El aumento de la incidencia global del cáncer enfatiza el papel vital de los algoritmos de aprendizaje automático y la inteligencia artificial (IA) en la identificación de nuevos objetivos anticancerígenos y el desarrollo de nuevos medicamentos. Los enfoques computacionales pueden acelerar significativamente la investigación sobre trastornos complejos, permitiendo el descubrimiento de tratamientos efectivos.
Este estudio explora los objetivos anticancerígenos mediante la evaluación del potencial de compuestos naturales derivados de diversas plantas para curar el cáncer colorrectal. Veinte compuestos fueron obtenidos de PubChem, y la estructura del proteína RPS20 se obtuvo de AlphaFold, y se añadió la mutación "V50S". La validación de la proteína RPS20 mutada se realizó utilizando el gráfico Ramachandran y ERRAT. Los sitios de unión en la proteína RPS20 mutada fueron identificados con DeepSite, seguido de una pantalla virtual para determinar el candidato más prometedor de fármaco natural líder.
Indirubin emergió como el candidato líder del fármaco, cumpliendo todos los criterios ADMET y mostrando una buena afinidad de unión. El desarrollo posterior incluyó la creación de un fármaco basado en IA utilizando el servidor WADDAICA, que se validó mediante acoplamiento molecular (MD), simulación dinámica molecular (SDM) y MMGBSA. Las propiedades electrónicas del indirubin fueron estudiadas usando cálculos DFT.
Los resultados muestran un intervalo HOMO-LUMO moderado, indicando su potencial reactividad y la posible capacidad para interacciones con objetivos biológicos.
Estos hallazgos indican que el indirubin podría servir como inhibidor potente y efectivo del cáncer, ofreciendo una alta eficacia con mínimos efectos secundarios.
El cáncer se produce cuando las células individuales proliferan de forma descontrolada e invaden otras regiones del cuerpo. El término “cáncer” se refiere a una amplia categoría de enfermedades que pueden afectar a cualquier tejido, órgano o sistema de órganos del cuerpo[1]. El 20% de los casos de cáncer colorrectal diagnosticados recientemente presentaban enfermedad metastásica en el momento del diagnóstico, y otro 25% de los pacientes con enfermedad localizada en el momento del diagnóstico desarrollarán metástasis[2]. En 2014, se estimó que el cáncer colorrectal (CCR) fue la causa del 8% de los nuevos casos de cáncer y del 8-9% de todas las muertes por cáncer en los Estados Unidos. Es el tercer cáncer más frecuente tanto en hombres como en mujeres[3]. En los Estados Unidos, la probabilidad de desarrollar cáncer colorrectal (CCR) invasivo es del 5% para los hombres (1 de cada 20) y del 4,6% para las mujeres (1 de cada 22) a lo largo de la vida. La edad media en el momento del diagnóstico es de aproximadamente 70 años.
La incidencia del cáncer colorrectal (CCR) varía considerablemente en todo el mundo; en los Estados Unidos y Europa, es diez veces mayor que en los países africanos y asiáticos[4]. Un aumento en la incidencia del cáncer colorrectal (CCR) está relacionado con el estilo de vida occidental, que incluye factores de riesgo establecidos como el consumo de alcohol, la obesidad y la carne roja (carne de res y cerdo)[5]. Las personas que sufren de enfermedades inflamatorias del intestino, como la enfermedad de Crohn y la colitis ulcerosa, también tienen un mayor riesgo de cáncer colorrectal y deben ser controladas de cerca[6]. El 5% de los casos de cáncer colorrectal (CCR) son causados por trastornos hereditarios que se sabe que están relacionados con el desarrollo de la enfermedad, como la poliposis adenomatosa familiar (PAF) y el cáncer colorrectal hereditario no polipósico (HNPCC). Se estima que otro 20% de los casos están relacionados con la agrupación familiar. La mayoría de los casos de CCR son esporádicos (alrededor del 75%)[7].
El estadio del CCR afecta tanto a la supervivencia como a las tasas de curación. Los tres estadios de la estadificación tumoral se determinan por el tamaño del tumor primario (estadio T), la afectación de los ganglios linfáticos (estadio N) y la presencia de metástasis a distancia (estadio M)[8]. El aumento del consumo de cereales integrales, frutas y verduras tiende a prevenir el cáncer colorrectal (CCR) esporádico[9]–[11]. Se ha demostrado que la aspirina en dosis bajas u otros inhibidores de la COX2 pueden prevenir eficazmente los pólipos colorrectales[12],[13]. El cáncer colorrectal (CCR) se trata de manera diferente en las etapas iniciales debido a las diferencias anatómicas con otros tipos de cáncer de colon, y la recurrencia local es una causa importante de morbilidad y mala calidad de vida[14]. Los estudios con 194 pacientes mostraron que los síntomas más comunes que presentaban los pacientes con CCR eran el sangrado rectal (58%), el dolor abdominal (52%) y los cambios en los hábitos intestinales (51%)[15],[16].
RPS20, que codifica la proteína ribosómica uS10, desempeña un papel crucial en la biogénesis de los ribosomas y en la síntesis de proteínas a través de la maduración y el ensamblaje de las subunidades ribosómicas[17]. No se limita necesariamente a estos roles, pero recientemente se ha relacionado con los diferentes cánceres asociados con RPS20, en particular el cáncer colorrectal (CCR). Se ha asociado una mutación germinal truncante (V50S) en RPS20 con el carcinoma colorrectal hereditario no polipósico, lo que califica a este gen como uno de los posibles genes de predisposición al cáncer. También se ha demostrado que las mutaciones en RPS20 afectan la maduración del ARN ribosómico pre y alteran los cambios en el perfil de expresión génica asociados con el posible desarrollo del cáncer[18]. Esto convierte a RPS20 en un candidato terapéutico importante en el CCR y justifica una mayor exploración de su importancia biológica en el cáncer y las estrategias de tratamiento, lo que inspira una nueva ola de investigación y posibles avances en el tratamiento del cáncer.
El cáncer colorrectal es causado por el tipo de mutación (inserción) en el gen RPS20 en la posición del 50.º aminoácido valina, que es reemplazado por serina[19]. Posteriormente, existen algunos tratamientos y terapias específicas que aún se consideran beneficiosos para el tratamiento del cáncer colorrectal, pero estos fármacos también tienen un impacto negativo en el organismo[20],[21]. La quimioterapia, que es un tratamiento adyuvante, tiene las principales ventajas de un tratamiento combinado, que incluyen una reducción de la toxicidad y los efectos adversos de los fármacos, así como una eficacia sinérgica o aditiva. Los tratamientos actuales para el cáncer colorrectal (CCR), como la quimioterapia, a menudo conducen a una serie de efectos adversos que afectan significativamente la calidad de vida de los pacientes. Los efectos secundarios inducidos por la quimioterapia incluyen náuseas, vómitos, fatiga y una inmunosupresión grave, lo que hace que los pacientes sean más susceptibles a las infecciones[22]. Además, los fármacos de quimioterapia pueden causar toxicidad orgánica, que afecta particularmente al corazón, al hígado y a los riñones[22]. Los pacientes también pueden experimentar consecuencias a largo plazo, como infertilidad, neuropatía y un mayor riesgo de desarrollar cánceres secundarios debido a la naturaleza tóxica de algunos tratamientos. Estos efectos secundarios no solo disminuyen la salud general de los pacientes, sino que también reducen significativamente su capacidad para mantener las actividades diarias normales, lo que subraya la urgente necesidad de terapias alternativas con menos efectos negativos. Los anticuerpos monoclonales y el antimetabolito 5-FU se utilizan como tratamientos primarios para el cáncer colorrectal, dirigidos a vías moleculares específicas para inhibir el crecimiento de las células cancerosas. La quimioterapia, que a menudo se utiliza como tratamiento adyuvante, proporciona beneficios adicionales al reducir la toxicidad y los efectos adversos de los fármacos. Las principales ventajas del tratamiento combinado incluyen una eficacia sinérgica o aditiva, lo que mejora la eficacia general de la terapia[23]. El panitumumab es un anticuerpo monoclonal humano contra el EGFR y funciona de manera similar al cetuximab[24]. Todos estos fármacos tratan el cáncer colorrectal, pero también causan toxicidad en diferentes órganos y sistemas de órganos del cuerpo.
Las tasas de éxito en la identificación de fármacos han aumentado debido a la nueva propuesta de la inteligencia artificial (IA) como una herramienta viable para el aprendizaje y el descubrimiento de grandes cantidades de datos farmacológicos en el descubrimiento de fármacos[25]. La inteligencia artificial (IA) se ha utilizado para mejorar la eficacia del desarrollo de fármacos, ahorrando tiempo y dinero al reducir la síntesis y las pruebas innecesarias[26]–[28]. Al aprovechar las herramientas de IA, el proceso de creación de fármacos eficaces se ha vuelto menos desafiante en comparación con la era tradicional del diseño de fármacos[29].
Esta investigación tiene como objetivo desarrollar un candidato a fármaco exitoso mediante el uso de algoritmos de IA, que involucran múltiples herramientas de inmunoinformática. Tanto el diseño de fármacos asistido por ordenador como los medicamentos de origen vegetal se consideran recursos útiles para el descubrimiento y el desarrollo de fármacos. Los fitoquímicos de las plantas poseen propiedades anticancerígenas y brindan protección contra los microorganismos patógenos[30]. Varios compuestos se han investigado exhaustivamente para su posible aplicación en el tratamiento del cáncer, como se explica en el siguiente estudio[31]. Los fitoquímicos tienen una gran diversidad de estructuras químicas y abarcan un amplio espectro de propósitos medicinales[32]. En este estudio, los fitoquímicos principales de las plantas se rediseñaron con inteligencia artificial para crear un candidato a fármaco principal.
Materiales y métodos
Recuperación de la estructura 3D de la proteína receptora y mutación de la proteína
La estructura 3D de la proteína diana se recuperó utilizando la base de datos AlphaFold (https://alphafold.com/), un recurso integrado con IA impulsado por DeepMind AI y Google[33]. Específicamente, la estructura 3D de la proteína diana, “proteína de la subunidad ribosómica pequeña uS10”, se obtuvo utilizando el ID de AlphaFold: AF-P60866-F1-v4. La mutación V50S, asociada con el cáncer colorrectal, se introdujo en la estructura de la proteína recuperada utilizando el Asistente de Mutagénesis de PyMOL, seleccionando el rotámero con la menor colisión estérica para preservar la geometría de la cadena principal[34].
