 2) generar una biblioteca de rotámeros, una colección de conformadores de baja energía, y acoplarlos individualmente;17 3) simulaciones de Monte Carlo;18 4) aplicar métodos evolutivos, como los algoritmos genéticos tradicionales o lamarckianos, para encontrar el mínimo de energía local del sistema.19
Aunque los métodos actuales suelen ser capaces de encontrar los modos de unión correctos, están bastante lejos de ofrecer una predicción precisa en términos de afinidad o potencia de unión. Los métodos de puntuación actuales incluyen métodos tradicionales, como las funciones de puntuación basadas en campos de fuerza, que utilizan campos de fuerza clásicos para calcular las interacciones no covalentes entre el ligando y el objetivo; métodos empíricos, que tienen en cuenta varios términos energéticos e interacciones polares y apolares de forma ponderada; y métodos basados en el conocimiento, que utilizan la suma de potenciales estadísticos dependientes de la distancia.20,21 Una mejora de las funciones de puntuación anteriores es la puntuación por consenso, que es un método híbrido que utiliza múltiples funciones.22
Sin embargo, dado que las diferentes funciones de puntuación son colineales, algunos científicos cuestionan si este método puede mejorar significativamente la precisión del proceso.23 Para superar el problema de la precisión, las técnicas de aprendizaje automático están atrayendo actualmente una gran atención. Las redes neuronales, las máquinas de vectores de soporte y la técnica de bosques aleatorios son capaces de describir la dependencia no lineal de las interacciones ligando-objetivo durante la unión sin tener en cuenta los efectos de solvatación y entropía.24 Además, resulta interesante el método de huella de interacción estructural (SIFt), que utiliza la estructura tridimensional del complejo proteína-ligando para generar una huella binaria unidimensional.25 Esta huella se utiliza para caracterizar las posturas de los ligandos derivadas del procedimiento de acoplamiento y compararlas con el mapa de interacción del sustrato nativo.
Enfoques basados en ligandos
A diferencia de los métodos de acoplamiento, los enfoques basados en ligandos no tienen en cuenta directamente la estructura objetivo. Estas técnicas se basan en la suposición de que los compuestos con una topología similar tienen una actividad biológica similar. Hay muchas formas de definir la similitud molecular; el cribado basado en ligandos en el descubrimiento de fármacos suele utilizar descriptores basados en la topología que incluyen los sitios farmacoforicos de las moléculas. Los descriptores de las moléculas activas conocidas y las moléculas potencialmente activas se comparan utilizando expresiones matemáticas predefinidas (métricas) para cuantificar la similitud molecular. Estos enfoques descuidan esencialmente cualquier información sobre la biomolécula objetivo, así como la estructura tridimensional de los compuestos ligandos. No obstante, son muy eficaces y a menudo se aplican en combinación con enfoques basados en la estructura para identificar posibles compuestos bioactivos que luego pueden introducirse en experimentos de acoplamiento.
Además de los métodos basados en la estructura y en los ligandos tradicionales, existe un tercer enfoque posible para predecir la bioactividad de las moléculas en un espacio químico virtual. Los métodos que pertenecen a esta tercera rama pueden considerarse extensiones del enfoque basado en los ligandos, con la diferencia principal de que, en lugar de tener en cuenta únicamente la topología molecular, crean o tienen en cuenta las coordenadas 3D tanto de las moléculas activas como de las moléculas potenciales para la comparación de similitudes, y luego estiman la similitud de la forma 3D de estas moléculas. Estos algoritmos se denominan métodos de forma, aunque, al igual que en los algoritmos tradicionales basados en ligandos, existen diferentes formas de generar medidas de similitud 3D.
