Modelagem de Farmacophore para Alvos com Extensas Bibliotecas de Ligantes: Um Estudo de Caso sobre SARS-CoV-2 Mpro

Resumo

Este artigo apresenta um protocolo para a construção de um modelo de farmacoforo de consenso integrando características moleculares de vários ligantes. Este método é aplicável aos esforços de descoberta de medicamentos direcionados a qualquer alvo biológico com conformações conhecidas de ligação ao ligante, permitindo a identificação dos principais recursos de interação para triagem virtual e design racional de medicamentos.

Resumo

Um farmacophore define o arranjo espacial das características moleculares necessárias para interações ideais entre um composto e seu alvo biológico. Esses modelos podem ser derivados analisando as interações intermoleculares entre um alvo e um conjunto de ligantes conhecidos em suas conformações de ligação. Um farmacoforo de consenso integra características comuns de vários ligantes, reduzindo o viés do modelo e aumentando o poder preditivo. No entanto, gerar um farmacoforo de consenso robusto a partir de um conjunto de ligantes grande e quimicamente diverso apresenta desafios técnicos.

Aqui, apresentamos um protocolo para a construção de farmacoforos de consenso usando ConPhar, uma ferramenta de informática de código aberto projetada para identificar e agrupar características farmacofóricas em vários complexos ligados a ligantes. O protocolo inclui geração, refinamento e aplicação de modelos para a triagem virtual de bibliotecas moleculares ultragrandes. Como estudo de caso, aplicamos o método à protease principal do SARS-CoV-2 (Mpro), utilizando cem inibidores não covalentes cocristalizados com o alvo. O modelo farmacoforal resultante capturou as principais características de interação na região catalítica de Mpro e permitiu a identificação de novos ligantes potenciais.

Essa estratégia é amplamente aplicável a qualquer alvo biológico para o qual as conformações ligadas ao ligante estejam disponíveis. É particularmente valioso para alvos com extensos conjuntos de dados de ligantes e oferece suporte à descoberta racional de medicamentos, simplificando a identificação de novos candidatos com perfis de interação desejados.

Introdução

A modelagem de farmacoforos é uma técnica fundamental no design de medicamentos auxiliados por computador, permitindo a identificação de características moleculares essenciais responsáveis pela atividade biológica ^1,2. Um farmacophore define o arranjo espacial de características, como doadores de ligações de hidrogênio, aceptores, anéis aromáticos e regiões hidrofóbicas, necessárias para a interação molecular entre um ligante e um alvo biológico³. Quando vários complexos ligante-alvo estão disponíveis, seja de cristalografia experimental ou modelagem molecular, os padrões de interação compartilhados podem ser integrados em modelos de farmacoforos de consenso, aumentando a robustez do modelo e aumentando a precisão da triagem virtual ^4,5.

Apesar da utilidade dos farmacoforos de consenso, sua geração permanece tecnicamente desafiadora, especialmente quando os ligantes são estruturalmente diversos. Várias ferramentas de software estão disponíveis para gerar farmacoforos a partir de ligantes individuais, mas há uma falta de procedimentos padronizados para integrar vários conjuntos de recursos em um modelo coerente ^6,7. Além disso, poucas plataformas oferecem fluxos de trabalho de ponta a ponta que suportam clustering, filtragem e exportação de recursos em formatos compatíveis com ferramentas de triagem e visualização⁸. Essas limitações restringiram a ampla adoção de farmacoforos de consenso em esforços de descoberta de medicamentos em larga escala.

Para resolver essa lacuna, o ConPhar foi desenvolvido como uma nova ferramenta de código aberto projetada especificamente para a extração sistemática, agrupamento e modelagem de consenso de características farmacofóricas de extensos conjuntos de complexos ligante-alvo pré-alinhados. Ao contrário do software existente, o ConPhar oferece ajuste flexível de parâmetros, integração automatizada de recursos e compatibilidade com vários formatos de saída, facilitando a geração de modelos de consenso robustos adequados para pipelines de triagem virtual. Essa ferramenta supera gargalos anteriores no manuseio de bibliotecas de ligantes grandes e quimicamente diversas, aprimorando a reprodutibilidade e a escalabilidade nos fluxos de trabalho de modelagem de farmacoforos.