Validación de la estructura 3D de la proteína
La validación de la estructura 3D obtenida de AlphaFold se realizó mediante el diagrama de Ramachandran de Procheck y ERRAT (https://saves.mbi.ucla.edu/). El diagrama de Ramachandran se utiliza ampliamente para verificar la torsión y los ángulos del residuo de aminoácidos en el plano tridimensional a un plano bidimensional[35]. Se verificaron las regiones favorables y las regiones no permitidas. Para verificar la estructura 3D, se utilizó el programa ERRAT para verificar las rupturas de cadena y las advertencias en la estructura 3D de la proteína diana[36].
Predicción del sitio de unión de la proteína receptora
La identificación del sitio de unión es crucial en el diseño de fármacos, ya que es donde la molécula pequeña (ligando) interactúa con la proteína receptora para formar enlaces. Este sitio comprende los aminoácidos activos que facilitan las interacciones de unión con el ligando. El sitio de unión se predijo utilizando DeepSite (https://open.playmolecule.org/), una herramienta de IA, que identificó el bolsillo activo[37].
Recuperación de la estructura 3D de los fitoquímicos
Los fitoquímicos eficaces contra el cáncer, identificados en la literatura, se recuperaron de la base de datos PubChem (https://pubchem.ncbi.nlm.nih.gov/)[38],[39]. PubChem proporciona toda la información necesaria y las estructuras 3D de los compuestos determinadas por la tecnología de RMN. Se recuperaron un total de 20 fitoquímicos de la base de datos PubChem.
Selección de los fitoquímicos mediante el acoplamiento molecular y ADME
Los fitoquímicos se seleccionaron en función de su afinidad de unión con la proteína receptora utilizando AutoDock Vina[40]. La proteína se cargó en MGL tools y se agregaron hidrógenos polares para protonarla. Luego, se generó el archivo PDBQT de la proteína y se estableció la caja de la cuadrícula en las coordenadas x: 0,0299, y: 0,5799, z: 11,7600. Los archivos de los fitoquímicos se convirtieron al formato PDBQT con ángulos de torsión de 6 o menos. AutoDock Vina se ejecutó a través de la línea de comandos para predecir las afinidades de unión de los fitoquímicos. Además, se utilizó SwissADME (http://www.swissadme.ch/index.php) para evaluar las propiedades farmacocinéticas, que incluyen la absorción, la distribución, el metabolismo y la excreción (ADME) de los fitoquímicos[41]. Este análisis exhaustivo permitió la identificación del candidato a fármaco principal en función de su perfil ADME favorable, lo que garantiza una óptima similitud con los fármacos, la biodisponibilidad y la toxicidad mínima, que son fundamentales para su posible aplicación terapéutica.
Mejora del compuesto natural con IA
El fitoquímico principal con la mejor afinidad de unión se utilizó para diseñar los ligandos mejorados con IA utilizando el servidor de IA “Webserver-Aided Drug Design By Artificial Intelligence And Classical Algorithm” (WADDAICA) (https://heisenberg.ucam.edu:5000/)[42],[43].
Acoplamiento molecular de los ligandos mejorados con IA y análisis de las interacciones moleculares
Los ligandos mejorados con IA se acoplaron utilizando dos herramientas de acoplamiento populares, AutoDock Vina y MOE (entorno de operación molecular)[40],[44]. Con este fin, utilizamos un cribado virtual de alto rendimiento y simulaciones de acoplamiento con una herramienta de código abierto, AutoDock Vina. Los ligandos diseñados mejorados con IA se prepararon en formato PDBQT y se optimizaron para los sitios de unión de las proteínas diana. AutoDock Vina calcula la afinidad de unión entre el ligando y la proteína, lo que ayuda a los investigadores a comprender las posturas de unión más probables.
El acoplamiento y las simulaciones de dinámica molecular se realizaron utilizando MOE (entorno de operación molecular, una solución de software integral para el modelado y las simulaciones moleculares). Los ligandos se optimizaron en geometría antes del acoplamiento y las interacciones ligando-receptor se analizaron utilizando las funciones de puntuación jerárquicas de MOE. El procedimiento de acoplamiento se basó en el muestreo conformacional, la flexibilidad del receptor y la puntuación para predecir los modos de unión óptimos y las interacciones de los ligandos mejorados con IA con las proteínas diana. El acoplamiento del ligando y el receptor con AutoDock Vina y MOE se realizó para confirmar la coherencia y la solidez de las predicciones de interacción ligando-receptor.
Para analizar las interacciones moleculares del ligando principal mejorado con IA, se utilizaron LigPlot+, PyMOL y Discovery Studio. Se generaron diagramas moleculares 2D y 3D para analizar las interacciones, incluidos los tipos de enlace, los ángulos de enlace y las categorías de aminoácidos involucrados con el ligando[45]–[47].
Simulación de dinámica molecular (DM) y análisis MMGBSA de la proteína receptora y el ligando principal mejorado con IA
Se llevó a cabo una simulación de dinámica molecular (DM) y se realizó MMGBSA (Área de superficie generalizada de Born de la mecánica molecular) utilizando el programa Desmond desarrollado por Schrödinger LLC[48]. El primer paso fue el acoplamiento de RPS20 y el compuesto principal mejorado con IA para anticipar la ubicación fija del compuesto químico dentro de la región activa de la proteína[49]. Posteriormente, se realizaron simulaciones de dinámica molecular (DM) utilizando la ecuación clásica del movimiento de Newton para determinar el estado de unión ligando-receptor en un entorno fisiológico durante 100 nanosegundos[50].
El complejo ligando-receptor se sometió a un preprocesamiento utilizando el Asistente de preparación de proteínas de Maestro, que abarcó la optimización, la minimización y la corrección de cualquier residuo ausente. La configuración del sistema se estableció utilizando la herramienta System Builder, utilizando el modelo de disolvente TIP3P en una caja ortorrómbica a una temperatura de 300 K y una presión de 1 atm. Se empleó el campo de fuerza OPLS_2005[51]. Se incluyeron contraiones y una solución de cloruro de sodio a una concentración de 0,15 M para neutralizar los modelos, simulando las condiciones internas del cuerpo. Antes de la simulación, se llevó a cabo un proceso de equilibrio, durante el cual se tomaron instantáneas de la trayectoria cada 100 picosegundos para su posterior análisis.
Se empleó el enfoque de integración termodinámica (TI) para calcular la energía libre absoluta de unión del complejo ligando-receptor. Esto implicó la producción de numerosos estados intermedios entre las configuraciones no unidas y unidas del compuesto principal mejorado con IA, simulando cada estado individualmente. En nuestras simulaciones, empleamos una serie de valores lambda espaciados uniformemente que van de 0,0 a 1,0 en intervalos de 0,1, lo que resultó en 11 puntos discretos: ? = 0,0, 0,1, 0,2, …, 0,9, 1,0.
La metodología MMGBSA, implementada mediante el uso de Desmond, se empleó para calcular la energía libre de unión entre RPS20 y el compuesto principal mejorado con IA[52]. El enfoque descrito en este estudio integra la mecánica molecular con un modelo de disolvente de Born generalizado y la solvatación continua de la superficie para calcular la energía libre de unión del complejo ligando-receptor (Zaheer et al., 2023). La energía libre total de unión se calculó utilizando la ecuación (1).
donde dGbind = energía libre de unión, Gcomplex = energía libre del complejo, Gprotein = energía libre de la proteína diana y Gligand = energía libre del ligando.
Análisis ADMET
ADMET (Absorción, Distribución, Metabolismo, Excreción y Toxicidad) es una parte crucial de los ensayos preclínicos. Para predecir las propiedades ADME, se utilizó SwissADME[41]. Esta herramienta predijo varias propiedades farmacocinéticas, incluida la lipofilicidad, la solubilidad en agua y la similitud con fármacos. Además, se evaluó la toxicidad oral del compuesto principal mejorado con IA utilizando ProTox 3.0[53].
Análisis DFT
Se realizaron cálculos de química cuántica DFT con el paquete de software Gaussian 09 W para calcular las propiedades electrónicas del compuesto principal mejorado con IA de indirubina. Se utilizaron los parámetros de la función B3LYP para calcular las propiedades electrónicas del compuesto, y el conjunto de bases 6-31G' se utilizó para calcular la geometría molecular optimizada. Calculamos la diferencia de energía entre el orbital molecular ocupado más alto (HOMO) y el orbital molecular no ocupado más bajo (LUMO) del compuesto, que se denominará la diferencia de energía HOMO-LUMO para conocer la reactividad química y la estabilidad del compuesto.
La diferencia de energía HOMO-LUMO (Egap) se calcula utilizando la ecuación:
donde: ?ELumo es la energía del orbital molecular no ocupado más bajo, y ?EHomo es la energía del orbital molecular ocupado más alto.
Las propiedades electrónicas y la reactividad de las moléculas ligando fueron esenciales en el descubrimiento de fármacos computacional. El análisis DFT y la comprensión de la estabilidad del complejo ligando-proteína. La brecha HOMO-LUMO puede determinar mejor la dureza o la blandura química de cualquier molécula. Cuanto más estrecho sea el intervalo, mayor será la probabilidad de reactividad e interacciones biológicas. Además, se utilizaron mapas de potencial electrostático molecular y cálculos del momento dipolar para una comprensión integral de las actividades electrónicas de los ligandos, lo que ayuda a obtener información más profunda sobre la probable afinidad de unión con las proteínas diana.
Recuperación de la estructura 3D de la proteína receptora y mutación de la proteína
La estructura 3D de la proteína diana se recuperó utilizando la base de datos AlphaFold (https://alphafold.com/), un recurso integrado con IA impulsado por DeepMind AI y Google[33]. Específicamente, la estructura 3D de la proteína diana, "proteína de la subunidad ribosómica pequeña uS10", se obtuvo utilizando el ID de AlphaFold: AF-P60866-F1-v4. La mutación V50S, asociada con el cáncer colorrectal, se introdujo en la estructura de proteína recuperada utilizando el Asistente de mutagénesis de PyMOL, seleccionando el rotámero con el menor choque estérico para preservar la geometría de la cadena principal[34].
