Blind Docking

Sobre o blind docking molecular e a produção de dados:

O docking molecular é uma técnica computacional utilizada para prever a interação entre moléculas - entre um ligante e uma proteína-alvo. O Docking Proteína-Ligante, foi empregado para determinar a orientação preferencial dos derivados do PJ34 em relação à exotoxina A. Isso permite a identificação de conformações que maximizam a afinidade de ligação. Portanto, essa etapa é essencial para avaliar a potência dos compostos como inibidores da exotoxina A.

No docking molecular, foi realizado testes relacionados a potência dos compostos como potenciais inibidores da exotoxina A. Assim, foram obtidos dados como a energia de ligação, a constante de inibição e a eficiência do ligante. Para tanto, a ferramenta AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009) foi utilizada.

O docking foi feito no dispositivo LAPTOP-57R8D5LP, com 17,9 GB de memória do computador utilizável e com um processador AMD Ryzen 5 3500U (2.10 GHz).

A primeira etapa para produzir os dados do docking foi a preparação da exotoxina A, cuja estrutura tridimensional, identificada por 1IKQ no banco de dados, foi obtida no Protein Data Bank (WEDEKIND et al., 2001). Nessa preparação, foi necessário deletar as moléculas de água e os átomos que não fazem parte da proteína. Então, foi adicionado hidrogênios polares. Depois, os átomos que estavam faltando foram reparados e as cargas Kollman foram adicionadas. Por fim, o último passo para a preparação da proteína tipos de átomo AD4 (de AutoDock 4) aos átomos.

A segunda etapa para realizar o docking molecular foi a preparação do ligante. A estrutura tridimensional de cada composto foi obtida no PubChem (KIM et al., 2023) e, posteriormente, teve a sua geometria otimizada no software Avogrado (HANWELL et al., 2012) (AVOGRADO, 2015). Então, usando a ferramenta AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009), as cargas Gasteiger foram computadas e o número máximo de torções do ligante foi selecionado.

Vídeo 1: Otimização da Amostra 11

Fonte: Avogrado (HANWELL et al., 2012) (AVOGRADO, 2015)

A terceira etapa para esse experimento foi estabelecer a grid do docking. Por ser um blind docking, a grid cobriu a exotoxina A inteira. A grid da exotoxina A foi feita com 88 pontos na dimensão X com centro de 36,017, 66 pontos na dimensão Y com centro 40,471 e 70 pontos na dimensão Z com centro 18,473. O espaçamento dessa grid foi de 1 angstrom. Então, após salvar as dimensões da grid, o programa AutoGrid 4 dessa ferramenta (FORLI, S. et al., 2016) (MORRIS et al., 2009) foi utilizado para terminar a preparação da grid.

Por fim, a última etapa foi atribuir os parâmetros para o docking. Para esse procedimento, a proteína foi configurada como rígida e foi utilizado as configurações padrões do AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009) no ligante e nos parâmetros do docking. Nos parâmetros de busca, foi utilizado a opção Algoritmo Genético com 40 conformações, com 25.000.000 avaliações no máximo, com um tamanho de população de 150 e com o máximo número de gerações de 27000. Além disso, como output, foi utilizado o Algoritmo Genético Lamarckiano. Depois disso, foi utilizado o programa AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009)para realizar o docking.

Vídeo 2: Blind docking molecular

Fonte: AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009)

Dados obtidos:

Nessa etapa, foram obtidos dados de energia de ligação, constante de inibição e eficiência do ligante. Para fins de análise, foram utilizados os melhores dados do maior cluster do docking de cada composto, uma vez que o propósito do blind docking é identificar sítios de ligação promissores.

A energia de ligação é a quantidade de energia liberada quando um ligante se junta a um receptor, o que forma um complexo estável. Valores baixos de energia de ligação são desejáveis; eles mostram uma interação mais forte entre as moléculas. Assim, o ligante se encaixa no sítio ativo do receptor, aumentando a probabilidade de eficácia terapêutica.

Figura 1: Gráfico do desempenho dos compostos no indicador de energia de ligação

Fonte: Autoras

O gráfico acima é representação comparativa da energia de ligação para as 13 amostras e o PJ34. Os resultados são apresentados em um gráfico de barras verticais, onde valores mais negativos são melhores.

Vê-se uma variação nos valores de energia de ligação entre as amostras. A com o desempenho mais notável é a Amostra 2, com a energia de ligação mais baixa de -10,73, seguida de perto pela Amostra 13 com -10,16. Estas amostras têm uma afinidade de ligação forte.

