Avances recientes en estrategias computacionales para la predicción del sitio alostérico: aprendizaje automático,...

Área de la Ciencia:

• Química computacional
• Farmacología
• La bioinformática

Sus antecedentes:

• El descubrimiento de fármacos alostéricos se dirige a sitios distintos del sitio activo.
• Los métodos tradicionales se enfrentan a desafíos para identificar y validar los sitios alostéricos.
• Los enfoques computacionales son cada vez más vitales para el descubrimiento de medicamentos modernos.

Objetivo del estudio:

• Explorar la integración sinérgica del aprendizaje automático (ML), las simulaciones de dinámica molecular (MD) y la teoría de redes en el descubrimiento de fármacos alostéricos.
• Para resaltar las capacidades de estos métodos computacionales en la identificación de sitios alostéricos y vías de comunicación.
• Para discutir los desafíos actuales y las direcciones futuras en el campo.

Principales métodos:

• Los modelos de aprendizaje automático analizan conjuntos de datos biológicos para predecir posibles sitios alostéricos.
• El muestreo mejorado en simulaciones de dinámica molecular revela conformaciones transitorias de proteínas.
• La teoría de la red analiza las vías de comunicación de proteínas para identificar los sitios de modulación alostérica.

Principales resultados:

• El uso combinado de ML, MD y teoría de redes permite el diseño racional de moduladores alostéricos.
• Estos métodos integrados mejoran la identificación de los sitios alostéricos y la comprensión de su función.
• La aplicación sinérgica acelera el proceso de descubrimiento de fármacos.

Conclusiones:

• La integración de ML, MD y la teoría de redes representa un cambio de paradigma en el descubrimiento de fármacos alostéricos.
• Superar desafíos como el costo computacional y las limitaciones de datos es crucial para los avances futuros.
• Las estrategias futuras que involucran MD acelerado por ML y modelos avanzados como AlphaFold impulsarán avances terapéuticos.