Validación de la estructura 3D de la proteína
La validación de la estructura 3D obtenida de AlphaFold se validó mediante el diagrama de Ramachandran de Procheck y ERRAT (https://saves.mbi.ucla.edu/). El diagrama de Ramachandran se utiliza ampliamente para verificar la torsión y los ángulos del residuo de aminoácido en el plano tridimensional a un plano bidimensional[35]. Se verificaron las regiones favorecidas y las regiones no permitidas. Para verificar la estructura 3D, se utilizó el programa ERRAT para verificar las rupturas de cadena en la estructura 3D de la proteína diana[36].
Predicción del sitio de unión de la proteína receptora
Identificar el sitio de unión es crucial en el diseño de fármacos, ya que es donde la molécula pequeña (ligando) interactúa con la proteína receptora para formar enlaces. Este sitio comprende residuos de aminoácidos activos que facilitan las interacciones de unión con el ligando. El sitio de unión se predijo utilizando DeepSite (https://open.playmolecule.org/), una herramienta de IA, que identificó el bolsillo activo[37].
Recuperación de la estructura 3D de los fitoquímicos
Se recuperaron los fitoquímicos eficaces contra el cáncer, identificados en la literatura, de la base de datos PubChem (https://pubchem.ncbi.nlm.nih.gov/)[38],[39]. PubChem proporciona toda la información necesaria y las estructuras 3D de los compuestos determinadas por la tecnología RMN. Se recuperaron un total de 20 fitoquímicos de la base de datos PubChem.
Cribado de los fitoquímicos mediante el acoplamiento molecular y ADME
Los fitoquímicos se cribaron en función de su afinidad de unión con la proteína receptora utilizando AutoDock Vina[40]. La proteína se cargó en MGL tools y se agregaron hidrógenos polares para protonarla. Luego, se generó el archivo PDBQT de la proteína y se estableció la caja de la cuadrícula en las coordenadas x: 0,0299, y: 0,5799, z: 11,7600. Los archivos de fitoquímicos se convirtieron al formato PDBQT con ángulos de torsión de 6 o menos. AutoDock Vina se ejecutó a través de la línea de comandos para predecir las afinidades de unión de los fitoquímicos. Además, se utilizó SwissADME (http://www.swissadme.ch/index.php) para evaluar las propiedades farmacocinéticas, incluida la absorción, la distribución, el metabolismo y la excreción (ADME) de los fitoquímicos[41]. Este análisis integral permitió la identificación del compuesto principal candidato a fármaco en función de su perfil ADME favorable, lo que garantiza una similitud con fármacos, una biodisponibilidad y una toxicidad mínimas, que son fundamentales para su posible aplicación terapéutica.
Mejora del compuesto natural con IA
El compuesto fitoquímico principal con la mejor afinidad de unión se utilizó para diseñar los ligandos mejorados con IA utilizando el servidor de IA "Webserver-Aided Drug Design By Artificial Intelligence And Classical Algorithm" (WADDAICA) (https://heisenberg.ucam.edu:5000/)[42],[43].
Acoplamiento molecular de los ligandos mejorados con IA y análisis de las interacciones moleculares
Los ligandos mejorados con IA se acoplaron utilizando dos herramientas de acoplamiento populares, AutoDock Vina y MOE (entorno de operación molecular)[40],[44]. Con este fin, utilizamos un cribado virtual de alto rendimiento y simulaciones de acoplamiento con la herramienta de código abierto AutoDock Vina. Los ligandos mejorados con IA diseñados se prepararon en formato PDBQT y se optimizaron para los sitios de unión de las proteínas diana. AutoDock Vina calcula la afinidad de unión entre el ligando y la proteína, lo que ayuda a los investigadores a comprender las poses de unión más probables.
Se realizaron el acoplamiento y las simulaciones de dinámica molecular utilizando MOE (Entorno de operación molecular, una solución de software integral para el modelado molecular y las simulaciones). Los ligandos se optimizaron en geometría antes del acoplamiento y se analizaron las interacciones ligando-receptor utilizando las funciones de puntuación jerárquicas de MOE. El procedimiento de acoplamiento se basó en el muestreo conformacional, la flexibilidad del receptor y la puntuación para predecir los modos de unión óptimos y las interacciones de los ligandos mejorados con IA con las proteínas diana. Se realizó el acoplamiento del ligando y el receptor con AutoDock Vina y MOE para confirmar la coherencia y la solidez de las predicciones de interacción ligando-receptor.
Para analizar las interacciones moleculares del compuesto principal mejorado con IA, se utilizaron LigPlot+, PyMOL y Discovery Studio. Se generaron diagramas moleculares 2D y 3D para analizar las interacciones, incluidos los tipos de enlace, los ángulos de enlace y las categorías de aminoácidos involucrados con el ligando[45]–[47].
Simulación de dinámica molecular (DM) y análisis MMGBSA de la proteína receptora y el compuesto principal mejorado con IA
Se realizó una simulación de dinámica molecular (DM) y se realizó MMGBSA (Área de superficie generalizada de Born de la mecánica molecular) utilizando el programa Desmond desarrollado por Schrödinger LLC[48]. El primer paso fue el acoplamiento de RPS20 y el compuesto principal mejorado con IA para anticipar la ubicación fija del compuesto químico dentro de la región activa de la proteína[49]. Posteriormente, se realizaron simulaciones de dinámica molecular (DM) utilizando la ecuación clásica del movimiento de Newton para determinar el estado de unión ligando-receptor en un entorno fisiológico durante 100 nanosegundos[50].
El complejo ligando-receptor se sometió a un preprocesamiento utilizando el Asistente de preparación de proteínas de Maestro, que abarcó la optimización, la minimización y la corrección de cualquier residuo ausente. La configuración del sistema se estableció utilizando la herramienta System Builder, utilizando el modelo de disolvente TIP3P en una caja ortorrómbica a una temperatura de 300 K y una presión de 1 atm. Se empleó el campo de fuerza OPLS_2005[51]. Se incluyeron contraiones y una solución de cloruro de sodio a una concentración de 0,15 M para neutralizar los modelos, simulando las condiciones internas del cuerpo. Antes de la simulación, se llevó a cabo un proceso de equilibrio, durante el cual se tomaron instantáneas de la trayectoria cada 100 picosegundos para su posterior análisis.
Se empleó el enfoque de integración termodinámica (TI) para calcular la energía libre absoluta de unión del complejo ligando-receptor. Esto implicó la producción de numerosos estados intermedios entre las configuraciones no unidas y unidas del compuesto principal mejorado con IA, simulando cada estado individualmente. En nuestras simulaciones, empleamos una serie de valores lambda espaciados uniformemente que van de 0,0 a 1,0 en intervalos de 0,1, lo que resultó en 11 puntos discretos: ? = 0,0, 0,1, 0,2, …, 0,9, 1,0.
La metodología MMGBSA, implementada mediante el uso de Desmond, se empleó para calcular la energía libre de unión entre RPS20 y el compuesto principal mejorado con IA[52]. El enfoque descrito en este estudio integra la mecánica molecular con un modelo de disolvente de Born generalizado y la solvatación continua de la superficie para calcular la energía libre de unión del complejo ligando-receptor (Zaheer et al., 2023). La energía libre total de unión se calculó utilizando la ecuación (1).
donde dGbind = energía libre de unión, Gcomplex = energía libre del complejo, Gprotein = energía libre de la proteína diana y Gligand = energía libre del ligando.
Análisis ADMET
ADMET (Absorción, Distribución, Metabolismo, Excreción y Toxicidad) es una parte crucial de los ensayos preclínicos. Para predecir las propiedades ADME, se utilizó SwissADME[41]. Esta herramienta predijo varias propiedades farmacocinéticas, incluyendo la lipofilicidad, la solubilidad en agua y la similitud con fármacos. Además, se evaluó la toxicidad oral del compuesto principal mejorado mediante la inteligencia artificial utilizando ProTox 3.0[53].
Análisis DFT
Se realizaron cálculos de química cuántica DFT con el paquete de software Gaussian 09 para calcular las propiedades electrónicas del compuesto principal mejorado con inteligencia artificial de indirubina. Se utilizaron los parámetros del funcional B3LYP para calcular las propiedades electrónicas del compuesto, y el conjunto de bases 6-31G’ se utilizó para calcular la geometría molecular optimizada. Calculamos la diferencia de energía entre el orbital molecular ocupado más alto (HOMO) y el orbital molecular no ocupado más bajo (LUMO) del compuesto, que se denominará la diferencia de energía HOMO-LUMO para conocer la reactividad química y la estabilidad del compuesto.
La diferencia de energía HOMO-LUMO (Egap) se calcula utilizando la siguiente ecuación:
donde: ELumo es la energía del orbital molecular no ocupado más bajo, y EHomo es la energía del orbital molecular ocupado más alto.
Las propiedades electrónicas y la reactividad de las moléculas ligando fueron esenciales en el descubrimiento de fármacos computacional, el análisis DFT y la comprensión de la estabilidad del complejo ligando-proteína. La diferencia HOMO-LUMO puede determinar mejor la dureza o la blandura química de cualquier molécula. Cuanto más estrecho sea el intervalo, mayor será la probabilidad de reactividad e interacciones biológicas. Además, se utilizaron mapas del potencial electrostático molecular y cálculos del momento dipolar para una comprensión exhaustiva de las actividades electrónicas de los ligandos, lo que ayuda a obtener información más profunda sobre la probable afinidad de unión con las proteínas diana.
Resultados
Estructura 3D de la proteína diana
La proteína diana que se recuperó de AlphaFold tiene un buen gráfico de alineación (Fig. 1). La puntuación de confianza de la estructura de la proteína también fue excelente, con un valor del 90%. La sustitución V50S se modeló con éxito con una perturbación mínima de la estructura principal local (Fig. 2).
