Quimioinformática y aprendizaje automático impulsado por el análisis QSAR de inhibidores de SPHK2 para el diseño de...

Área de la Ciencia:

• Química computacional y quimioinformática.
• El descubrimiento de medicamentos y la química medicinal.

Sus antecedentes:

• La esfingosina quinasa 2 (SPHK2) es crucial en el metabolismo de los esfingolípidos y un objetivo para la terapia del cáncer debido a su papel en el crecimiento tumoral y la resistencia.
• Dirigirse a SPHK2 ofrece una estrategia potencial para desarrollar nuevos agentes anticancerígenos.

Objetivo del estudio:

• Para identificar y caracterizar nuevos inhibidores de SPHK2 utilizando un enfoque computacional.
• Desarrollar modelos predictivos cuantitativos de relación estructura-actividad (QSAR) para los inhibidores de la SPHK2.

Principales métodos:

• Análisis de 269 inhibidores de la SPHK2 de ChEMBL utilizando descriptores moleculares (PubChem, MACCS, CDK, Substructure, Klekota-Roth) para el estudio de las propiedades de las proteínas.
• Desarrollo y validación de modelos QSAR utilizando seis algoritmos de aprendizaje automático (Random Forest, etc.) con métricas como R2 y Q2.
• Evaluación de los compuestos mejor clasificados utilizando el acoplamiento Glide y los cálculos de energía MMGBSA para evaluar la afinidad de unión.

Principales resultados:

• Los modelos de Bosque Aleatorio con descriptores Klekota-Roth y PubChem lograron el mejor rendimiento predictivo (R2 = 0.78, Q2 = 0.72).
• Los compuestos de plomo (CHEMBL2409888, CHEMBL2409889) mostraron afinidades de unión significativas (ΔG ≈ -58 kcal/mol) con los principales residuos (GLU293, ARG652, HIS289) y también mostraron afinidades de unión significativas (ΔG ≈ -58 kcal/mol) con los compuestos de plomo (GLU293, ARG652, HIS289).
• Los compuestos inactivos exhibieron interacciones de unión más débiles, validando los modelos predictivos.

Conclusiones:

• Una tubería computacional integradora identificó con éxito potentes inhibidores de SPHK2 con características moleculares clave.
• El estudio proporciona un marco racional y valiosos candidatos para una mayor optimización y validación biológica de los inhibidores de SPHK2 en el tratamiento del cáncer.
• Los hallazgos subrayan la utilidad de combinar el aprendizaje automático y el modelado molecular para el descubrimiento de fármacos.