Método integral de trayectoria para predecir las afinidades de unión relativas de los complejos proteína-ligando

Área de la Ciencia:

• Química computacional es la química computacional.
• La biofísica es la biofísica.
• Modelado molecular y modelado molecular.

Sus antecedentes:

• El cálculo de las afinidades de unión proteína-ligando es crucial para el diseño de fármacos basado en la estructura.
• Los métodos tradicionales basados en la termodinámica estadística son a menudo computacionalmente intensivos y requieren mucho tiempo.
• Los cálculos precisos de energía libre son esenciales para las predicciones confiables de diseño de fármacos.

Objetivo del estudio:

• Desarrollar un enfoque computacional novedoso y rápido para determinar las afinidades de unión de la interacción biomolecular.
• Para superar las limitaciones de los métodos tradicionales en términos de tiempo computacional.
• Proporcionar una alternativa más rápida para los cálculos de energía libre en el diseño de fármacos.

Principales métodos:

• Un nuevo enfoque basado en una solución integral de trayectoria de la ecuación de Fokker-Planck.
• Utilizando un formalismo cinético estocástico, extendiendo la formulación integral del camino de Feynman a los sistemas clásicos.
• Modelado de ligandos como partículas brownianas que interactúan con los potenciales del receptor.

Principales resultados:

• El método calcula las afinidades de unión relativas basadas en la difusividad del ligando y la curvatura potencial de la superficie.
• Se logró un coeficiente de correlación superior a 0,93 entre las energías libres calculadas y reales en los conjuntos de datos de prueba.
• Demostró un proceso de cálculo extremadamente rápido en comparación con los métodos tradicionales.

Conclusiones:

• El enfoque presentado ofrece un método computacionalmente eficiente y preciso para los cálculos de afinidad de enlace.
• Esta nueva técnica puede acelerar significativamente el proceso de diseño de fármacos basado en la estructura.
• El método muestra una alta correlación con los datos experimentales, validando su poder predictivo.