Ivan Solt, Anna Tomin, Krisztian Niesz, ChemAxon Ltd.
El objetivo del cribado virtual (CV) es reducir el enorme espacio virtual de compuestos químicos (una biblioteca virtual práctica podría constar de ~1015 moléculas) a un número más manejable para su posterior síntesis y cribado frente a dianas biológicas, lo que podría conducir a posibles fármacos candidatos. 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 ordenador (CADD). Además, el enfoque ha demostrado su utilidad en la identificación de candidatos relevantes para varias aplicaciones de reposicionamiento de fármacos.2 A pesar de los recientes avances, muchos siguen criticando el potencial del cribado virtual para ayudar a los químicos medicinales a desarrollar nuevos fármacos en poco tiempo y de forma rentable.
Existen dos enfoques generalmente aceptados para el cribado virtual: los métodos basados en ligandos y los basados en estructuras (docking). Mientras que el cribado virtual basado en ligandos (LBVS) utiliza búsquedas de similitudes 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 una diana biomolecular. Así pues, la mayor diferencia entre el LBVS y el SBVS es que este último requiere información estructural de la diana, normalmente obtenida a partir de cristalografía de rayos X o resonancia magnética nuclear (RMN). Si no se dispone de dicha información -lo que suele ocurrir con los receptores de membrana, como los GPCR-, también se puede imitar esta información con sus modelos homológicos.3 Aunque un estudio bibliográfico reciente ha demostrado que el docking es sin duda el método más utilizado en el descubrimiento de fármacos en fase inicial, la misma investigación también señala que los métodos LBVS en general producen una mayor fracción de resultados potentes.4
Planteamientos basados en estructuras
Tradicionalmente, el SBVS se construye a partir de varios pasos, como la preparación de la diana y la biblioteca de compuestos, la ejecución de los algoritmos de acoplamiento, el posprocesamiento y la clasificación de los resultados de los bioensayos mediante una función de puntuación predefinida5 . Pero 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 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 el conformador 3D y la forma se colorea por tipos atómicos; 3) se muestra la intersección de volúmenes, maximizada 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 el conformador 3D y la forma se colorea por tipos atómicos; 3) se muestra la intersección de volúmenes, maximizada 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 Obviamente, estas macromoléculas no son objetos estáticos y los cambios conformacionales suelen ser elementos clave en la unión de ligandos. Una forma de abordar el problema es utilizar múltiples conformaciones estáticas de alta calidad del receptor como instantáneas en las ejecuciones 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 de la proteína y el ligando cambie continuamente, y el acoplamiento 4D, que permite que los ligandos se ajusten a múltiples conformaciones diana en una sola ejecución.9-11
Otra cuestión no trivial e igualmente importante es la manipulación 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 se sigue tratando de forma similar a cómo funcionan las reacciones moleculares, y a menudo ésta no es la forma óptima de enfocar el problema. En cuanto a la consideración del agua, recientemente se han desarrollado varios enfoques que complementan la información experimental de la espectroscopia de rayos X y RMN.12-15
Aunque proporcionan mejoras considerables, la creencia general es que estos métodos son muy específicos y no funcionan eficazmente con todos los tipos de proteínas. La forma de tener en cuenta las moléculas de agua está directamente relacionada con el problema de la flexibilidad del ligando, también conocido como muestreo conformacional de las moléculas de ligando dentro del sitio de unión del bolsillo de la proteína durante el acoplamiento. Para intentar resolver este problema, actualmente se utilizan cuatro métodos principales: 1) construir el ligando completo 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 Monte Carlo;18 4) aplicar métodos evolutivos, como los algoritmos genéticos tradicionales o lamarckianos para encontrar el mínimo energético 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 la diana; métodos empíricos, que tienen en cuenta varios términos energéticos, 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 Un perfeccionamiento de las funciones de puntuación anteriores es la puntuación de consenso, que es un método híbrido que utiliza múltiples funciones.22
Sin embargo, dado que las diferentes funciones de puntuación son colineales, algunos científicos se preguntan 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 mucha atención en la actualidad. Las redes neuronales, las máquinas de vectores de soporte y la técnica de bosque aleatorio 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 entrópicos.24 Además, el método de huella digital de interacción estructural (SIFt), que utiliza la estructura 3D del complejo proteína-ligando para generar una huella digital binaria 1D, es de interés.25 Esta huella digital se utiliza entonces para caracterizar las poses del ligando 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 de la diana. 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 implican a los sitios farmacóforos de las moléculas. Los descriptores de las moléculas activas conocidas y de las moléculas potenciales se comparan mediante expresiones matemáticas predefinidas (métricas) para cuantificar la similitud molecular. Estos enfoques ignoran esencialmente cualquier información sobre la biomolécula diana, así como la estructura tridimensional de los compuestos ligandos. No obstante, son muy eficaces y se aplican a menudo en combinación con enfoques basados en la estructura para identificar posibles éxitos bioactivos que luego pueden introducirse en experimentos de acoplamiento.
