Nos campos da química computacional e modelagem molecular, funções de pontuação são funções matemáticas usadas para prever aproximadamente a afinidade de ligação entre duas moléculas após terem sido encaixadas. Mais comumente, uma das moléculas é um composto orgânico pequeno como um fármaco e a segunda é o alvo biológico do fármaco, como um receptor proteico. Funções de pontuação também foram desenvolvidas para prever a força de interações intermoleculares entre duas proteínas ou entre proteína e DNA.

A maioria das funções de pontuação estima alguma quantidade relacionada à mudança na energia livre de Gibbs em kcal/mol, portanto pontuações mais negativas indicam melhor encaixe, mas nem todas as funções de pontuação têm seu zero em , então o sinal da pontuação não é necessariamente significativo.

Utilidade As funções de pontuação são amplamente utilizadas na descoberta de fármacos e em outras aplicações de modelagem molecular. Estas incluem:

Triagem virtual de bancos de dados de pequenas moléculas de ligantes candidatos para identificar novas pequenas moléculas que se ligam a um alvo proteico de interesse e, portanto, são pontos de partida úteis para a descoberta de fármacos

Design de novo (projeto "do zero") de novas pequenas moléculas que se ligam a um alvo proteico

Otimização de leads de hits de triagem para otimizar sua afinidade e seletividade

Uma alternativa potencialmente mais confiável, mas computacionalmente muito mais exigente, às funções de pontuação são os cálculos de perturbação de energia livre.

Pré-requisitos As funções de pontuação são normalmente parametrizadas (ou treinadas) em relação a um conjunto de dados consistindo em afinidades de ligação determinadas experimentalmente entre espécies moleculares semelhantes às espécies que se deseja prever.

Para os métodos atualmente utilizados que visam prever afinidades de ligantes para proteínas, o seguinte deve primeiro ser conhecido ou previsto:

Estrutura terciária da proteína – arranjo dos átomos da proteína no espaço tridimensional. As estruturas proteicas podem ser determinadas por técnicas experimentais como cristalografia de raios X ou métodos de RMN em fase de solução, ou previstas por modelagem por homologia.

Conformação ativa do ligante – forma tridimensional do ligante quando ligado à proteína

Modo de ligação – orientação dos dois parceiros de ligação em relação um ao outro no complexo

As informações acima produzem a estrutura tridimensional do complexo. Com base nesta estrutura, a função de pontuação pode então estimar a força da associação entre as duas moléculas no complexo usando um dos métodos descritos abaixo. Finalmente, a própria função de pontuação pode ser usada para ajudar a prever tanto o modo de ligação quanto a conformação ativa da pequena molécula no complexo, ou alternativamente, uma função mais simples e computacionalmente mais rápida pode ser utilizada durante a execução do encaixe.

Classes

Existem quatro classes gerais de funções de pontuação:

Campo de força – as afinidades são estimadas pela soma da força das interações intermoleculares de van der Waals e eletrostáticas entre todos os átomos das duas moléculas no complexo usando um campo de força. As energias intramoleculares (também referidas como energia de deformação) dos dois parceiros de ligação também são frequentemente incluídas. Finalmente, como a ligação normalmente ocorre na presença de água, as energias de dessolvatação do ligante e da proteína às vezes são levadas em consideração usando métodos de solvatação implícita como GBSA ou PBSA.

Empírica – baseada na contagem do número de vários tipos de interações entre os dois parceiros de ligação. A contagem pode ser baseada no número de átomos do ligante e do receptor em contato entre si ou no cálculo da mudança na área de superfície acessível ao solvente (ΔSASA) no complexo em comparação com o ligante e a proteína não complexados. Os coeficientes da função de pontuação geralmente são ajustados usando métodos de regressão linear múltipla. Estes termos de interação da função podem incluir, por exemplo: hidrofóbicas — contatos hidrofóbicos (favoráveis), hidrofóbico — hidrofílicas contatos (desfavoráveis) (Responsável por ligações de hidrogênio não atendidas, que são uma importante contribuição entálpica para a ligação. Uma ligação de hidrogênio perdida pode representar 1–2 ordens de magnitude na afinidade de ligação.), número de ligações de hidrogênio (contribuição favorável para a afinidade, especialmente se protegida do solvente; se exposta ao solvente, nenhuma contribuição), número de ligações rotáveis imobilizadas na formação do complexo (contribuição entrópica conformacional desfavorável).

Baseada em conhecimento – baseada em observações estatísticas de contatos próximos intermoleculares em grandes bancos de dados 3D (como o Cambridge Structural Database ou Protein Data Bank) que são usados para derivar "potenciais de força média" estatísticos. Este método é fundamentado na suposição de que interações intermoleculares próximas entre certos tipos de átomos ou grupos funcionais que ocorrem com mais frequência do que se esperaria por uma distribuição aleatória são provavelmente energeticamente favoráveis e, portanto, contribuem favoravelmente para a afinidade de ligação.

Aprendizado de máquina – Ao contrário dessas funções de pontuação clássicas, as funções de pontuação de aprendizado de máquina são caracterizadas por não assumir uma forma funcional predeterminada para a relação entre a afinidade de ligação e as características estruturais que descrevem o complexo proteína-ligante. Desta forma, a forma funcional é inferida diretamente dos dados. Descobriu-se consistentemente que as funções de pontuação de aprendizado de máquina superam as funções de pontuação clássicas na predição de afinidade de ligação de diversos complexos proteína-ligante. Este também tem sido o caso para complexos específicos de alvos, embora a vantagem dependa do alvo e dependa principalmente do volume de dados relevantes disponíveis. Quando os devidos cuidados são tomados, as funções de pontuação de aprendizado de máquina tendem a superar fortemente as funções de pontuação clássicas no problema relacionado da triagem virtual baseada em estrutura. Além disso, se dados específicos para o alvo estiverem disponíveis, essa lacuna de desempenho se amplia. Estas revisões fornecem uma visão geral mais ampla sobre funções de pontuação de aprendizado de máquina para design de fármacos baseado em estrutura. A escolha de decoys para um determinado alvo é um dos fatores mais importantes para treinar e testar qualquer função de pontuação.

Os três primeiros tipos, campo de força, empírica e baseada em conhecimento, são comumente referidos como funções de pontuação clássicas e são caracterizados por assumir que suas contribuições para a ligação são combinadas linearmente. Devido a esta restrição, as funções de pontuação clássicas são incapazes de aproveitar grandes quantidades de dados de treinamento.

Refinamento

Como diferentes funções de pontuação são relativamente colineares, funções de pontuação de consenso podem não melhorar significativamente a precisão. Esta afirmação foi um tanto contrária à visão predominante no campo, uma vez que estudos anteriores sugeriram que a pontuação de consenso era benéfica.

Uma função de pontuação perfeita seria capaz de prever a energia livre de ligação entre o ligante e seu alvo. Mas na realidade, tanto os métodos computacionais quanto os recursos computacionais impõem restrições a este objetivo. Portanto, na maioria das vezes, são selecionados métodos que minimizam o número de ligantes falso-positivos e falso-negativos. Nos casos em que um conjunto de dados experimentais de treinamento de constantes e estruturas de ligação está disponível, um método simples foi desenvolvido para refinar a função de pontuação usada no encaixe molecular.

Referências

Categoria:Proteínas Categoria:Moléculas