Modelado de farmacóforos para objetivos con extensas bibliotecas de ligandos: un estudio de caso sobre SARS-CoV-2 Mpro
26 de septiembre de 2025
Este artículo presenta un protocolo para construir un modelo de farmacóforo de consenso mediante la integración de características moleculares de múltiples ligandos. Este método es aplicable a los esfuerzos de descubrimiento de fármacos dirigidos a cualquier objetivo biológico con conformaciones conocidas unidas a ligandos, lo que permite la identificación de características de interacción clave para el cribado virtual y el diseño racional de fármacos.
Nuestra investigación explora el modelado de farmacóforos con grandes bibliotecas de ligandos. En este estudio, nos centramos en el SARS-CoV-2 Mpro para identificar patrones estructurales que guían el descubrimiento de fármacos. Los avances recientes en el modelado de farmacóforos utilizan conjuntos de datos más grandes y diversos, que mejoran la precisión en la identificación de alimentadores moleculares clave para el descubrimiento de fármacos.
Las simulaciones dinámicas moleculares y el aprendizaje automático se utilizan actualmente para avanzar en el modelado de farmacóforos y mejorar los resultados del descubrimiento de fármacos. Un desafío clave es administrar conjuntos de datos de ligandos grandes y diversos, al tiempo que se mejora la precisión de la extracción futura y se reducen los costos computacionales. Hemos demostrado que las costosas bibliotecas de ligandos mejoran la precisión futura de los farmacóforos, lo que permite predicciones más confiables y una mejor identificación de posibles candidatos a fármacos.
Para comenzar, inicie el software PyMOL. Alinee todos los complejos de ligandos de proteínas en el software. Para cada complejo alineado, extraiga el conformador de ligando y guárdelo como un archivo separado en formato SDF.
Cargue cada archivo de ligando individualmente para farmearlo, utilizando la opción Cargar entidades. Después de cargar, utilice la opción Guardar sesión para descargar el archivo de farmacróforo en formato JSON. Almacena todos los archivos JSON de farmacóforo descargados juntos en una sola carpeta para usarlos más tarde en el entorno de Google Colab.
Inicie Google Colab en un navegador web y cree un nuevo bloc de notas. Instale Conda y PyMOL, luego ejecute la celda haciendo clic en el icono de reproducción o presionando shift y enter para verificar la ejecución exitosa. Aparecerá una barra verde sobre la celda si se completa correctamente.
Ahora, instale el paquete CANFAR Python e importe los módulos necesarios. Ejecute la celda haciendo clic en el icono de reproducción para confirmar la instalación exitosa. Aparecerá un mensaje de confirmación tras la ejecución exitosa.
A continuación, cree una nueva carpeta para almacenar archivos JSON de farmacóforo. Abra la carpeta, haga clic con el botón derecho dentro de ella y seleccione cargar para cargar los archivos JSON. Para analizar y consolidar las características del farmacóforo, extraiga las características de todos los archivos cargados.
Haga clic en el icono de reproducción para ejecutar la celda y generar un marco de datos consolidado que contenga las características de cada ligando individual. Muestre todos los descriptores de farmacóforos y, a continuación, ejecute la celda para mostrar patrones de agrupación. Ahora, guarde el modelo de farmacróforo en el formato PyMOL.
Ejecute la celda para generar un archivo pse y, a continuación, guarde el modelo como un archivo JSON ejecutando la celda de código correspondiente. Genere salidas agrupadas de entidades y dendogramas utilizando el código proporcionado. Haga clic en reproducir y exporte los datos del farmacóforo de consenso a un archivo CSV ejecutando el comando export.
Utilice el modelo de farmacóforo de consenso generado para el cribado virtual. Se alinearon 100 complejos principales de proteasa o Mpro cocristalizados con diferentes inhibidores no covalentes para visualizar la diversidad de ligandos dentro del bolsillo de unión. Cada ligando se extrajo individualmente de los complejos alineados para generar archivos separados para la detección virtual.