Además de los métodos basados en estructuras y 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 ligandos, con la diferencia principal de que, en lugar de tener en cuenta únicamente la topología molecular, crean o consideran coordenadas 3D tanto de las moléculas activas como de las potenciales moléculas guía para la comparación de similitudes y, a continuación, estiman la similitud de forma 3D de estas moléculas. Estos algoritmos se denominan métodos de forma, aunque al igual que en los algoritmos tradicionales basados en ligandos, existen diversas formas de generar medidas de similitud 3D.
La primera cuestión que se plantea es cómo se tiene en cuenta durante el proceso de alineación la flexibilidad de las moléculas, que no es menos importante en este caso que en el docking. Algunos enfoques generan un conjunto exhaustivo de conformaciones y utilizan la alineación rígida de las conformaciones generadas frente a una molécula activa rígida. Estos enfoques tienen la ventaja de un paso de alineación muy eficiente, pero pueden ser bastante sensibles al espacio conformacional que se genera. Además, la generación de las conformaciones puede ser un procedimiento largo pero crítico para la calidad de la alineación. No obstante, existen enfoques exitosos que utilizan un modelo de alineación rígido para el cribado de ligandos en 3D.26
Como solución alternativa, es posible utilizar la alineación flexible en lugar de la rígida. En estos casos, no se genera previamente ningún conjunto conformacional para el cribado, 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 las siguientes ventajas (Budapest), tienen la ventaja de no ser sensibles a la calidad del espacio conformacional que puede generarse.27 Una enmienda 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 éxito. Este enfoque híbrido permite coger un sustrato nativo en su conformación ligada e intentar imitar esta conformación con las moléculas candidatas, lo que da resultados comparables a los del docking.
Además de la flexibilidad del activo y de los compuestos candidatos, la segunda cuestión es cómo sesgar el procedimiento de alineación o, en otras palabras, cuál es la función objetivo para la alineación. Algunos enfoques intentan maximizar el solapamiento de van der Waals de las moléculas y calculan 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), ofrecen poca información sobre cómo se relacionan las características de unión de la molécula candidata con las del activo.
Este inconveniente puede superarse teniendo en cuenta información específica del tipo de átomo, como los sitios farmacóforos, durante el procedimiento de alineación (métodos de emparejamiento). 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 orientan de forma parecida en el activo y en el candidato, proporcionando una imagen más realista de la similitud bioactiva potencial de las moléculas.
Uso combinado de métodos
La combinación de las estrategias basadas en estructuras y ligandos antes mencionadas también se está convirtiendo en una vía deseada y común para los investigadores y los diferentes métodos, incluidos los enfoques secuenciales y paralelos.29 Aunque el primer paso en la mayoría de las estrategias secuenciales combinadas consiste en 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 realmente 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 intentamos resumir los enfoques básicos, incluidos los distintos métodos basados en estructuras y ligandos, así como su integración en enfoques combinados. Además de señalar los desarrollos recientes, todavía quedan por resolver algunos escollos y retos importantes para manejar el volumen exponencialmente creciente de datos -información sobre compuestos y actividad biológica- que se espera que se desencadene pronto como consecuencia de la entrada en la nueva era genómica.31
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
Añadir un comentario