Un marco interpretable de aprendizaje profundo y acoplamiento molecular para reutilizar medicamentos existentes como...

Área de la Ciencia:

• Química computacional
• Descubrimiento de drogas
• La bioinformática

Sus antecedentes:

• El COVID-19 sigue siendo un desafío de salud global a pesar de la vacunación generalizada.
• La detección y la reutilización eficaces de fármacos son cruciales para el desarrollo de nuevas terapias.
• Los métodos existentes para identificar posibles fármacos candidatos pueden consumir mucho tiempo.

Objetivo del estudio:

• Desarrollar y validar un nuevo marco híbrido que integre el aprendizaje profundo y el acoplamiento molecular.
• Acelerar la identificación de agentes terapéuticos potenciales para el COVID-19.
• Para identificar los inhibidores de la proteasa principal del SARS-CoV-2 (MPro).

Principales métodos:

• Se utilizó un modelo de aprendizaje profundo para la selección rápida inicial de compuestos candidatos.
• Las herramientas de acoplamiento molecular (AutoDock Vina, LeDock) evaluaron las afinidades de unión.
• Se evaluó la superposición de los sitios de unión a las proteínas del fármaco con los residuos activos conocidos.

Principales resultados:

• El marco se validó utilizando cuatro pares de fármacos objetivo de COVID-19 confirmados experimentalmente.
• Enasidenib fue identificado como un prometedor inhibidor de MPro entre 29 fármacos candidatos.
• Enasidenib cumplió con los tres criterios de selección, incluida la puntuación de interacción prevista, la afinidad de unión y la superposición del sitio de unión.

Conclusiones:

• El marco híbrido de aprendizaje profundo y acoplamiento molecular ofrece una estrategia eficiente para la detección virtual y la reutilización de medicamentos.
• Enasidenib muestra potencial como inhibidor de MPro, pero requiere más validación experimental y clínica.
• Esta estrategia interpretable puede adaptarse a otros objetivos de descubrimiento de fármacos y herramientas computacionales.