Validación de la estructura 3D de la proteína receptora
El diagrama de Ramachandran de la proteína receptora recuperada tiene una puntuación de Rama del 100%, con el 92,3% de los residuos de aminoácidos en la región más favorable y el 7,7% de los residuos de aminoácidos en la región adicional permitida. Ninguno de los residuos de aminoácidos se encontraba en la región no permitida (Fig. 3). La puntuación ERRAT también fue excelente (96,104), lo que la convierte en una buena estructura para un análisis posterior (Fig. 4).
Predicción del sitio de unión de la proteína receptora
Se predijo el sitio de unión de RPS20 para obtener la máxima afinidad de unión del ligando con la proteína receptora. Se predijo un sitio de unión y las coordenadas del sitio de unión fueron “x: 0,0299, y: 0,5799, z: 11,7600” con una puntuación de “0,5499”. En estas coordenadas, los aminoácidos son los más activos e interactúan al máximo con la proteína receptora. El sitio de unión se puede ver en la Fig. 5.
Recuperación de la estructura 3D de los fitoquímicos
Los 22 fitoquímicos con actividades anticancerígenas que se recuperaron de PubChem se pueden ver en la Tabla 1. Las estructuras 3D se utilizaron en análisis posteriores.
Cribado virtual de fitoquímicos
Todos los fitoquímicos que se recuperaron se cribaron en función de la afinidad de unión. La Tabla 2 contiene la afinidad de unión de los fitoquímicos con RPS20. El mejor ligando, según la afinidad de unión, fue la vincristina, que carece de una buena atracción molecular y propiedades ADME. El mejor fitoquímico, según la afinidad de unión, fue la indirubina, ya que cumplió con los criterios in silico ADMET (similitud con fármacos, bajo riesgo de toxicidad y farmacocinética aceptable) en función de la interacción molecular y los tipos de enlace, por lo que se seleccionó la indirubina como compuesto principal, ya que tiene mejores interacciones moleculares y propiedades ADME en comparación con la vincristina y otros fitoquímicos con mayor afinidad.
Optimización de la indirubina mediante IA
Se seleccionó la indirubina como compuesto principal entre los 20 fitoquímicos. Para mejorar las propiedades de similitud con fármacos y la afinidad de unión de la indirubina, se diseñaron un total de 13 ligandos mejorados con IA de indirubina mediante el servidor web de IA (Tabla 3).
Acoplamiento molecular de los ligandos mejorados con IA y análisis de las interacciones moleculares
Se utilizaron AutoDock Vina y MOE para evaluar las afinidades de unión y las interacciones moleculares de los 31 ligandos mejorados con IA acoplados a la proteína RPS20. Se utilizaron ambos para obtener resultados sólidos y fiables. El ligando mejorado con IA 2 tuvo la mejor afinidad de unión predicha de entre los demás ligandos. El ligando mejorado con IA 2 mostró un valor de energía de unión de -6,7 kJ/mol con AutoDock Vina y un valor de energía de unión de -4,9942 kJ/mol con MOE. Este acuerdo entre los dos métodos de acoplamiento apoya aún más que el ligando mejorado con IA 2 es el candidato más prometedor para estudios de seguimiento. Junto con la afinidad de unión, se calcularon los valores de RSMD para evaluar la estabilidad estructural del ligando principal 2 durante el acoplamiento. El RSMD para el ligando principal 2 con AutoDock Vina fue de 0,00, lo que se refiere a la naturaleza estable del ligando durante el acoplamiento en el sitio de unión del receptor. El RSMD para MOE fue igualmente de 0,5727, con una estabilidad y fluctuación similares del ligando en el sitio activo de la proteína. El mejor ligando mejorado con IA fue el 2, según la afinidad de unión, y tiene más afinidad que su compuesto principal, la indirubina. Las energías de unión de los treinta y un ligandos mejorados con IA se pueden ver en la Tabla 4.
La interacción molecular del ligando de indirubina mejorado con IA 2 con la proteína RSP20 fue buena. El ligando de indirubina mejorado con IA formó un enlace de hidrógeno convencional, una interacción Pi-Cación, una interacción Pi-Sigma y cinco interacciones Pi-Alquilo con ángulos de enlace de 2,34 Å, 4,88 Å, 3,76 Å, 4,65 Å, 5,14 Å, 5,33 Å, 4,03 Å y 5,04 Å respectivamente (Tabla 5). Los detalles de los tipos de enlace, los ángulos de enlace y los residuos de aminoácidos se informan en la Tabla. Las interacciones moleculares 2D se pueden ver en la Fig. 6. Las interacciones moleculares 3D se pueden ver en la Fig. 7.
Simulación de dinámica molecular (DM) y análisis MMGBSA del receptor proteico y el ligando mejorado con IA
Los resultados de la simulación de dinámica molecular (DM) para el complejo RPS20-indirubina mejorado con IA revelan la desviación media cuadrática de la raíz (RMSD) tanto del receptor (RPS20) como del ligando (indirubina mejorada con IA). La evolución de la RMSD indica cómo fluctúa la RMSD del receptor a lo largo de la simulación, lo que proporciona información valiosa sobre su conformación estructural. En el gráfico de RMSD, el eje Y izquierdo representa la RMSD del receptor, mientras que el eje Y derecho indica la RMSD del ligando. El gráfico de RMSD para el receptor demuestra la desviación de su estructura del marco de referencia principal a lo largo de la simulación. En general, las fluctuaciones de 1 a 3 Å se consideran aceptables para las proteínas pequeñas y globulares, ya que indican fluctuaciones térmicas normales. Las desviaciones más grandes podrían sugerir cambios conformacionales significativos que ocurren durante la simulación. En cuanto a la estabilidad del ligando, el gráfico de RMSD del ligando, etiquetado como ‘Lig fit Prot’, demuestra la estabilidad de la indirubina mejorada con IA dentro del bolsillo de unión del receptor. Esta RMSD se calcula después de alinear el complejo proteína-ligando en la estructura principal del receptor y medir la desviación de los átomos pesados del ligando. Si los valores de RMSD del ligando superan los del receptor, sugiere una posible difusión del ligando lejos de su sitio de unión inicial. En este caso, el gráfico de RMSD indica que tanto el receptor como el ligando se estabilizan después de aproximadamente 65 nanosegundos en la simulación. Esta estabilización sugiere que las interacciones entre RPS20 e indirubina mejorada con IA han alcanzado el equilibrio, lo que permite un análisis más detallado de la dinámica molecular (Fig. 8).
El análisis de la fluctuación media cuadrática de la raíz (RMSF) proporciona información sobre los cambios localizados que se producen a lo largo de la cadena del receptor durante la simulación de dinámica molecular (DM) de la proteína-ligando. La RMSF para cada residuo se calcula en función del tiempo de trayectoria, el tiempo de referencia, las posiciones de los átomos en el residuo y su distancia cuadrática media. Los picos en el gráfico de RMSF resaltan las regiones del receptor que experimentan las mayores fluctuaciones durante la simulación. Para el receptor RSP20, el gráfico de RMSF indica que los 10 a 15 aminoácidos iniciales muestran fluctuaciones notables, seguidas de otra fluctuación significativa que se observa entre los aminoácidos 70 y 80 (Fig. 9). Estas fluctuaciones son típicas de las regiones dentro de una proteína que son más flexibles o menos estructuradas en comparación con las hélices alfa y las láminas beta, que generalmente demuestran una mayor rigidez.
La RMSD de la indirubina mejorada con IA revela una estabilización general, aunque se observa una desviación entre los 20 y los 57 nanosegundos. Esta desviación se refleja en el gráfico del radio de giración (rGyr), que sigue un patrón similar a la RMSD del ligando, lo que indica cambios en la compacidad de la estructura del ligando durante este período. Los enlaces de hidrógeno intramoleculares (intraHB) se formaron de forma constante a lo largo de la simulación de 100 nanosegundos, lo que indica interacciones internas estables dentro del ligando. El área de superficie molecular (MolSA) se mantuvo constante con la RMSD del ligando, mientras que el área de superficie accesible al disolvente (SASA) se mantuvo estable a lo largo de la simulación, lo que refleja una exposición constante del ligando al disolvente. El área de superficie polar (PSA) también mostró estabilidad, mostrando una tendencia similar a la RMSD del ligando, con solo variaciones menores. Todas las propiedades del ligando se pueden ver en la Fig. 10.
El cálculo de la energía libre para el complejo RSP20-Indirubina AI, como se muestra en la Fig. 11, muestra la variación de la energía libre de unión a lo largo de los 100.000 picosegundos (100 ns) de la simulación. El gráfico ilustra una tendencia general a la disminución de la energía, comenzando desde aproximadamente -500 kcal/mol y alcanzando valores de energía más estables alrededor de -2000 kcal/mol a medida que avanza la simulación. Esto indica que la afinidad de unión entre el receptor (RSP20) y el ligando (indirubina mejorada con IA) se fortalece con el tiempo.
Inicialmente, la energía libre de unión fluctúa significativamente, lo que refleja la adaptación del sistema y el establecimiento de interacciones estables entre el receptor y el ligando. Los valores de energía se estabilizan después de aproximadamente 60.000 picosegundos, lo que sugiere que el complejo ha alcanzado una conformación de unión estable. Esta fase de estabilización se caracteriza por fluctuaciones más pequeñas, lo que indica una interacción consistente y energéticamente favorable.
Los valores negativos a lo largo de la simulación, particularmente aquellos que se estabilizan alrededor de -2000 kcal/mol, indican una fuerte y favorable unión entre RSP20 e indirubina mejorada con IA. Estos resultados sugieren que la indirubina mejorada con IA permanece firmemente unida dentro del bolsillo de unión del receptor a lo largo de la simulación, formando un complejo estable que es energéticamente favorable. La disminución de la energía libre de unión con el tiempo es consistente con el ligando que se asienta en una conformación de unión óptima, lo que apoya aún más la idoneidad de la indirubina mejorada con IA como un posible inhibidor o modulador del receptor RSP20.
