StrEAMM-Thioether: Predicción Eficiente de Estructuras para Péptidos Cíclicos Vinculados por Tioéter

Área de la Ciencia:

• Química computacional
• Biofísica
• Química medicinal

Sus antecedentes:

• Los péptidos cíclicos son terapéuticas prometedoras dirigidas a interacciones proteína-proteína y membranas celulares.
• La predicción de conjuntos estructurales de péptidos cíclicos es crucial para el diseño racional de fármacos, pero es experimentalmente desafiante.
• Los métodos computacionales existentes, como la dinámica molecular (MD), son computacionalmente intensivos.

Objetivo del estudio:

• Expandir la plataforma StrEAMM (Structural Ensembles Achieved by Molecular Dynamics and Machine Learning) para péptidos cíclicos vinculados por tioéter.
• Desarrollar un método computacional rápido y preciso para predecir conjuntos estructurales de péptidos cíclicos vinculados por tioéter.
• Facilitar el diseño y descubrimiento de terapéuticas de péptidos cíclicos compatibles con el cribado por display de ARNm.

Principales métodos:

• Desarrollo y entrenamiento de modelos de redes neuronales gráficas dentro del marco StrEAMM.
• Aplicación de los modelos para predecir conjuntos estructurales de péptidos cíclicos vinculados por tioéter.
• Síntesis y caracterización experimental de péptidos cíclicos predichos utilizando Resonancia Magnética Nuclear (RMN) en solución.

Principales resultados:

• Los modelos StrEAMM-tioéter predicen con precisión conjuntos estructurales para péptidos cíclicos vinculados por tioéter.
• Se identificaron cuatro pentapéptidos cíclicos vinculados por tioéter como bien estructurados según las predicciones del modelo.
• La caracterización experimental por RMN mostró un acuerdo general con las estructuras predichas computacionalmente.

Conclusiones:

• Los modelos StrEAMM-tioéter proporcionan un método rápido y fiable para predecir conjuntos estructurales de péptidos cíclicos.
• Este enfoque agiliza el diseño y descubrimiento de terapéuticas de péptidos cíclicos.
• Los modelos pueden integrarse con plataformas de display de ARNm para un descubrimiento de fármacos eficiente.