Los ligandos extraídos se cargaron en el servidor farmacéutico y se utilizaron para generar archivos JSON estructurados para el modelado de farmacóforos. Los archivos JSON arrojaron 1.450 características farmacológicas, agrupadas en 110 grupos, incluidos 23 aromáticos, 30 aceptores de enlaces de hidrógeno, 16 donantes de enlaces de hidrógeno, 36 hidrofóbicos y cinco grupos aniónicos. Para construir el modelo de consenso, solo se conservaron los cúmulos más densamente poblados, mientras que los cúmulos aniónicos se excluyeron debido a la insuficiencia de miembros.
El modelo de farmacóforo de consenso final consistió en 11 características, que comprendían tres aromáticas, para aceptores de enlaces de hidrógeno, dos donantes de enlaces de hidrógeno y dos características hidrofóbicas. Después de eliminar la característica aromática menos representativa, aro uno, se identificaron dos compuestos candidatos. Se visualizó la estructura química bidimensional del compuesto 101 267 741 para confirmar su compatibilidad con el modelo de farmacóforo.
El compuesto 101 267 741 encaja profundamente en el bolsillo de unión Mpro, ocupando los bolsillos secundarios S1 y S2 de manera más efectiva que el ligando de referencia 38a, que se extiende hacia el bolsillo S1. El compuesto 101 267 741 formó 11 interacciones intermoleculares, siete enlaces de hidrógeno y cuatro contactos hidrofóbicos.
Descripción general
Este artículo presenta un protocolo para la construcción de un modelo farmacofórico de consenso mediante la integración de características moleculares de múltiples ligandos, centrándose específicamente en la Mpro de SARS-CoV-2. Este método mejora los esfuerzos de descubrimiento de fármacos al identificar características clave de interacción para la selección virtual y el diseño racional de medicamentos.
Componentes Clave del Estudio
Área de la ciencia
- Modelado farmacofórico
- Descubrimiento de fármacos
- Biología estructural
Antecedentes
- La modelización farmacófora utiliza grandes bibliotecas de ligandos para identificar patrones estructurales.
- Los avances en la modelización mejoran la precisión para identificar características moleculares clave.
- Los desafíos incluyen la gestión de conjuntos de datos diversos y la reducción de los costos computacionales.
- Estudios recientes muestran que bibliotecas de ligandos más grandes aumentan la fiabilidad de las predicciones.
Objetivo del estudio
- Desarrollar un modelo de farmacóforo consenso para la Mpro de SARS-CoV-2.
- Mejorar los resultados del descubrimiento de fármacos mediante técnicas de modelado avanzadas.
- Agilizar la extracción y el análisis de las características de farmacóforo.
Métodos Utilizados
- Utilizó PyMOL para alinear complejos proteína-ligando.
- Extrajo conformeros del ligando y los guardó en formato SDF.
- Subió los archivos de ligandos para generar archivos JSON de farmacóforo.
- Empleó Google Colab para el procesamiento de datos y la extracción de características.
Resultados principales
- Generó 1.450 características farmacofóricas agrupadas en 110 cúmulos.
- El modelo de consenso final constó de 11 características, incluyendo interacciones aromáticas y de enlace de hidrógeno.
- Identificó el compuesto 101267741 como un candidato potencial a fármaco.
- Visualizó las interacciones del compuesto dentro del bolsillo de unión de Mpro.
Conclusiones
- El modelo de farmacóforo consenso guía eficazmente la selección virtual.
- La mayor precisión en la modelización de farmacóforos mejora la identificación de candidatos a fármacos.
- Los estudios futuros podrían centrarse en perfeccionar los métodos de extracción y la eficiencia computacional.