El análisis MMGBSA, realizado después de 100 nanosegundos de simulación para la interacción RPS20-Indirubina AI, proporcionó una energía libre de unión de -42,48 kcal/mol al inicio de la simulación (0 ns) y de -31,39 kcal/mol al final de la simulación (100 ns). Los valores negativos indican una unión favorable entre RPS20 e indirubina mejorada con IA, lo que sugiere una interacción proteína-ligando estable y energéticamente favorable. La disminución de la energía libre de unión desde los puntos de tiempo iniciales hasta los finales puede reflejar cambios sutiles en el modo de unión o la dinámica conformacional dentro del complejo a lo largo de la simulación.
Análisis de las desviaciones de RMSD durante el período de 20 ns a 57 ns, con picos de aproximadamente 2-3 Å, y que se sitúan dentro del rango aceptable de aproximadamente 1-3 Å para una proteína globular, lo que refleja una adaptación conformacional normal y no una inestabilidad real. Más allá de ~65 ns, los valores de RMSD tanto para la proteína como para el ligando fueron estables, lo que indica que este complejo RPS20-indirubina AI ha alcanzado el equilibrio. El análisis de RMSF indica que las regiones del bucle periférico (1-15 residuos, 70-80) fluctúan en gran medida y no contribuyen directamente a la unión del ligando; por lo tanto, la integridad del sitio de unión se mantiene intacta. Los otros parámetros complementarios, como el radio de giro, el área superficial accesible al disolvente y las áreas superficiales moleculares, el área superficial polar y los enlaces de hidrógeno intramoleculares, también se estabilizaron después de 65 ns, lo que muestra la compacidad y la consistencia de la exposición al disolvente del complejo. Finalmente, la disminución gradual de la energía libre MMGBSA de -42,48 a -31,39 durante la simulación de 100 ns indica que la indirubina AI adopta una conformación de unión termodinámicamente favorable, lo que constituye una evidencia adicional de la estabilidad y robustez de esta interacción inhibidor-diana. Estos resultados implican que la indirubina AI ocupa eficazmente el sitio de unión de RPS20, formando un complejo estable durante toda la simulación.
Análisis ADMET
Las propiedades ADMET de la indirubina AI mejorada se evaluaron utilizando SwissADME y Protox 3.0 para evaluar su potencial como candidato a fármaco. El análisis cubrió varios parámetros fisicoquímicos y farmacocinéticos, incluido el peso molecular, los donantes y aceptores de enlaces de hidrógeno, el número de enlaces rotatorios, la penetración de la barrera hematoencefálica (BHE), la absorción gastrointestinal (GI), la lipofilicidad, la solubilidad, la interacción fármaco-fármaco, el metabolismo, la accesibilidad sintética y la permeabilidad.
El derivado de indirubina AI tiene un mejor perfil ADME: su lipofilicidad estimada (log P) aumentó de -3,67 a -4,83, lo que indica una mayor hidrofilicidad y, posiblemente, una mejor biodisponibilidad. El otro parámetro que mejoró fue la solubilidad en agua, que pasó de ser "moderadamente soluble" a "soluble", lo que sugiere una mejor absorción/distribución en entornos biológicos a base de agua. Estos ajustes, aunque modestos, representan pasos importantes para optimizar las propiedades farmacocinéticas del compuesto. La indirubina AI mejorada exhibió propiedades favorables, mostrando con éxito una alta absorción gastrointestinal. Es importante destacar que no hubo violaciones de la regla de los cinco de Lipinski, lo que indica una buena similitud con los fármacos y un potencial de biodisponibilidad oral. Las propiedades ADMET detalladas de la indirubina AI mejorada y la comparación de la indirubina AI con la indirubina se resumen en la Tabla 6.
El modelo de "huevo cocido" de SwissADME, utilizado para estimar intuitivamente la penetración cerebral y la absorción gastrointestinal pasiva, indica que es probable que la indirubina AI mejorada penetre tanto en la BHE como en el tracto GI. La región amarilla en el diagrama del huevo cocido indica una alta probabilidad de penetración cerebral, mientras que la región blanca indica una alta probabilidad de absorción gastrointestinal pasiva, como se muestra en la Fig. 12.
Se utilizó ProTox 3.0 para evaluar y comparar los perfiles de toxicidad del compuesto de indirubina AI mejorado y la indirubina. Se predijo que la indirubina AI mejorada tendría una DL50 de 2300 mg/kg, clasificándola en la clase de toxicidad 5, lo que indica un perfil de toxicidad más bajo. En contraste, la indirubina mostró una DL50 más baja de 1500 mg/kg, colocándola en la clase de toxicidad 4, lo que sugiere una toxicidad relativamente mayor. Además, la indirubina AI mejorada demostró una similitud estructural promedio superior (61,59%) y una precisión de predicción (68,07%), en comparación con la similitud del 42,12% y la precisión de predicción del 54,26% de la indirubina.
La toxicidad orgánica de la indirubina AI mejorada no mostró una fuerte actividad para la neurotoxicidad o la nefrotoxicidad, mientras que la indirubina exhibió una neurotoxicidad activa (0,72), lo que indica posibles problemas del sistema nervioso central. La hepatotoxicidad fue activa para ambas, con puntuaciones de probabilidad bajas (0,55 para la indirubina AI y 0,57 para la indirubina), lo que sugiere un riesgo hepático débil pero presente. Los puntos finales de toxicidad de la indirubina AI mejorada predijeron que sería mutagénica (0,51) y no carcinogénica, mientras que la indirubina mostró que no era mutagénica (0,50) pero que tenía una actividad carcinogénica (0,61), lo que destaca un riesgo a largo plazo potencialmente más grave. Además, la indirubina exhibió toxicidad clínica activa, mientras que la indirubina AI no.
Tox21 Nuclear Receptor and Stress Pathways mostró que ambos compuestos activaron el receptor de hidrocarburos aromáticos (AhR) y mostraron una alteración del potencial de membrana mitocondrial (MMP), un marcador del estrés celular. Sin embargo, la indirubina AI mejorada fue más selectiva en la activación de la vía, lo que sugiere una mejor especificidad y menos efectos fuera de la diana. Los eventos iniciadores moleculares mostraron que ambos compuestos mostraron una unión inactiva en la mayoría de los receptores neurológicos y endocrinos, con la excepción de la acetilcolinesterasa (AChE), donde ambos fueron activos (0,55 y 0,57 respectivamente), lo que indica posibles efectos neuromoduladores. La interacción enzimática metabólica de la indirubina AI mejorada mostró una interacción moderada con CYP1A2 (0,72) y CYP2C9 (0,64), lo que también se predijo para la indirubina, aunque con puntuaciones de probabilidad más bajas (0,53 y 0,52, respectivamente), lo que sugiere una mejor predictibilidad metabólica para la indirubina AI.
Si bien ambos compuestos exhiben algunas responsabilidades de toxicidad, la indirubina AI mejorada demuestra un perfil de toxicidad más favorable en general, particularmente en términos de una toxicidad sistémica predicha más baja, una reducción de la neurotoxicidad y la nefrotoxicidad, y una mayor confianza en la predicción. Estos resultados respaldan el potencial de la optimización con IA para mejorar la similitud con los fármacos y la seguridad de los andamios naturales como la indirubina. Un resumen detallado de este análisis comparativo de toxicidad se presenta en la Tabla 7.
Análisis DFT de la indirubina AI
El intervalo de energía HOMO-LUMO calculado de 0,13886 eV sugiere una reactividad moderada. Por lo general, un intervalo de 0,2 eV sugiere una baja reactividad (alta estabilidad). Por lo tanto, el compuesto de indirubina AI muestra un perfil de reactividad equilibrado, lo que lo hace adecuado para una mayor optimización (Fig. 13). La indirubina AI mejorada, que equilibra la estabilidad y la reactividad, tiene el potencial de ser un buen punto de partida para estudios posteriores de las interacciones biológicas en función de su intervalo de energía. El intervalo HOMO-LUMO moderado indica que la indirubina AI mejorada podría estar involucrada en interacciones de transferencia de electrones con la diana durante las primeras etapas del reconocimiento fármaco-diana, lo que podría aumentar su actividad farmacológica.
Estructura 3D de la proteína diana
La proteína diana que se recuperó de AlphaFold tiene un buen gráfico de alineación (Fig. 1). La puntuación de confianza de la estructura de la proteína también fue excelente, con un valor de 90%. La sustitución V50S se modeló con éxito con una mínima perturbación del esqueleto local (Fig. 2).
Validación de la estructura 3D de la proteína receptora
El diagrama de Ramachandran de la proteína receptora recuperada tiene una puntuación de Rama del 100%, con el 92,3% de los residuos de aminoácidos en la región más favorable y el 7,7% de los residuos de aminoácidos en la región adicional permitida. Ninguno de los residuos de aminoácidos se encontraba en la región no permitida (Fig. 3). La puntuación ERRAT también fue excelente (96,104), lo que la convierte en una buena estructura para un análisis posterior (Fig. 4).
Predicción del sitio de unión de la proteína receptora
El sitio de unión de RPS20 se predijo para obtener la máxima afinidad de unión del ligando con la proteína receptora. Se predijo un sitio de unión y la coordinación del sitio de unión fue "x: 0,0299, y: 0,5799, z: 11,7600" con una puntuación de "0,5499". En estas coordenadas, los aminoácidos son los más activos e interactúan al máximo con la proteína receptora. El sitio de unión se puede ver en la Fig. 5.
Recuperación de la estructura 3D de los fitoquímicos
Los 22 fitoquímicos con actividades anticancerígenas que se recuperaron de PubChem se pueden ver en la Tabla 1. Las estructuras 3D se utilizaron en análisis posteriores.
Cribado virtual de fitoquímicos
Todos los fitoquímicos que se recuperaron se cribaron en función de la afinidad de unión. La Tabla 2 contiene la afinidad de unión de los fitoquímicos con RPS20. El mejor ligando en función de la afinidad de unión fue la vincristina, que carece de una buena atracción molecular y propiedades ADME. El mejor fitoquímico según la afinidad de unión fue la indirubina, en función de la interacción molecular, los tipos de enlace y el cumplimiento de todos los criterios ADMET in silico (similitud con los fármacos, baja toxicidad y farmacocinética aceptable), por lo que la indirubina se seleccionó como el compuesto principal, ya que tiene buenas interacciones moleculares y propiedades ADME en comparación con la vincristina y otros fitoquímicos con mayor afinidad.