Para demonstrar essa abordagem, apresentamos um protocolo reprodutível para a construção de modelos de farmacoforos de consenso a partir de coleções de complexos ligante-alvo. O fluxo de trabalho integra ferramentas de código aberto para extração de recursos de farmacoforos, agrupamento, visualização e aplicativos downstream. Como estudo de caso, aplicamos o protocolo à protease principal do SARS-CoV-2 (Mpro), um alvo terapêutico crítico com extensos dados estruturais⁹. Selecionamos um conjunto de dados de 100 ligantes não covalentes cocristalizados com Mpro (entradas PDB em 27 de maio de 2025), excluindo formas apo e complexos redundantes. Características farmacofóricas individuais foram extraídas e mescladas em um modelo de consenso usando o ConPhar, uma ferramenta projetada especificamente para agrupamento de características¹⁰. Este caso ilustra a capacidade do protocolo de revelar padrões de interação conservados e apoiar a triagem racional de bibliotecas ultragrandes.

Protocolo

1. Método 1

1. Preparar ligantes para geração de farmacoforos de consenso
   1. Alinhe todos os complexos proteína-ligante usando o software PyMOL¹¹.
   2. Extraia cada formador de ligante alinhado e salve-o como um arquivo separado no formato SDF.
      NOTA: Outros formatos, como MOL, MOL2 e PDB, também podem ser usados para o protocolo descrito aqui.
2. Gere arquivos JSON de farmacoforo usando o Pharmit¹²
   1. Carregue cada arquivo ligante individualmente para o Pharmit usando a opção Carregar recursos (consulte a Tabela de materiais para obter um link para o Pharmit).
   2. Use a opção Salvar sessão para baixar o arquivo JSON do farmacoforo correspondente.
3. Organize os arquivos JSON para uso no ConPhar
   1. Armazene todos os arquivos JSON baixados em uma única pasta. Esses arquivos serão enviados para o ambiente do Google Colab no próximo método.