Preguntas frecuentes
Relevancia Ejecutiva para la Industria
La modelización de farmacóforos por consenso mediante el uso de bibliotecas extensas de ligandos permite una mayor confianza predictiva en las primeras etapas del descubrimiento de fármacos, especialmente para dianas como la Mpro de SARS-CoV-2. La integración de conformaciones diversas unidas a ligandos reduce el sesgo del modelo y apoya un cribado virtual robusto, impactando directamente en la identificación de compuestos iniciales y en la selección de carteras. Este enfoque agiliza la selección racional de candidatos para dianas con datos estructurales abundantes, mejorando la eficiencia de la I+D empresarial.
Aplicaciones Estratégicas en I+D de Biotecnología Farmacéutica
Descubrimiento Temprano y Validación de Blancos
- Permite la verificación de hipótesis terapéuticas al capturar características conservadas de interacción en diversos ligandos.
- Apoya la validación funcional del blanco al identificar los determinantes moleculares clave del enlace en la región catalítica.
- Mejora la confianza predictiva para la selección de carteras al reducir el sesgo del modelo mediante la integración de características de consenso.
Desarrollo de Pruebas y Tamizaje
- Prepara modelos de farmacóforo validados para la selección virtual escalable de bibliotecas de compuestos ultra grandes.
- Facilita la normalización de ensayos mediante la definición de características cuantitativas de interacción para la evaluación posterior.
- Permite flujos de trabajo de cribado reproducibles y independientes de la plataforma mediante herramientas informáticas de código abierto.
Investigación Traductacional y Preclínica
- Alinea la selección de candidatos con las características del sitio de unión relevantes para la enfermedad, favoreciendo la continuidad traslacional.
- Proporciona una reducción del riesgo mecanicista al mapear las interacciones del ligando con subbolsillos estructurales del objetivo.
- Apoya decisiones de avance ajustadas al riesgo al priorizar compuestos con ajuste óptimo del farmacóforo.
Integración de la tubería y flujo de trabajo
Este protocolo de modelado de farmacóforo por consenso es aplicable desde las primeras etapas del descubrimiento hasta la identificación de compuestos activos, aprovechando la biología estructural y la bioinformática para orientar el cribado virtual y la priorización de candidatos.
- Biología del Descubrimiento: Integra conformaciones ligadas al ligando para aclarar las vías de unión y reducir los riesgos asociados al compromiso del blanco.
- Cribado: Proporciona modelos farmacofóricos cuantitativos y reproducibles para cribado virtual de alto rendimiento.
- Análisis: Ofrece salidas de características agrupadas y descriptores estadísticos para comparar interacciones de ligandos.
- Investigación Traducional: Asegura la alineación del candidato con características del blanco relevantes para la enfermedad, facilitando la progresión preclínica.
- Reutilización Empresarial: Ofrece un flujo de trabajo escalable y de código abierto adaptable a cualquier blanco con datos suficientes de ligandos.
Impacto Operativo y Empresarial
- Valor científico: Aumenta la confianza predictiva y reduce la ambigüedad mecanicista en las interacciones entre blanco y ligando.
- Valor operativo: Estandariza la modelización farmacofórica y permite cribados reproducibles y escalables.
- Valor estratégico: Apoya decisiones informadas de avance o interrupción del proyecto y la priorización eficiente de compuestos líderes respecto al capital.
- Impacto en la cartera: Facilita el avance ajustado al riesgo y la reutilización de modelos entre diferentes proyectos.
Consideraciones de Implementación
- Requiere experiencia en biología estructural, quimioinformática y modelado de farmacóforos.
- Depende del acceso a herramientas de visualización molecular (por ejemplo, PyMOL) e infraestructura computacional (por ejemplo, Google Colab).
- Necesita protocolos estandarizados de preparación de ligandos y extracción de características entre los equipos.
- Adaptable a diversos blancos con estructuras disponibles que incluyan ligandos, pero limitado por la calidad y diversidad del conjunto de datos.
- El costo computacional y los umbrales de agrupamiento de características deben gestionarse para bibliotecas de ligandos ultra grandes.