Optimización con IA de la indirubina
La indirubina se seleccionó como el compuesto principal entre los 20 fitoquímicos. Para mejorar las propiedades de similitud con los fármacos y la afinidad de unión de la indirubina, se diseñaron un total de 13 ligandos de indirubina mejorados con IA mediante el servidor web de IA (Tabla 3).
Acoplamiento molecular de los ligandos mejorados con IA y análisis de las interacciones moleculares
Se utilizaron AutoDock Vina y MOE para evaluar las afinidades de unión y las interacciones moleculares de los 31 ligandos mejorados con IA acoplados a la proteína RPS20. Se utilizaron ambos para obtener resultados sólidos y fiables. El ligando mejorado con IA 2 tuvo la mejor afinidad de unión predicha de entre los demás ligandos. El ligando mejorado con IA 2 mostró un valor de energía de unión de -6,7 kJ/mol con AutoDock Vina y un valor de energía de unión de -4,9942 kJ/mol con MOE. Este acuerdo entre los dos métodos de acoplamiento apoya aún más que el ligando mejorado con IA 2 es el candidato más prometedor para estudios de seguimiento. Además de la afinidad de unión, se calcularon los valores de RMSD para evaluar la estabilidad estructural del ligando principal 2 durante el acoplamiento. El RMSD para el ligando principal 2 con AutoDock Vina fue de 0,00, lo que se refiere a la naturaleza estable del ligando que se acopla al sitio de unión del receptor durante la simulación de acoplamiento. El RMSD para MOE fue igualmente de 0,5727, con una estabilidad y fluctuación similares del ligando en el sitio activo de la proteína. El mejor ligando mejorado con IA fue el 2, en función de la afinidad de unión, y tiene más afinidad que su compuesto principal, la indirubina. Las energías de unión de los treinta y un ligandos mejorados con IA se pueden ver en la Tabla 4.
La interacción molecular del ligando de indirubina AI 2 con la proteína RSP20 fue buena. El ligando de indirubina AI formó un enlace de hidrógeno convencional, una interacción Pi-Catión, una interacción Pi-Sigma y cinco interacciones Pi-Alquilo con ángulos de enlace de 2,34 Å, 4,88 Å, 3,76 Å, 4,65 Å, 5,14 Å, 5,33 Å, 4,03 Å y 5,04 Å respectivamente (Tabla 5). Los detalles de los tipos de enlace, los ángulos de enlace y los residuos de aminoácidos se informan en la Tabla. Las interacciones moleculares 2D se pueden ver en la Fig. 6. Las interacciones moleculares 3D se pueden ver en la Fig. 7.
Simulación de dinámica molecular (DM) y análisis MMGBSA de la proteína receptora y el ligando mejorado con IA
Los resultados de la simulación de dinámica molecular (DM) para el complejo principal mejorado con indirubina AI de RPS20 revelan la desviación cuadrática media (RMSD) tanto del receptor (RPS20) como del ligando (indirubina AI). El gráfico de evolución de la RMSD indica cómo fluctúa la RMSD del receptor a lo largo de la simulación, proporcionando información valiosa sobre su conformación estructural. En el gráfico de RMSD, el eje Y izquierdo representa la RMSD del receptor, mientras que el eje Y derecho indica la RMSD del ligando. El gráfico de RMSD para el receptor demuestra la desviación de su estructura con respecto al esqueleto del marco de referencia a lo largo de la simulación. Cabe destacar que las fluctuaciones de 1 a 3 Å se consideran generalmente aceptables para proteínas globulares pequeñas, ya que indican fluctuaciones térmicas normales. Las desviaciones mayores podrían sugerir cambios conformacionales significativos que ocurren durante la simulación. En cuanto a la estabilidad del ligando, el gráfico de RMSD del ligando, etiquetado como ‘Ajuste del ligando a la proteína’, demuestra la estabilidad de la indirubina AI dentro del bolsillo de unión del receptor. Esta RMSD se calcula después de alinear el complejo proteína-ligando en el esqueleto del receptor y medir la desviación de los átomos pesados del ligando. Si los valores de RMSD del ligando superan los del receptor, sugiere una posible difusión del ligando lejos de su sitio de unión inicial. En este caso, el gráfico de RMSD indica que tanto el receptor como el ligando se estabilizan aproximadamente 65 nanosegundos después del inicio de la simulación. Esta estabilización sugiere que las interacciones entre RPS20 e indirubina AI han alcanzado el equilibrio, lo que permite un análisis más detallado de la dinámica molecular (Fig. 8).
El análisis de la fluctuación cuadrática media (RMSF) proporciona información sobre los cambios localizados que se producen a lo largo de la cadena del receptor durante la simulación de dinámica molecular (DM) proteína-ligando. La RMSF para cada residuo se calcula en función del tiempo de la trayectoria, el tiempo de referencia, las posiciones de los átomos en el residuo y su distancia cuadrática media. Los picos en el gráfico de RMSF resaltan las regiones del receptor que experimentan las mayores fluctuaciones durante la simulación. Para el receptor RSP20, el gráfico de RMSF indica que los 10 a 15 aminoácidos iniciales muestran fluctuaciones notables, seguido de otra fluctuación significativa observada entre los aminoácidos 70 y 80 (Fig. 9). Estas fluctuaciones son típicas de las regiones dentro de una proteína que son más flexibles o menos estructuradas en comparación con las hélices alfa y las láminas beta, que generalmente demuestran mayor rigidez.
La RMSD de la indirubina AI mejorada revela una estabilización general, aunque se observa una desviación entre los 20 y los 57 nanosegundos. Esta desviación se refleja en el gráfico del radio de giración (rGyr), que sigue un patrón similar a la RMSD del ligando, lo que indica cambios en la compacidad de la estructura del ligando durante este período. Los enlaces de hidrógeno intramoleculares (intraHB) se formaron de forma constante a lo largo de la simulación de 100 nanosegundos, lo que indica interacciones internas estables dentro del ligando. El área de superficie molecular (MolSA) se mantuvo constante con la RMSD del ligando, mientras que el área de superficie accesible al disolvente (SASA) se mantuvo estable a lo largo de la simulación, lo que refleja una exposición constante del ligando al disolvente. El área de superficie polar (PSA) también mostró estabilidad, presentando una tendencia similar a la RMSD del ligando, con solo variaciones menores. Todas las propiedades del ligando se pueden ver en la Fig. 10.
El cálculo de la energía libre para el complejo RSP20-Indirubina AI, como se muestra en la Fig. 11, muestra la variación de la energía libre de unión a lo largo de la simulación de 100 000 picosegundos (100 ns). El gráfico ilustra una tendencia general de disminución de la energía, comenzando desde aproximadamente -500 kcal/mol y alcanzando valores de energía más estables alrededor de -2000 kcal/mol a medida que avanza la simulación. Esto indica que la afinidad de unión entre el receptor (RSP20) y el ligando (indirubina AI) se fortalece con el tiempo.
Inicialmente, la energía libre de unión fluctúa significativamente, lo que refleja la adaptación del sistema y el establecimiento de interacciones estables entre el receptor y el ligando. Los valores de energía se estabilizan después de aproximadamente 60 000 picosegundos, lo que sugiere que el complejo ha alcanzado una conformación de unión estable. Esta fase de estabilización se caracteriza por fluctuaciones más pequeñas, lo que indica una interacción consistente y energéticamente favorable.
Los valores negativos a lo largo de la simulación, particularmente aquellos que se estabilizan alrededor de -2000 kcal/mol, indican una unión fuerte y favorable entre RSP20 e indirubina AI. Estos resultados sugieren que la indirubina AI permanece firmemente unida dentro del bolsillo de unión del receptor a lo largo de la simulación, formando un complejo estable que es energéticamente favorable. La disminución de la energía de unión con el tiempo es consistente con el hecho de que el ligando se asienta en una conformación de unión óptima, lo que apoya aún más la idoneidad de la indirubina AI como un posible inhibidor o modulador del receptor RSP20.
El análisis MMGBSA, realizado después de 100 nanosegundos de simulación para la interacción RPS20-Indirubina AI, proporcionó una energía libre de unión de -42,48 kcal/mol al inicio de la simulación (0 ns) y de -31,39 kcal/mol al final de la simulación (100 ns). Los valores negativos indican una unión favorable entre RPS20 e indirubina AI, lo que sugiere una interacción proteína-ligando estable y energéticamente favorable. La disminución de la energía libre de unión desde los puntos de tiempo iniciales hasta los finales podría reflejar cambios sutiles en el modo de unión o la dinámica conformacional dentro del complejo a lo largo de la simulación.
El análisis de las desviaciones de RMSD durante el período de 20 ns a 57 ns alcanza un máximo de aproximadamente 2-3 Å y se encuentra dentro del rango aceptable de aproximadamente 1-3 Å para una proteína globular, lo que refleja una adaptación conformacional normal y no una inestabilidad real. Después de aproximadamente 65 ns, las RMSD tanto de la proteína como del ligando se estabilizaron, lo que indica que este complejo RPS20-indirubina AI ha alcanzado el equilibrio. El análisis de RMSF indica que las regiones del bucle periférico (1-15 residuos, 70-80) fluctúan en gran medida y no contribuyen directamente a la unión del ligando; por lo tanto, la integridad del bolsillo de unión se mantiene intacta. Los otros parámetros complementarios, como el radio de giración, el área de superficie accesible al disolvente y las áreas de superficie molecular, y el área de superficie polar, también se estabilizaron después de 65 ns, lo que muestra la compacidad y la consistencia de la exposición al disolvente del complejo. Finalmente, la disminución gradual de la energía libre MMGBSA de -42,48 a -31,39 durante la simulación de 100 ns indica que la indirubina AI adopta una conformación de unión termodinámicamente favorable, lo que proporciona evidencia adicional de la estabilidad y la solidez de esta interacción inhibidor-diana. Estos resultados implican que la indirubina AI ocupa eficazmente el bolsillo de unión de RPS20, formando un complejo estable a lo largo de la simulación.