2. Método 2

1. Configurar o ambiente do Google Colab
   1. Inicie um novo bloco de anotações do Google Colab: abra o Google Colab no navegador da Web, crie um novo bloco de anotações e ajuste as configurações para usar uma versão anterior selecionando Tempo de execução → Alterar o tempo de execução → versão de tempo de execução 2025.07.
   2. Instale o Conda e o PyMOL. O código necessário para instalar o Conda e o PyMOL no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      # Instale o CondaColab: Habilita o suporte ao ambiente Conda no Google Colab
      do IPython.utils import io
      importar tqdm.notebook
      Importar OS
      total = 100
      com tqdm.notebook.tqdm(total=total) como pbar:
      com io.capture_output() conforme capturado:
      # Instale o CondaColab
      !pip install -q condacolab
      Importar Condacolab
      condacolab.install()
      pbar.update(10)
      # Atualize o caminho do Python para localizar os pacotes instalados
      importar sys
      sys.path.append('/usr/local/lib/python3.7/site-packages/')
      pbar.update(20)
      # Instale o pacote PyMOL usando mamba do canal Schrödinger
      %shell mamba install -c schrodinger pymol-bundle --sim
      pbar.update(90)
   3. Verificar a execução bem-sucedida: Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter. Uma barra verde horizontal aparecerá acima da célula após a execução bem-sucedida (consulte a Figura 1).
2. Instale o pacote ConPhar Python e importe os módulos necessários
   1. Instale e importe o ConPhar. O código necessário para instalar o pacote ConPhar e importar os módulos necessários no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      # Instale o pacote de análise de farmacoforo ConPhar
      importar pymol
      !pip instalar conphar
      De Conphar. Farmacoforos importam parse_json_pharmacophore, show_pharmacophoric_descriptors, save_pharmacophore_to_pymol, save_pharmacophore_to_json, compute_concensus_pharmacophore
      Importar OS
      importar pandas como pd
      NOTA: A instrução import de conphar. Os farmacoforos são divididos em várias linhas para maior clareza, mas devem ser inseridos como uma única linha contínua. A ferramenta ConPhar (https://github.com/AngelRuizMoreno/ConcensusPharmacophore) está em desenvolvimento ativo. O protocolo atual usa uma versão estável (0.1.2), que foi validada para o procedimento descrito. Os usuários são incentivados a usar esta versão para garantir a reprodutibilidade.
   2. Confirme a instalação bem-sucedida: Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter. Uma mensagem de confirmação aparecerá após a instalação e importação bem-sucedidas das ferramentas ConPhar (consulte a Figura 2).
3. Carregar modelos individuais do Pharmacophore a partir de arquivos JSON
   1. Crie uma pasta para arquivos JSON do farmacoforo. O código necessário para criar uma pasta para armazenar os arquivos de entrada do farmacophore no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      # Crie uma pasta para armazenar arquivos JSON de entrada
      os.makedirs("JSON_FOLDER", exist_ok=Verdadeiro)
      NOTA: Este comando cria a pasta automaticamente se ela ainda não existir.
   2. Carregar arquivos JSON para a pasta: Clique no ícone de pasta no painel esquerdo do Colab, abra a pasta recém-criada e clique com o botão direito do mouse para selecionar Upload. Adicione os arquivos JSON necessários (consulte a Figura 3).
      NOTA: Certifique-se de que os arquivos sigam o formato esperado gerado pelo Pharmit.
4. Analise e consolide recursos farmacofóricos
   1. Extraia recursos farmacofóricos dos arquivos carregados. O código necessário para analisar os arquivos JSON enviados, extrair recursos farmacofóricos e armazená-los em um único DataFrame no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de suporte 1.
      p4_table = PD. DataFrame()
      para arquivo em os.listdir('/content/JSON_FOLDER'):
      se '.json' no arquivo:
      tentar:
      p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}")
      p4['ligante']=arquivo.replace('.json','')
      p4_table=pd.concat([p4_table,p4],ignore_index=Verdadeiro)
      exceto exceção:
      passar
      p4_table
   2. Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter para gerar o DataFrame consolidado (consulte a Figura 4). O DataFrame consolidado resultante compila todas as características farmacofóricas extraídas de ligantes individuais em uma tabela unificada, facilitando o agrupamento downstream e a análise estatística.
      NOTA: O script inclui tratamento básico de exceções para ignorar arquivos JSON malformados durante o processamento para evitar a interrupção do fluxo de trabalho. Dado o grande número de arquivos, verificar cada um com antecedência é impraticável; Em vez disso, o script pode ser modificado para imprimir o nome de qualquer arquivo que não seja carregado, para que o usuário possa inspecioná-lo e corrigi-lo individualmente.
5. Gere e salve o consenso Farmacophore
   1. Exibir todos os descritores farmacofóricos. O código necessário para visualizar os descritores farmacofóricos extraídos dos arquivos de entrada no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      show_pharmacophoric_descriptors(p4_table)
   2. Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter para visualizar o agrupamento de recursos farmacofóricos (consulte a Figura 5). As saídas agrupadas em recursos agrupam características farmacofóricas semelhantes em vários ligantes com base em suas posições espaciais, permitindo a identificação de padrões de interação conservados.
   3. Salve o modelo de farmacoforo no formato PyMOL. O código necessário para gerar e salvar o modelo de farmacoforo de consenso no formato compatível com PyMOL no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')
   4. Execute a célula para produzir o arquivo .pse correspondente (consulte a Figura 6).
   5. Salve o modelo de farmacoforo no formato JSON. O código necessário para gerar e salvar o modelo de farmacoforo de consenso no formato compatível com Pharmit no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      ​save_pharmacophore_to_json(p4_table,out_file=
      'ConPhar_pharmit.json')
   6. Execute a célula para produzir o arquivo .json correspondente (consulte a Figura 6).
   7. Gere saídas e dendrogramas agrupados em recursos. O código necessário para gerar arquivos de farmacoforo de consenso agrupados por tipo de recurso, incluindo formatos compatíveis com PyMOL e Pharmit, e visualizações de dendrograma no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      consenso, links = compute_concensus_pharmacophore
      (p4_table,save_data_per_descriptor=Verdadeiro,out_folder='/conteúdo')
   8. Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter (consulte a Figura 7). Os resultados exibem visualizações de dendrogramas, que na forma de uma árvore representam as relações hierárquicas entre as características farmacofóricas agrupadas, ajudando os usuários a interpretar o grau de semelhança e proximidade espacial entre os clusters.
      NOTA: Esta etapa salva vários arquivos de saída e figuras na pasta especificada.
   9. Exporte os resultados do farmacoforo de consenso para um arquivo CSV. O código necessário para salvar a tabela final do farmacoforo de consenso no formato CSV no Google Colab é fornecido aqui em itálico para referência, e o script executável completo também está disponível no Arquivo de Suporte 1.
      concensus.to_csv('consensus_result.csv', índice=Falso)
   10. Execute a célula clicando no ícone de reprodução ou pressionando Shift + Enter para exportar os dados do farmacoforo de consenso para um arquivo CSV chamado consensus_result.csv para análise posterior (consulte a Figura 8).
       NOTA: O arquivo CSV facilita aplicativos downstream, como análise estatística ou visualização em software de planilha.
6. Use o Pharmacophore de consenso para triagem virtual
   1. Exporte o farmacoforo de consenso no formato JSON. Certifique-se de que o arquivo inclua coordenadas espaciais para todas as feições. Este formato é diretamente compatível com ferramentas de triagem baseadas na web, como o Pharmit¹². Para realizar uma triagem virtual, carregue o arquivo JSON do farmacoforo para o servidor Pharmit por meio da opção Carregar recursos . O servidor permite o refinamento do modelo modificando, adicionando ou removendo recursos, bem como a triagem em grandes bibliotecas compostas, como PubChem¹³ou ZINC¹⁴.
      NOTA: Todos os scripts necessários para reproduzir as análises descritas neste estudo são fornecidos no Arquivo de Suporte 1 e também podem ser acessados interativamente por meio https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing. Os leitores são encorajados a criar uma cópia pessoal do caderno Colab para executar e modificar as análises sem alterar o script original.

