Descubrimiento de péptidos impulsado por IA para el cáncer de endometrio: modelado generativo profundo y simulación...

Área de la Ciencia:

• Oncología
• Química Computacional
• Descubrimiento de Fármacos

Sus antecedentes:

• Los tratamientos para el cáncer de endometrio (EC) requieren estrategias novedosas.
• La orientación de proteínas clave como AKT1, ESR1, Connexina-43 y CTNNB1 es crucial para el tratamiento del EC.
• La integración de la inteligencia artificial (IA) con el modelado molecular puede acelerar el descubrimiento de nuevos agentes contra el cáncer.

Objetivo del estudio:

• Desarrollar una canalización generativa impulsada por IA para diseñar nuevas moléculas similares a péptidos dirigidas a proteínas importantes implicadas en el cáncer de endometrio.
• Identificar inhibidores potentes basados en péptidos con alta afinidad de unión y estabilidad contra objetivos de EC.
• Evaluar las propiedades de similitud a fármacos, afinidad de unión, estabilidad y farmacocinéticas de las moléculas diseñadas.

Principales métodos:

• Se utilizó una canalización generativa que combina aprendizaje por refuerzo profundo (DRL), redes generativas antagónicas (GANs) y autoencoders variacionales (VAEs).
• Se generaron más de 14.200 estructuras similares a péptidos, filtradas por similitud a fármacos y criterios estructurales.
• Se empleó acoplamiento mejorado por aprendizaje profundo, simulaciones de dinámica molecular (MD) y cálculos de energía libre WaterSwap para la selección y validación.
• Se realizaron predicciones ADMET para evaluar las propiedades farmacocinéticas y la toxicidad.

Principales resultados:

• Identificó péptidos de alto rango, Gitoxósido y 9-Fluoro-11, con afinidad de unión superior a AKT1 en comparación con el inhibidor de referencia.
• Se observaron interacciones de alta afinidad para moléculas diseñadas contra los objetivos CTNNB1 y ESR1.
• Las simulaciones de MD confirmaron la estabilidad del complejo (RMSD < 2.5 Å) y energías de unión favorables (-34 a -37 kcal/mol).
• Las predicciones ADMET indicaron perfiles farmacocinéticos aceptables y baja toxicidad para la mayoría de los candidatos.

Conclusiones:

• La canalización impulsada por IA explora eficientemente el espacio químico de péptidos para la identificación rápida de candidatos terapéuticos.
• Los inhibidores desarrollados basados en péptidos y peptidomiméticos demuestran una fuerte afinidad de unión y estabilidad contra los objetivos del EC.
• El diseño de péptidos asistido por IA ofrece una estrategia escalable y rentable para las terapéuticas de próxima generación contra el cáncer de endometrio.