Análisis ADMET
Las propiedades ADMET del complejo principal mejorado con indirubina AI se evaluaron utilizando SwissADME y Protox 3.0 para evaluar su potencial como candidato a fármaco. El análisis cubrió varios parámetros fisicoquímicos y farmacocinéticos, incluido el peso molecular, los donantes y aceptores de enlaces de hidrógeno, el número de enlaces rotatorios, la penetración de la barrera hematoencefálica (BHE), la absorción gastrointestinal (GI), la lipofilicidad, la solubilidad, la interacción fármaco-fármaco, el metabolismo, la accesibilidad sintética y la permeabilidad.
El derivado de indirubina derivado de la IA tiene un mejor perfil ADME: su lipofilicidad estimada (log P) aumentó de -3,67 a -4,83, lo que indica una mayor hidrofilicidad y posiblemente una mejor biodisponibilidad. El otro parámetro que mejoró fue la solubilidad en agua, que pasó a ser "soluble" en lugar de "moderadamente soluble", lo que sugiere una mejor absorción/distribución en entornos biológicos a base de agua. Estos ajustes, aunque modestos, representan pasos significativos para optimizar las propiedades farmacocinéticas del compuesto. El complejo principal mejorado con IA exhibió propiedades favorables, mostrando con éxito una alta absorción gastrointestinal. Es importante destacar que no hubo violaciones de la regla de cinco de Lipinski, lo que indica una buena similitud con los fármacos y una posible biodisponibilidad oral. Las propiedades ADMET detalladas del complejo principal mejorado con IA y la comparación del complejo principal de IA con la indirubina se resumen en la Tabla 6.
El modelo de huevo hervido de SwissADME, que se utiliza para estimar de forma intuitiva la penetración cerebral y la absorción gastrointestinal pasiva, indica que es probable que el complejo principal mejorado con IA penetre tanto en la BHE como en el tracto GI. La región amarilla en el diagrama del huevo hervido indica una alta probabilidad de penetración cerebral, mientras que la región blanca indica una alta probabilidad de absorción gastrointestinal pasiva, como se muestra en la Fig. 12.
Se utilizó ProTox 3.0 para evaluar y comparar los perfiles de toxicidad del complejo principal mejorado con IA y la indirubina. Se predijo que el complejo principal mejorado con IA tendría una DL50 de 2300 mg/kg, clasificándolo en la clase de toxicidad 5, lo que indica un perfil de toxicidad más bajo. En contraste, la indirubina mostró una DL50 más baja de 1500 mg/kg, lo que la sitúa en la clase de toxicidad 4, lo que sugiere una toxicidad relativamente mayor. Además, el complejo principal mejorado con IA demostró una similitud estructural promedio superior (61,59%) y una precisión de predicción (68,07%), en comparación con la similitud del 42,12% y la precisión de predicción del 54,26% de la indirubina.
La toxicidad orgánica del complejo principal mejorado con IA no mostró una fuerte actividad para la neurotoxicidad o la nefrotoxicidad, mientras que la indirubina exhibió una neurotoxicidad activa (0,72), lo que indica posibles problemas del sistema nervioso central. La hepatotoxicidad fue activa para ambos, con puntuaciones de probabilidad bajas (0,55 para el complejo principal de IA y 0,57 para la indirubina), lo que sugiere un riesgo hepático débil pero presente. Los puntos finales de toxicidad del complejo principal mejorado con IA predijeron que sería mutagénico (0,51) y no carcinogénico, mientras que la indirubina mostró que no era mutagénica (0,50) pero que tenía una actividad carcinogénica (0,61), lo que destaca un riesgo a largo plazo potencialmente más grave. Además, la indirubina exhibió una toxicidad clínica activa, mientras que el complejo principal de IA no.
Los receptores nucleares y las vías de estrés de Tox21 mostraron que ambos compuestos activaron el receptor de hidrocarburos aromáticos (AhR) y mostraron una interrupción de la membrana mitocondrial (MMP), un marcador del estrés celular. Sin embargo, el complejo principal mejorado con IA fue más selectivo en la activación de la vía, lo que sugiere una mejor especificidad y menos efectos fuera del objetivo. Los eventos iniciadores moleculares mostraron que ambos compuestos mostraron una unión inactiva en la mayoría de los receptores neurológicos y endocrinos, con la excepción de la acetilcolinesterasa (AChE), donde ambos fueron activos (0,55 y 0,57 respectivamente), lo que indica posibles efectos neuromoduladores. La interacción con enzimas metabólicas del complejo principal mejorado con IA mostró una interacción moderada con CYP1A2 (0,72) y CYP2C9 (0,64), que también se predijo para la indirubina, aunque con puntuaciones de probabilidad más bajas (0,53 y 0,52 respectivamente), lo que sugiere una mejor predictibilidad metabólica para el complejo principal de IA.
Si bien ambos compuestos exhiben algunas responsabilidades de toxicidad, el complejo principal mejorado con IA demuestra un perfil de toxicidad más favorable en general, particularmente en términos de una toxicidad sistémica predicha más baja, una toxicidad y nefrotoxicidad reducidas y una mayor confianza en la predicción. Estos resultados respaldan el potencial de la optimización de la IA para mejorar la similitud con los fármacos y la seguridad de los andamios naturales como la indirubina. Un resumen detallado de este análisis comparativo de toxicidad se presenta en la Tabla 7.
Análisis DFT del complejo principal de IA
La energía del intervalo HOMO-LUMO calculada de 0,13886 eV sugiere una reactividad moderada. Normalmente, un intervalo inferior a 0,1 eV indica una alta reactividad química (baja estabilidad), un intervalo entre 0,1 y 0,2 eV corresponde a una reactividad moderada y un intervalo superior a 0,2 eV sugiere una baja reactividad (alta estabilidad). Por lo tanto, el compuesto principal mejorado con IA demuestra un perfil de reactividad equilibrado, lo que lo hace adecuado para una mayor optimización (Fig. 13). El compuesto principal mejorado con IA, que equilibra la estabilidad y la reactividad, tiene el potencial de ser un buen punto de partida para estudios posteriores de las interacciones biológicas, basándose en su intervalo de energía. El intervalo HOMO-LUMO moderado indica que el compuesto principal mejorado con IA podría estar involucrado en interacciones de transferencia de electrones con el objetivo durante las primeras etapas del reconocimiento fármaco-objetivo, lo que podría aumentar su actividad farmacológica.
Discusión
El cáncer sigue siendo una enfermedad mortal caracterizada por patrones anormales de expresión génica que conducen a una proliferación celular incontrolada. El cáncer colorrectal (CCR), que afecta a la región rectal, es el tercer cáncer más común en el mundo y ocupa el cuarto lugar en mortalidad relacionada con el cáncer [54]. La incidencia de CCR ha ido aumentando constantemente, especialmente en los países occidentales, y factores de riesgo como el consumo regular de carne roja, la ingesta de alcohol, el tabaquismo y la obesidad contribuyen a este aumento. Los hombres son más susceptibles a estos factores de riesgo, lo que explica la mayor prevalencia de CCR en los hombres en comparación con las mujeres [55]. Estudios recientes han identificado mutaciones en la línea germinal en el gen RPS20, que codifica la proteína ribosómica S20, como un posible factor que contribuye al carcinoma colorrectal hereditario no polipósico (CCR) sin deficiencia de reparación de desajustes del ADN [56]. Estas mutaciones interrumpen el procesamiento del pre-ARNr, lo que conduce a perfiles alterados de expresión génica que pueden contribuir a la tumorigénesis [56]. Sin embargo, las estrategias terapéuticas dirigidas a RPS20 siguen siendo poco exploradas. Nuestro enfoque aprovecha los compuestos naturales mejorados con IA para inhibir RPS20, ofreciendo una nueva vía para el tratamiento del CCR. Al centrarnos en los compuestos naturales, nuestra estrategia tiene como objetivo mejorar la especificidad y reducir la toxicidad en comparación con los agentes quimioterapéuticos tradicionales.
Investigaciones previas han demostrado que los antiinflamatorios no esteroideos (AINE) se utilizan con frecuencia en el tratamiento del CCR debido a su capacidad para reducir la inflamación crónica, una característica común de la enfermedad [57]. Se ha comprobado que fármacos como la aspirina, el sulindac y la atorvastatina reducen el riesgo de CCR hasta en un 50% e inhiben el crecimiento tumoral. Específicamente, si bien muchos AINE se asocian con efectos secundarios gastrointestinales, renales y hepáticos, nuestro compuesto principal demostró no presentar nefrotoxicidad ni neurotoxicidad predicha, aunque se indicó que la hepatotoxicidad y la mutagenicidad estaban activas. Esto sugiere una mejora parcial en el perfil de toxicidad, pero también destaca las áreas que requieren una mayor optimización [58]. Las mutaciones en RPS20, que codifica la proteína ribosómica uS10, se han relacionado con el carcinoma colorrectal hereditario no polipósico (CCR), lo que destaca su papel en la susceptibilidad al cáncer colorrectal. Estas mutaciones, como V50S, interrumpen el procesamiento del pre-ARNr, lo que conduce a perfiles alterados de expresión génica que pueden contribuir a la tumorigénesis [18]. Por lo tanto, existe una necesidad urgente de opciones terapéuticas más eficaces y seguras, especialmente aquellas derivadas de fuentes naturales que sean compatibles con la fisiología humana. Los avances recientes en la IA ofrecen herramientas prometedoras para diseñar nuevos candidatos a fármacos con perfiles de eficacia y seguridad mejorados [59].
Se ha estudiado RPS20 por sus funciones adicionales en la formación de tumores, principalmente en relación con el cáncer colorrectal (CCR) [60]. Se ha observado que las mutaciones en RPS20 en la línea germinal de las personas son una causa de carcinoma colorrectal hereditario no polipósico, lo que aumenta nuestro conocimiento sobre su papel en la susceptibilidad al CCR [18]. También se ha detectado la sobreexpresión de RPS20 en diferentes cánceres, especialmente en el carcinoma de células renales claras (CCR), y promueve el crecimiento y la metástasis del tumor al activar las vías de señalización AKT-mTOR y ERK-MAPK [60]. A pesar de estos resultados, los científicos han dejado en gran medida de lado los intentos de dirigirse a RPS20. En su mayoría, los estudios anteriores se han centrado en dónde y cuándo se produce el silenciamiento, además de qué vías se activan, pero no en el diseño o la búsqueda de inhibidores específicos. Aunque se ha comprobado que RPS20 se relaciona tanto con el eje p53-MDM2 como con GNL1, este conocimiento aún no ha dado lugar a nuevas terapias contra el cáncer [60].
