O uso de simulações de acoplamento molecular habilitadas para AlphaFold2 para prever interações proteína-ligante para descoberta de antibióticos

O uso de simulações de acoplamento molecular habilitadas para AlphaFold2 para prever interações proteína-ligante para descoberta de antibióticos

Em um estudo recentemente publicado em Biologia de sistemas moleculares os pesquisadores mostraram que são necessários avanços na modelagem de interações proteína-ligante usando abordagens baseadas em aprendizado de máquina para melhor utilizar o AlphaFold2 na descoberta de antibióticos.

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

fundo

Um grande desafio na descoberta de medicamentos é a identificação de interações entre medicamentos e alvos. Os pesquisadores desenvolveram várias abordagens para resolver esse problema, incluindo ensaios bioquímicos, interações genéticas e acoplamento molecular. No entanto, apenas o acoplamento molecular provou ser útil para identificar interações proteína-ligante e o(s) mecanismo(s) de ação de um medicamento.

Embora versátil, o docking requer conhecimento prévio das estruturas das proteínas. O número e a qualidade das estruturas proteicas alvo limitam ainda mais a sua aplicação na identificação de alvos de medicamentos.

Sobre estudar

No presente estudo, os pesquisadores utilizaram o banco de dados de previsão da estrutura da proteína AlphaFold2, lançado recentemente, para permitir abordagens de acoplamento reverso que abrangem o proteoma essencial de Escherichia coli (E. coli) e permitir a previsão abrangente de alvos de ligação a antibióticos. Esses experimentos podem ajudar a avaliar o desempenho da plataforma de modelagem e revelar a precisão da previsão das simulações de acoplamento molecular habilitadas para AlphaFold2.

As interações proteína-ligante previstas entre antibióticos e proteínas essenciais poderiam ser parcialmente interrogadas experimentalmente usando ensaios bioquímicos que medem a atividade enzimática, com interações de ligação apoiadas pela inibição enzimática.

Os pesquisadores conduziram triagens de alto rendimento de 39.128 compostos inibidores do crescimento contra E. coli de tipo selvagem. Esses compostos eram produtos naturais, antibióticos e moléculas estruturalmente diversas com pesos moleculares entre 40 Daltons (Da) e 4.200 Da. Todos os compostos que inibiram o crescimento relativo em 80% foram considerados ativos, e cada composto ativo foi acoplado computacionalmente a 296 proteomas essenciais de E. coli previstos pelo AlphaFold2.

Como controlo, um subconjunto dos compostos inactivos foi acoplado da mesma maneira. Os pesquisadores usaram o AutoDock Vina, um programa de acoplamento de código aberto amplamente utilizado com benchmarking, para encaixar todos os 218 compostos contra os 296 proteomas essenciais previstos pelo AlphaFold2. Essas simulações previram interações proteína-ligante específicas e generalizadas e promiscuidade proteica. Finalmente, os pesquisadores avaliaram as previsões usando quatro funções de pontuação (SFs) baseadas em aprendizado de máquina, ou seja, pontuação de RF, pontuação de RF-VS, pontuação de conectividade estendida de proteína-ligana (PLEC) e pontuação de rede neural (NN).

Resultados do estudo

E-book de Genética e Genômica

Compilação das principais entrevistas, artigos e notícias do ano passado.

Baixe uma cópia hoje

Um total de 218 compostos antibacterianos foram ativos contra E. coli, e aproximadamente 80% eram antibióticos das classes estruturais β-lactâmicos, aminoglicosídeos, tetraciclinas, quinolonas e policetídeos. Os demais princípios ativos consistiam em toxinas e compostos antineoplásicos. O estudo também identificou um conjunto adicional de compostos cujas propriedades antibacterianas contra E. coli não foram documentadas anteriormente.

Da mesma forma, a análise do estudo previu a posição de ligação e a afinidade de ligação de 64.528 pares proteína-ligante. Outros 100 compostos inativos selecionados aleatoriamente levaram a previsões de pose de ligação e afinidade para 29.600 pares proteína-ligante por meio de simulações de acoplamento analógico. Além disso, os pesquisadores mediram a atividade enzimática de várias proteínas de E. coli envolvidas na replicação, transcrição e síntese da parede celular do ácido desoxirribonucléico (DNA).

Curiosamente, várias moléculas de proteína inibiram enzimaticamente cada composto antibacteriano identificado, confirmando extensa promiscuidade. Este fenómeno também permitiu a avaliação comparativa do desempenho do modelo numa escala estatisticamente significativa.

Os pesquisadores compararam extensivamente dados experimentais de interações proteína-ligante com previsões in silico para mostrar que esta abordagem de modelagem tinha uma precisão de previsão entre 41% e 73%, dependendo do limite de afinidade de ligação utilizado. Independentemente do limiar de afinidade de ligação, a área sob a curva característica de operação do receptor (auROC) através das proteínas essenciais foi em média de 0,48.

Notavelmente, o desempenho do modelo permaneceu semelhante mesmo quando os pesquisadores usaram experimentalmente estruturas proteicas específicas. Assumindo que um modelo aleatório corresponde a um auROC de 0,5, estes resultados mostraram que as simulações de acoplamento molecular tiveram um desempenho ruim.

Os autores encontraram uma melhoria profunda no desempenho do modelo medido pelo auROC, com pontuação RF, pontuação RF-VS e pontuação NN. Por outro lado, o desempenho do modelo não melhorou quando o DOCK6.9 foi utilizado e a nova pontuação foi realizada usando a pontuação PLEC. Além disso, os modelos de consenso que incluíam vários SFs baseados em aprendizado de máquina melhoraram a taxa de verdadeiros positivos para a taxa de falsos positivos e a precisão da previsão.

Conclusões

O presente estudo demonstrou que o uso do AlphaFold2 para prever alvos de medicamentos é um método promissor, mas ainda está em seus estágios iniciais. Conseqüentemente, a realização de seu potencial para descoberta de medicamentos exigirá melhorias significativas na modelagem de interações proteína-ligante. Comparar o desempenho de simulações de acoplamento molecular é uma das formas viáveis ​​de melhorar a precisão da previsão; no entanto, requer o uso concomitante de abordagens baseadas em aprendizado de máquina. No geral, os resultados do estudo podem informar o uso apropriado do AlphaFold2 na pesquisa de medicamentos.

Referência:

• 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

.