Figura 1: Captura de tela do primeiro bloco de código usado para configurar o ambiente do Google Colab instalando o CondaColab. Uma barra de progresso azul horizontal aparece acima da célula durante a execução e fica verde após a conclusão bem-sucedida. Clique aqui para ver uma versão maior desta figura.

Figura 2: Captura de tela do segundo bloco de código usado para instalar o pacote ConPhar no Google Colab. Clique aqui para ver uma versão maior desta figura.

Figura 3: Captura de tela mostrando os arquivos JSON do farmacophore carregados com sucesso na pasta designada no Google Colab. Clique aqui para ver uma versão maior desta figura.

Figura 4: Captura de tela mostrando o código usado para extrair recursos farmacofóricos dos arquivos JSON e consolidá-los em um único DataFrame. Clique aqui para ver uma versão maior desta figura.

Figura 5: Visualização do agrupamento de características farmacofóricas geradas durante a construção do modelo de farmacoforo de consenso. Clique aqui para ver uma versão maior desta figura.

Figura 6: Captura de tela mostrando a geração bem-sucedida dos arquivos de farmacoforo de consenso em formatos compatíveis com PyMOL e Pharmit. Clique aqui para ver uma versão maior desta figura.

Figura 7: Captura de tela mostrando a geração de arquivos de farmacoforo de consenso agrupados por tipo de recurso, incluindo saídas para visualizações de PyMOL, Pharmit e dendrograma. Clique aqui para ver uma versão maior desta figura.

Figura 8: Captura de tela mostrando a exportação bem-sucedida dos dados do farmacoforo de consenso para o arquivo consensus_result.csv. Clique aqui para ver uma versão maior desta figura.

Resultados

Cem complexos de Mpro cocristalizados com diferentes inibidores não covalentes foram alinhados, como exemplificado na Figura 9A. Cada ligante foi então extraído como um arquivo individual (Figura 9B) e posteriormente carregado no servidor Pharmit. A sessão foi salva para gerar um arquivo JSON correspondente (consulte a Figura 9C).

