El uso de simulaciones de acoplamiento molecular habilitadas por AlphaFold2 para predecir interacciones proteína-ligando para el descubrimiento de antibióticos

El uso de simulaciones de acoplamiento molecular habilitadas por AlphaFold2 para predecir interacciones proteína-ligando para el descubrimiento de antibióticos

En un estudio publicado recientemente en Biología de sistemas moleculares. Los investigadores demostraron que se necesitan avances en el modelado de interacciones proteína-ligando utilizando enfoques basados ​​en el aprendizaje automático para utilizar mejor AlphaFold2 para el descubrimiento de antibióticos.

Lernen: Benchmarking AlphaFold-fähiger molekularer Docking-Vorhersagen für die Entdeckung von Antibiotika. Bildnachweis: Jaromond/Shutterstock

fondo

Un desafío importante en el descubrimiento de fármacos es la identificación de interacciones entre fármacos y objetivos. Los investigadores han desarrollado varios enfoques para abordar este problema, incluidos ensayos bioquímicos, interacciones genéticas y acoplamiento molecular. Sin embargo, sólo el acoplamiento molecular ha demostrado ser útil para identificar las interacciones proteína-ligando y los mecanismos de acción de un fármaco.

Aunque versátil, el acoplamiento requiere conocimientos previos de las estructuras de las proteínas. El número y la calidad de las estructuras de las proteínas diana limitan aún más su aplicación para identificar objetivos farmacológicos.

Sobre estudiar

En el presente estudio, los investigadores utilizaron la base de datos de predicción de la estructura de la proteína AlphaFold2 recientemente publicada para permitir enfoques de acoplamiento inverso que abarquen el proteoma esencial de Escherichia coli (E. coli) y permitan una predicción integral de los objetivos de unión de antibióticos. Estos experimentos podrían ayudar a evaluar el rendimiento de la plataforma de modelado y revelar la precisión de la predicción de las simulaciones de acoplamiento molecular habilitadas por AlphaFold2.

Las interacciones proteína-ligando predichas entre antibióticos y proteínas esenciales podrían interrogarse parcialmente de forma experimental mediante ensayos bioquímicos que miden la actividad enzimática, con interacciones de unión respaldadas por la inhibición enzimática.

Los investigadores realizaron análisis de alto rendimiento de 39.128 compuestos inhibidores del crecimiento contra E. coli de tipo salvaje. Estos compuestos eran productos naturales, antibióticos y moléculas estructuralmente diversas con pesos moleculares entre 40 Daltons (Da) y 4200 Da. Todos los compuestos que inhibieron el crecimiento relativo en un 80 % se consideraron activos, y cada compuesto activo se acopló computacionalmente a 296 proteomas esenciales de E. coli predichos por AlphaFold2.

Como control, se acopló de la misma manera un subconjunto de compuestos inactivos. Los investigadores utilizaron AutoDock Vina, un programa de acoplamiento de código abierto ampliamente utilizado con evaluación comparativa, para acoplar los 218 compuestos a los 296 proteomas esenciales predichos por AlphaFold2. Estas simulaciones predijeron interacciones proteína-ligando tanto específicas como generalizadas y promiscuidad de proteínas. Finalmente, los investigadores evaluaron las predicciones utilizando cuatro funciones de puntuación (SF) basadas en el aprendizaje automático, a saber, puntuación de RF, puntuación de RF-VS, puntuación de conectividad extendida proteína-ligano (PLEC) y puntuación de red neuronal (NN).

Resultados del estudio

Libro electrónico sobre genética y genómica

Recopilación de las principales entrevistas, artículos y noticias del último año.

Descargue una copia hoy

Un total de 218 compuestos antibacterianos eran activos contra E. coli, y aproximadamente el 80% eran antibióticos de las clases estructurales β-lactámicos, aminoglucósidos, tetraciclinas, quinolonas y policétidos. Los ingredientes activos restantes consistían en toxinas y compuestos antineoplásicos. El estudio también identificó un conjunto adicional de compuestos cuyas propiedades antibacterianas contra E. coli no habían sido documentadas previamente.

Asimismo, el análisis del estudio predijo la posición de unión y la afinidad de unión de 64.528 pares proteína-ligando. Otros 100 compuestos inactivos seleccionados al azar condujeron a predicciones de postura de unión y afinidad para 29.600 pares de proteína-ligando mediante simulaciones de acoplamiento analógico. Además, los investigadores midieron la actividad enzimática de varias proteínas de E. coli implicadas en la replicación, transcripción y síntesis de la pared celular del ácido desoxirribonucleico (ADN).

Curiosamente, varias moléculas de proteína inhibieron enzimáticamente cada compuesto antibacteriano identificado, lo que confirma una promiscuidad extensa. Este fenómeno también permitió realizar evaluaciones comparativas del desempeño del modelo en una escala estadísticamente significativa.

Los investigadores compararon exhaustivamente datos experimentales de interacciones proteína-ligando con predicciones in silico para mostrar que este enfoque de modelado tenía una precisión de predicción de entre el 41% y el 73%, dependiendo del umbral de afinidad de unión utilizado. Independientemente del umbral de afinidad de unión, el área bajo la curva característica operativa del receptor (auROC) en las proteínas esenciales promedió 0,48.

Sorprendentemente, el rendimiento del modelo se mantuvo similar incluso cuando los investigadores utilizaron estructuras proteicas específicas de forma experimental. Suponiendo que un modelo aleatorio corresponde a un auROC de 0,5, estos resultados mostraron que las simulaciones de acoplamiento molecular tuvieron un rendimiento deficiente.

Los autores encontraron una mejora profunda en el rendimiento del modelo medido por auROC, con puntuación RF, puntuación RF-VS y puntuación NN. Por el contrario, el rendimiento del modelo no mejoró cuando se utilizó DOCK6.9 y la nueva puntuación se realizó utilizando la puntuación PLEC. Además, los modelos de consenso que incluían múltiples SF basados ​​en aprendizaje automático mejoraron la tasa de verdaderos positivos y falsos positivos y la precisión de la predicción.

Conclusiones

El estudio actual demostró que el uso de AlphaFold2 para predecir objetivos farmacológicos es un método prometedor, pero aún se encuentra en sus primeras etapas. En consecuencia, aprovechar su potencial para el descubrimiento de fármacos requerirá mejoras significativas en el modelado de las interacciones proteína-ligando. Comparar el rendimiento de las simulaciones de acoplamiento molecular es una de las formas viables de mejorar la precisión de la predicción; sin embargo, requiere el uso complementario de enfoques basados ​​en el aprendizaje automático. En general, los resultados del estudio podrían informar sobre el uso apropiado de AlphaFold2 en la investigación de fármacos.

Referencia:

• Benchmarking von AlphaFold-fähigen molekularen Docking-Vorhersagen für die Entdeckung von Antibiotika, Felix Wong, Aarti Krishnan, Erica J. Zheng, Hannes Stärk, Abigail L. Manson, Ashlee M. Earl, Tommi Jaakkola, James J. Collins. Molekulare Systembiologie. doi: https://doi.org/10.15252/msb.202211081 https://www.embopress.org/doi/full/10.15252/msb.202211081

.