Na ponta oposta do espectro, a Amostra 6 tem a pior energia de ligação com um valor de –6,53, uma interação comparativamente mais fraca. O PJ34 tem uma energia de ligação de -8,11, sendo superado por oito amostras.

As Amostras 11 e 9 também tem energias de ligação baixas, todas menores que -9,5, indicando que estas, juntamente com as Amostra 2 e 13, podem ser consideradas as mais promissoras do conjunto em termos de força de interação.

A constante de inibição é um dos parâmetros mais importantes na farmacologia, porque diz respeito a afinidade entre um inibidor e sua enzima-alvo. Valores baixos dessa constante estão relacionados a uma interação forte, o que leva a favorável relação concentração-eficácia. Um valor baixo pode revelar que o inibidor se liga competitivamente ao sítio ativo da enzima ou que interfere em outras etapas do processo catalítico.

Figura 2: Gráfico do desempenho dos compostos no indicador de constante de inibição com dados em nM

Fonte: Autoras

No gráfico acima, é perceptível que a Amostra 2, a Amostra 13 e a Amostra 11 tiveram o melhor desempenho na constante de inibição (Ki), com, respectivamente, 13,57 nM, 35,67 nM e 95,66 nM. Assim, tendo em vista que esses valores são menores que 100 nM, é possível considerar que tais compostos são inibidores potentes da exotoxina A. Além dessas amostras, as Amostras 9, 1, 3, 4 e 7 também tiveram resultados melhores do que o do PJ34, com o grupo controle tendo uma constante de inibição de 1130 nM. A Amostras 6 teve o pior rendimento, com uma constante de inibição de 16260 nM, sendo a única maior que 4000 nM. Portanto, considerando que apenas cinco amostras tiveram um desempenho pior do que o do PJ34, é possível concluir a extensão do grupo R desse composto químico resultou em inibidores mais potentes, tendo em vista o conjunto de dados coletados.

A eficiência do ligante é um parâmetro na interação entre um fármaco e sua enzima- alvo. Um valor baixo de eficiência do ligante mostra que a quantidade de inibidor para gerar o efeito desejado é reduzida, o que aponta para uma interação mais eficaz e específica. Isso é importante no desenvolvimento de fármacos, já que a minimização da dose pode diminuir potenciais efeitos colaterais e melhorar a segurança do paciente.

Figura 3: Gráfico do desempenho dos compostos no indicador de eficiência do ligante

Fonte: Autoras

No gráfico acima, é possível identificar que a Amostra 11 e a Amostra 2 tiveram o melhor desempenho no indicador de eficiência do ligante, com dados de 0,4. Além desses compostos, a Amostra 1 também teve um bom valor, com –0,38. O PJ34, quando comparado com as demais amostras, teve o quarto melhor rendimento. As Amostras 6, 8, 10 e 12 tiveram o pior desempenho, com valores maiores que –0,3. Portanto, é perceptível que, nesse indicador, a extensão do grupo R do PJ34 não foi um fator definitivo para um bom resultado, uma vez que a maior parte das amostras teve um desempenho inferior ao do grupo controle.

AVOGADRO. Avogadro: An open-source molecular editor and visualization tool. Disponível em: https://avogadro.cc/. Versão 1.2.0, 2015. Acesso em: 10 ago. 2024.

FORLI, Stefano et al. Computational protein–ligand docking and virtual drug screening with the AutoDock suite. Nature protocols, v. 11, n. 5, p. 905-919, 2016. Disponível em: < https://www.nature.com/articles/nprot.2016.051 >. Acesso em: 5 ago. 2024.

HANWELL, Marcus D. et al. Avogadro: an advanced semantic chemical editor, visualization, and analysis platform. Journal of cheminformatics, v. 4, p. 1-17, 2012. Disponível em: < https://link.springer.com/article/10.1186/1758-2946-4-17 >. Acesso em: 15 ago. 2024

MORRIS, G. M. et al. AutoDock4 and AutoDockTools4: automated docking with selective receptor flexibility. J. Computational Chemistry, v. 30, n. 16, p. 2785-2791, 2009. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2760638/. Acesso em: 11 ago. 2024.

WEDEKIND, Joseph E. et al. Refined crystallographic structure of Pseudomonas aeruginosa exotoxin A and its implications for the molecular mechanism of toxicity. Journal of molecular biology, v. 314, n. 4, p. 823-837, 2001. Disponível em: < https://www.sciencedirect.com/science/article/pii/S0022283601951952?casa_token=gtiRpmc wvXIAAAAA:7Og_uofP8- INAPZVvyAvBPZd8C7g_49LWW8L6vvWJ_3QAJ9_7S_OZrja97- OOqmUGzWVfGJhEXU>. Acesso em: 5 ago. 2024.