Resolvemos esta brecha combinando diferentes herramientas computacionales para buscar y crear nuevos inhibidores de moléculas pequeñas que sean activos contra RPS20. El cribado virtual, el acoplamiento molecular y las simulaciones dinámicas mostraron que ciertos compuestos se unen fuertemente y son altamente selectivos para los sitios activos de RPS20 [61]. Las técnicas más específicas difieren de las estrategias generalizadas, lo que podría conducir a resultados no deseados fuera de las vías deseadas. El hecho de que nuestro inhibidor (indirubina) inhiba las proteínas ribosómicas significa que existe un menor riesgo de interferir con la producción normal de proteínas. Los estudios indican que, in silico, estos compuestos podrían obstruir con éxito la señalización de RPS20 y ralentizar la progresión de los tumores [62]. En la terapia, dirigirse a RPS20 puede proporcionar un nuevo enfoque para los pacientes con CCR que presenten sobreexpresión o alteraciones de RPS20. Centrarse en las diferencias moleculares precisas es nuestro enfoque, que sigue las reglas de la medicina de precisión para proporcionar los mejores resultados con menos daños [43]. Anteriormente, los científicos comprendieron el papel que desempeña RPS20 en la biología del cáncer, y nosotros somos los primeros en crear un inhibidor que se dirija a esta proteína. Estos inhibidores muestran una excelente especificidad y eficacia, lo que sienta las bases para el tratamiento del cáncer de colon.
En nuestra investigación, empleamos la indirubina como un compuesto natural conocido por su propiedad anticancerígena como control positivo para verificar los hallazgos de nuestro estudio computacional. Se ha comprobado que la indirubina es eficaz para inducir la apoptosis en varias líneas de células cancerosas, especialmente en las líneas de células cancerosas de ovario, a través de mecanismos mitocondriales. Con esto, se observó que presentaba actividad de unión e interacción con la proteína RPS20 [63]. Además, las aplicaciones de la IA en el descubrimiento de fármacos han demostrado ser prometedoras para mejorar la eficiencia y la eficacia en la identificación de posibles agentes terapéuticos. Por ejemplo, una de las subsidiarias de Alphabet, Isomorphic Labs, tiene la intención de iniciar ensayos clínicos de su primer fármaco diseñado únicamente por IA antes de fin de año, como una demostración del papel muy prometedor de la IA en la transformación del desarrollo de fármacos. Nuestro enfoque sigue esta tendencia crítica al demostrar cómo la IA puede tomar compuestos naturales y convertirlos en moléculas de alta potencia con perfiles farmacológicos favorables y al reducir drásticamente la toxicidad [64], [65].
En este estudio, nuestro objetivo fue desarrollar un potente candidato a fármaco contra el CCR aprovechando los algoritmos de IA y los compuestos derivados de plantas. La proteína objetivo, "proteína de la subunidad ribosómica pequeña uS10", se recuperó de la base de datos AlphaFold y se validó mediante el diagrama de Ramachandran y el análisis ERRAT, lo que confirmó su integridad estructural. Los sitios de unión de la proteína objetivo se identificaron utilizando DeepSite, una herramienta de IA que garantiza una fuerte interacción ligando-proteína, un paso crucial para un diseño eficaz de fármacos [66]. Basándonos en una extensa revisión de la literatura, seleccionamos fitoquímicos con propiedades anticancerígenas documentadas y recuperamos sus estructuras de la base de datos PubChem. Se realizó un cribado virtual utilizando Autodock Vina y se seleccionaron los 20 fitoquímicos principales en función de sus afinidades de unión con la proteína objetivo.
Se identificó la indirubina como el compuesto principal debido a su perfil ADMET superior, sus interacciones de unión favorables y su estabilidad molecular. Para mejorar aún más su similitud con un fármaco, diseñamos un ligando mejorado con IA de la indirubina utilizando un servidor de IA, que luego se sometió a estudios de acoplamiento y dinámica molecular con Autodock Vina y MOE. El análisis de interacción molecular, realizado con LigPlot+, PyMOL y Discovery Studio, reveló que la indirubina forma un enlace de hidrógeno convencional, una interacción Pi-Cación, una interacción Pi-Sigma y cinco interacciones Pi-Alquilo con la proteína objetivo, lo que subraya su fuerte afinidad de unión [39].
Para validar aún más la estabilidad y la interacción de la indirubina con la proteína RSP20, se realizaron simulaciones de dinámica molecular (DM) y análisis MMGBSA utilizando Desmond. Los resultados de la simulación indicaron que tanto la proteína como el ligando se estabilizaron después de aproximadamente 65 nanosegundos, y los valores de RMSD demostraron una interacción en estado estacionario. El análisis RMSF destacó pequeñas fluctuaciones en ciertas regiones de la proteína, particularmente dentro de los primeros 10-15 aminoácidos y entre los aminoácidos 70 y 80, que corresponden a áreas menos estructuradas. A pesar de algunas desviaciones observadas entre los 20 y los 57 nanosegundos, la indirubina permaneció unida de forma estable dentro del bolsillo de unión de la proteína. Los cálculos de energía neta durante la simulación de 100 nanosegundos mostraron una disminución y estabilización de la energía de unión, lo que confirmó la fuerte y estable interacción entre la indirubina y la proteína RSP20.
Finalmente, el análisis ADMET confirmó que el ligando de indirubina diseñado por IA exhibió propiedades farmacocinéticas favorables, incluida una absorción gastrointestinal (GI) exitosa. El compuesto también cumplió con la regla de los cinco de Lipinski, lo que indica una buena similitud con un fármaco y una posible biodisponibilidad oral. Con un intervalo HOMO-LUMO moderado de 0,13886 eV, el compuesto principal mejorado con IA puede tener suficiente energía para permanecer estable y, al mismo tiempo, conservar cierta reactividad química para que se pueda agregar al compuesto de diseño global. Con este intervalo de energía, la IA puede participar en interacciones de transferencia de electrones, un mecanismo importante para aumentar la eficacia del fármaco.
Estos hallazgos podrían complementar estudios anteriores, lo que lleva a la conclusión de la posibilidad de utilizar el diseño de fármacos impulsado por IA para amplificar los compuestos naturales para su uso terapéutico. El acoplamiento y el análisis RSMD de la indirubina mejorada con IA mostraron una fuerte afinidad de unión y estabilidad, lo que convierte a la indirubina mejorada con IA en un candidato prometedor para estudios biológicos posteriores. Los enfoques similares a los de Naveed et al. (2023) y Sadia et al. (2024) demuestran cómo se puede utilizar la plataforma de IA WADDAICA para optimizar los compuestos naturales (en este caso, gamma-tocotrienol, ácido ascórbico y curcumina) para mejorar la eficacia y los perfiles de seguridad de estos compuestos [43], [62]. Esta investigación destaca cómo la IA puede optimizar los compuestos naturales en potentes moléculas de fármacos con propiedades farmacológicas óptimas y baja toxicidad. Por lo tanto, la indirubina mejorada con IA sirve como un ejemplo de cómo el desarrollo de candidatos a fármacos puede ser ayudado por la IA en el diseño de fármacos más seguros y eficaces, como para el cáncer, allanando el camino para el descubrimiento de fármacos en el futuro. Es probable que este compuesto se desarrolle como un agente terapéutico para el tratamiento del CCR después de una extensa validación experimental debido a sus favorables propiedades electrónicas y su potencial de unión con las proteínas objetivo. Estos resultados se alinean con estudios anteriores que enfatizan la importancia de los compuestos naturales en el tratamiento del cáncer y destacan el potencial del descubrimiento de fármacos impulsado por la IA en el desarrollo de terapias más seguras y eficaces para el cáncer colorrectal.
Conclusión
Estudios recientes han relacionado la proteína ribosómica RPS20 con la patogenia del cáncer colorrectal, y su mutación V50S contribuye a la progresión de las células malignas. En este estudio, se aplicaron técnicas de inteligencia artificial para optimizar compuestos naturales, lo que condujo a la identificación de un derivado de indirubina mejorado con IA. De los 20 compuestos analizados, este compuesto principal optimizado derivado de la indirubina exhibió una afinidad de unión superior (6,7 kcal/mol), una estabilidad dinámica favorable en simulaciones de dinámica molecular y perfiles farmacocinéticos y de toxicidad mejorados en comparación con el compuesto original. En particular, el compuesto principal mejorado con IA demostró una toxicidad reducida, una mayor solubilidad en agua y una menor toxicidad sistémica (Clase de toxicidad 5 frente a Clase 4 para la indirubina). Estos hallazgos respaldan su potencial como un candidato más seguro y eficaz para futuras terapias contra el cáncer colorrectal. Se requerirán modelos in vitro e in vivo adicionales para confirmar su eficacia farmacológica y seguridad predichas del compuesto principal mejorado con IA.
Limitaciones y perspectivas futuras
Si bien el estudio muestra resultados prometedores, tiene algunas limitaciones. El análisis se realizó sobre un pequeño conjunto de 20 compuestos naturales, y los resultados se basan en métodos in silico, que requieren validación experimental. El enfoque en las mutaciones de la proteína RPS20 limita su aplicabilidad a todos los casos de cáncer colorrectal, y las propiedades ADMET predichas del compuesto principal de IA deben confirmarse en sistemas biológicos.
Para futuras investigaciones, el compuesto principal mejorado con IA debe someterse a validación experimental a través de modelos in vitro e in vivo para confirmar su eficacia y seguridad farmacológicas predichas. Además, la exploración de otras mutaciones genéticas relacionadas con el cáncer colorrectal y la investigación de terapias combinadas con los tratamientos existentes podrían mejorar el potencial del compuesto principal de IA derivado de la indirubina como agente anticancerígeno. Si tiene éxito, se deben realizar ensayos clínicos para evaluar su seguridad y eficacia en humanos.
¡Aún no hay comentarios. Sé el primero en comentar!