Predicción de la eficacia de quimeras dirigidas a la proteólisis mediante un modelo QSP de aprendizaje profundo

Área de la Ciencia:

• Química computacional y farmacología
• Descubrimiento y desarrollo de fármacos
• Biotecnología y biología molecular

Sus antecedentes:

• Las quimeras dirigidas a la proteólisis (PROTAC) representan una nueva estrategia terapéutica para la degradación de proteínas dirigida (TPD).
• Los PROTAC ofrecen ventajas sobre los inhibidores tradicionales para dirigirse a proteínas previamente indetectables.
• La predicción de la eficacia de PROTAC es un desafío debido a la variabilidad molecular, lo que requiere métodos computacionales avanzados.

Objetivo del estudio:

• Desarrollar un marco computacional integrado para predecir la eficacia de las moléculas PROTAC.
• Combinar el aprendizaje profundo y la farmacología de sistemas cuantitativos (QSP) para mejorar la precisión predictiva.
• Estimar parámetros farmacodinámicos clave, incluida la concentración de degradación media (DC50) y la degradación máxima (Dmax).

Principales métodos:

• Integración de un modelo de aprendizaje profundo (DeepCalici) para la predicción de la afinidad de unión con un modelo QSP Hook.
• Utilización de datos experimentales curados de PROTAC-DB para el entrenamiento y validación del modelo.
• Empleo de una red neuronal profunda suplementaria para ajustar los parámetros del modelo QSP en función de las características moleculares.

Principales resultados:

• El modelo integrado demostró un fuerte rendimiento predictivo para DC50, facilitando la priorización de candidatos PROTAC.
• Las predicciones para Dmax mostraron una menor precisión, atribuida a la variabilidad experimental no capturada en el conjunto de datos.
• El estudio destaca la necesidad de datos estructurales completos y condiciones experimentales estandarizadas para mejorar el modelado.

Conclusiones:

• El marco computacional desarrollado muestra una promesa significativa para acelerar el descubrimiento de fármacos PROTAC.
• La predicción precisa de la eficacia de PROTAC es crucial para el desarrollo terapéutico eficiente.
• El trabajo futuro debe centrarse en la incorporación de datos experimentales estandarizados para refinar los modelos predictivos de Dmax.