Figura 9: Preparação de ligantes para modelagem de farmacoforos de consenso. (A) Alinhamento estrutural de três complexos Mpro representativos co-cristalizados com inibidores não covalentes. (B) Sobreposição dos 100 ligantes incluídos neste estudo. (C) Upload de cada ligante para o servidor Pharmit usando a opção "Carregar recursos", seguido pela geração do arquivo JSON por meio da opção "Salvar sessão". Ambas as opções são indicadas com setas vermelhas. Clique aqui para ver uma versão maior desta figura.

O conjunto completo de arquivos JSON foi usado para gerar o modelo de farmacoforo de consenso, que compreendia 1450 características farmacofóricas agrupadas em 110 clusters: 23 aromáticos (Aro), 30 aceptores de ligações de hidrogênio (HBA), 16 doadores de ligações de hidrogênio (HBD), 36 clusters hidrofóbicos (Hyd) e 5 carregados negativamente (ânion) (Figura 10A, Tabela Suplementar 1). Identificamos os clusters maiores para cada recurso para sua incorporação ao modelo de consenso. Entre os clusters Aro, selecionamos aqueles com mais de 20 elementos. Dos grupos HBA, HBD e Hyd, retivemos clusters com pelo menos 50 elementos. Nenhum dos clusters de ânions tinha mais de 4 membros, portanto, foram excluídos do modelo de consenso (Figura 10B). Esses limites numéricos (>20 membros para Aro; ≥50 para HBA, HBD e Hyd) foram definidos empiricamente com base na distribuição dos tamanhos dos clusters para priorizar os padrões de interação mais conservados e densamente povoados.

Figura 10: Agrupamento de características farmacofóricas de 100 complexos de ligantes Mpro.(A) Distribuição de 1450 características farmacofóricas: aromático (Aro) em roxo, aceptor de ligação de hidrogênio (HBA) em laranja, doador de ligação de hidrogênio (HBD) em branco, hidrofóbico (Hyd) em verde e carregado negativamente (ânion) em vermelho. (B) Clusters contendo ≥10 membros são mostrados para Aro, HBA, HBD e Hyd; todos os clusters de Ânions são exibidos. Os maiores clusters - definidos como aqueles com ≥20 membros para Aro e ≥50 membros para HBA, HBD e Hyd e ≥4 membros para Anion - são destacados com esferas pontilhadas. O número de membros em cada um dos maiores clusters é explicitamente indicado. Clique aqui para ver uma versão maior desta figura.

Assim, nosso modelo de farmacoforo de consenso incluiu 11 características: 3 características aromáticas (Aro), Aro 1, 2 e 3, derivadas de clusters com 20, 24 e 45 membros, respectivamente; 4 aceptores de ligações de hidrogênio (HBA), HBA 1, 2, 3 e 4, de clusters com 51, 55, 77 e 81 membros, respectivamente; 2 doadores de ligações de hidrogênio (HBD) de clusters com 51 e 71 membros, respectivamente; e 2 características hidrofóbicas (Hyd) de clusters com 50 e 52 membros, respectivamente (ver Figura 11A).

O modelo de farmacoforo foi usado para pesquisar o banco de dados PubChem usando a estratégia relatada anteriormente¹⁰, mas nenhuma correspondência foi encontrada. Para aumentar a flexibilidade da pesquisa, a característica aromática Aro 1 - derivada do menor e menos representativo cluster - foi removida. Esse ajuste levou à identificação de dois acertos, incluindo um conformador do composto com CIDs PubChem 101267741 e 10285538 (ver Figura 11B). A estrutura química 2D do composto 101267741 é mostrada na Figura 11C. Curiosamente, este composto identificado se encaixa bem no bolso de ligação do Mpro. Uma análise comparativa com o ligante cocristalizado 38a¹⁵ (PDB ID: 9HAJ) mostra que o conformador de correspondência farmacoforal de 101267741 está enterrado ainda mais fundo do que 38a dentro dos subbolsos S1 e S2 de Mpro. No entanto, 38a ocupa uma região mais ampla da bolsa, principalmente devido à sua cadeia lateral de etila carboxamida, que se estende em direção à bolsa S1 ′. No entanto, as principais interações intermoleculares de 38a envolvem outras metades em vez dessa cadeia lateral. Em contraste, o composto 101267741 forma 11 interações intermoleculares, incluindo sete ligações de hidrogênio e quatro contatos hidrofóbicos. Comparado com as três ligações de hidrogênio e duas interações hidrofóbicas formadas por 38a, o modo de ligação do composto 101 parece mais forte (Figura 11D).