La primera pregunta que surge es cómo se tiene en cuenta la flexibilidad de las moléculas, que en este caso no es menos importante que en el acoplamiento, durante el proceso de alineación. Algunos enfoques generan un conjunto exhaustivo de conformaciones y utilizan la alineación rígida de las conformaciones generadas con respecto a una molécula activa rígida. Estos enfoques tienen la ventaja de que el paso de alineación es muy eficiente, pero pueden ser bastante sensibles al espacio conformacional que se genera. Además, la generación de conformadores puede ser un procedimiento largo, pero fundamental para la calidad de la alineación. No obstante, existen enfoques exitosos que utilizan un modelo de alineación rígida para el cribado de ligandos en 3D.26
Como solución alternativa, es posible utilizar una alineación flexible en lugar de una rígida. En estos casos, no se genera previamente ningún conjunto conformacional para la selección, sino que las conformaciones se crean sobre la marcha durante el procedimiento de alineación. Los métodos de alineación flexible, como el 3D Screen de ChemAxon Ltd. (Budapest), tienen la ventaja de no ser sensibles a la calidad del espacio conformacional que se puede generar.27 Una modificación interesante que se encuentra en los métodos de alineación flexible es la opción de mantener rígido el ligando activo conocido y flexible la estructura de acierto. Este enfoque híbrido permite capturar un sustrato nativo en su conformación unida e intentar imitar esta conformación con las moléculas candidatas, lo que da resultados comparables al acoplamiento.
Además de la flexibilidad de los compuestos activos y candidatos, la segunda pregunta es cómo sesgar el procedimiento de alineación o, en otras palabras, cuál es la función objetivo de la alineación. Algunos enfoques tienen como objetivo maximizar la superposición de van der Waals de las moléculas y calcular la puntuación de similitud de forma basándose en esto.28 Aunque estos métodos pueden proporcionar una estimación de la similitud de forma real (métodos de forma), aportan poca información sobre cómo se relacionan las características de unión de la molécula candidata con las de las moléculas activas.
Este inconveniente puede superarse teniendo en cuenta información específica sobre el tipo de átomos, como los sitios farmacóforos, durante el procedimiento de alineación (métodos de coincidencia). Los algoritmos que tienen en cuenta esta información serían capaces de generar alineaciones en las que los patrones con un carácter de unión similar se orientaran de manera similar en el activo y en el candidato, lo que proporcionaría una imagen más realista de la similitud bioactiva potencial de las moléculas.
Uso combinado de métodos
La combinación de la estructura mencionada anteriormente y las estrategias basadas en ligandos también se está convirtiendo en una vía deseada y habitual para los investigadores y diferentes métodos, incluidos los enfoques secuenciales y paralelos.29 Aunque el primer paso en la mayoría de las estrategias secuenciales combinadas es preparar un conjunto de compuestos manejable a partir de grandes bases de datos mediante búsquedas de similitud molecular, también se han aplicado con éxito enfoques inversos, en los que primero se llevan a cabo protocolos de acoplamiento para seleccionar los ligandos para investigaciones posteriores.30 También se han descrito enfoques híbridos, en los que las aplicaciones basadas en ligandos y estructuras se moldean verdaderamente juntas (farmacóforos proteína-ligando) y se integran en una técnica independiente para mejorar la precisión y el rendimiento.29
Conclusión
La quimioinformática ayuda a acelerar el descubrimiento de fármacos, y el cribado virtual desempeña un papel crucial en la fase inicial de ese proceso al reducir el tamaño del pajar. En este artículo, hemos intentado resumir los enfoques básicos, incluidos los diferentes métodos basados en estructuras y ligandos, así como su integración en enfoques combinados. Además de señalar los avances recientes, aún quedan por resolver algunos obstáculos y retos importantes para poder gestionar el volumen exponencialmente creciente de datos (información sobre compuestos y actividad biológica) que se espera que se genere en breve como consecuencia de la entrada en la nueva era genómica.
Fecha: 11 de mayo de 2015
Fuente: http://www.dddmag.com/articles/2013/12/new-approaches-virtual-screening#at_pco=smlwn-1.0&at_si=5550cf7acc33acc1&at_ab=per-2&at_pos=0&at_tot=1