Figura 11: Pesquisa de farmacoforos no banco de dados PubChem. (A) O modelo completo de farmacoforo de consenso contém 11 características: 3 aromáticas (roxas), 4 aceptores de ligações de hidrogênio (laranja), 2 doadores de ligações de hidrogênio (branco) e 2 hidrofóbicos (verde). (B) O conformador do composto PubChem 101267741 alinhado com o modelo de farmacoforo reduzido após a remoção do recurso Aro 1, e (C) Estrutura química bidimensional do composto identificada. (D) Análise comparativa dos modos de ligação do composto 38a (magenta; do PDB ID: 9HAJ) e do composto PubChem CID 101267741 (verde) ao bolso catalítico SARS-CoV-2 Mpro. As interações intermoleculares correspondentes para cada composto são mostradas à direita. As ligações de hidrogênio e as interações hidrofóbicas são mostradas como linhas tracejadas em azul e cinza, respectivamente. Clique aqui para ver uma versão maior desta figura.

Arquivo de suporte 1: Script de fluxo de trabalho do Pharmacophore. Clique aqui para baixar este arquivo.

Tabela de suporte 1: Resumo de agrupamento de características farmacofóricas. Número de Clusters, Membros por Cluster, Coordenadas do Centroide e Raios do Cluster Clique aqui para baixar este Arquivo.

Discussão

A modelagem de farmacoforos auxilia na descoberta racional de medicamentos¹⁶. O protocolo descrito em detalhes aqui foi empregado para a geração de um farmacoforo de consenso para a protease principal do SARS-CoV-2 (Mpro) a partir de dezenas de inibidores não covalentes, mas pode ser aplicado a qualquer alvo biológico com conformações conhecidas de ligação ao ligante, especialmente aqueles com extensos conjuntos de dados de ligantes. Em comparação com modelos farmacoforos individuais ou puramente baseados em ligantes, essa abordagem de consenso aumenta a robustez e reduz o viés integrando várias conformações de ligantes. O modelo de farmacoforo de consenso gerado por este protocolo pode ser aplicado a diversas bibliotecas moleculares, incluindo bancos de dados públicos como ChEMBL¹⁷e ZINC¹⁴, coleções comerciais e bibliotecas de compostos internas proprietárias. Essa versatilidade permite a exploração de espaços químicos amplos e diversos em campanhas virtuais de triagem, aumentando assim a probabilidade de identificar novos compostos bioativos. Assim, este fluxo de trabalho suporta a identificação de novos compostos bioativos com os perfis de interação desejados.

Uma etapa crítica neste protocolo envolve a preparação e o alinhamento precisos dos complexos ligante-alvo. O pré-alinhamento preciso de ligantes em suas conformações bioativas é essencial para garantir uma integração significativa e confiável de recursos, pois o desalinhamento pode enfraquecer o poder preditivo do modelo¹⁰. Para obter o alinhamento ideal, recomendamos realizar a superposição estrutural usando resíduos conservados do local de ligação a proteínas ou átomos de espinha dorsal. Para conjuntos de dados com diversos ligantes, o alinhamento dos principais pontos de interação ou recursos farmacofóricos aumenta a consistência em todo o conjunto. Além disso, a inspeção manual cuidadosa e a correção de conformações de ligantes discrepantes são aconselhadas para evitar artefatos que possam diminuir a precisão do modelo. Além disso, a natureza de código aberto do ConPhar facilita a integração em outros fluxos de trabalho computacionais, bem como ajustes avançados nos parâmetros de agrupamento. Usuários experientes podem modificar os parâmetros de agrupamento de recursos farmacofóricos para obter um equilíbrio entre a generalidade e a especificidade do modelo. Essas modificações podem ser direcionadas pelo tamanho do conjunto de dados do ligante, diversidade química ou complexidade do alvo. Por exemplo, ao lidar com ligantes altamente diversos, o agrupamento passo a passo ou a análise de subgrupos podem capturar melhor as características relevantes¹⁸.

A ferramenta ConPhar está atualmente em desenvolvimento ativo. Isso oferece flexibilidade significativa para usuários que desejam adaptar a ferramenta a necessidades específicas de pesquisa, incluindo integração com pipelines de software complementares. No entanto, como o software ainda pode sofrer alterações, os usuários são incentivados a monitorar as atualizações oficiais e consultar a documentação específica da versão. Relatar os problemas encontrados contribuirá para sua melhoria contínua e validação mais ampla da comunidade. Nosso protocolo construirá modelos com padrões de interação abrangentes e, portanto, eles podem ser empregados na triagem virtual de grandes bibliotecas. Em nossos resultados representativos, empregamos o farmacoforo obtido na identificação de dois novos ligantes potenciais para a região catalítica de Mpro. Em última análise, esse método de farmacoforo de consenso agiliza a identificação de ocorrências e acelera a otimização de leads.

No entanto, identificamos as seguintes limitações do protocolo: i) dependência de estruturas ligadas a ligantes de alta qualidade, uma vez que dados de baixa resolução podem reduzir a precisão do modelo; ii) o risco de negligenciar interações únicas e importantes cruciais para ligantes específicos, uma vez que o farmacoforo de consenso enfatiza características compartilhadas; e iii) a reprodutibilidade pode ser afetada por diferentes definições de recursos em diferentes ferramentas de software¹⁹. No entanto, essas limitações podem ser superadas refinando a estrutura de um sistema proteína-ligante por meio de simulações de dinâmica molecular²⁰, retenção de cluster com base no conhecimento do usuário e uso consistente de software para identificação de características farmacofóricas.

Embora o modelo de farmacoforo de consenso neste protocolo não tenha sido validado usando métricas binárias clássicas, sua capacidade preditiva foi demonstrada em um estudo anterior¹⁰. Nesse trabalho, um conjunto de testes independentes de 78 ligantes quimicamente diversos foi usado para validar um farmacoforo de consenso gerado com a mesma metodologia. O conjunto de validação incluiu ligantes com similaridade de Tanimoto de ≤0,5, massas moleculares entre 200 e 700 g/mol, ligações rotativas ≤17 e pelo menos três características farmacofóricas. O modelo identificou com sucesso ativos conhecidos, apoiando sua aplicabilidade em fluxos de trabalho de triagem virtual e sua robustez em candidatos quimicamente diversos.

O protocolo aqui relatado permite a construção de modelos de farmacoforos que capturam padrões de interação abrangentes característicos do alvo. Isso é particularmente valioso para alvos com dados extensos de ligantes, como proteases virais, quinases e receptores nucleares²¹. Os modelos gerados são adequados para triagem virtual de grandes bibliotecas de compostos, facilitando a identificação de novos candidatos bioativos. Ao destacar recursos conservados e funcionalmente relevantes, a abordagem de farmacoforo de consenso suporta tanto a descoberta de ocorrências em estágio inicial quanto a subsequente otimização de leads.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Google Colab	Google LLC	https://colab.google	Plataforma baseada na Web para execução de notebooks Python; usado aqui para executar scripts ConPhar e PyMOL para modelagem de farmacoforos de consenso.
Pharmit	Koes Lab na Universidade de Pittsburgh	https://pharmit.csb.pitt.edu/search.html	Plataforma web para triagem virtual de farmacoforos interativos e exploração do espaço químico, permitindo o upload de arquivos de ligantes e geração de recursos de farmacoforos
PyMOL	Schrö dinger, Inc.	https://www.pymol.org	Software de visualização molecular e alinhamento estrutural usado para proteínas– Superposição e análise de complexos de ligantes
Arquivo de suporte 1 Script de fluxo de trabalho do Farmacophore	Google LLC	https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing	Script executável completo para instalar o Conda, PyMOL e executar o fluxo de trabalho do farmacophore no Google Colab. Também fornecido como Arquivo de Suporte 1.