Docking reverso

O banco de dados AlphaFold Protein Structure Database possui mais de 200.000.000 estruturas tridimensionais de proteínas. Essas estruturas são os resultados da previsão de como a proteína vai realizar as suas dobras feita pelo AlphaFold, que é um modelo de rede neural. David Baker, Demis Hassabis e John M. Jumper ganharam o Prêmio Nobel de Química em 2024 por causa dessa tecnologia e pelo uso abordagens computacionais para o design de proteínas. (JUMPER et al., 2021) (VARADI et al., 2022) (NOBEL PRIZE OUTREACH AB, 2024)

Na presente pesquisa, essa ferramenta foi utilizada para obter as estruturas tridimensionais da exotoxina U e da exoenzimas T e S. Somente assim foi possível realizar o docking reverso.

O procedimento no AutoDock 4 (FORLI, S. et al., 2016) (MORRIS et al., 2009) para o docking reverso foi semelhante ao dos outros dockings, sendo que os melhores compostos nos testes da exotoxina A foram testados na exotoxina U e nas exoenzimas S e T. A diferença entre o procedimento de coleta de dados do docking padrão e o do docking reverso está na preparação da grid, uma vez que o tamanho dessa grade é diferente para proteínas diversas, mas o espaçamento em todas as macromoléculas foi o mesmo: 1 angstrom. Na exotoxina U, cuja estrutura tridimensional identificada por AF-A0A221LFV8-F1-v4 foi obtida no AlphaFold Protein Structure Database (JUMPER et al., 2021) (VARADI et al., 2022), a grid foi feita com 90 pontos na dimensão X com centro de 5,828, 126 pontos na dimensão Y com centro de –7,843 e 96 pontos na dimensão Z com centro de 0,615. A grid da exoenzima S, cuja estrutura tridimensional identificada por AF-Q51451-F1-v4 foi obtida no AlphaFold Protein Structure Database (JUMPER et al., 2021) (VARADI et al., 2022), foi feita com 98 pontos na dimensão X com centro de 0,886, 126 pontos na dimensão Y com centro de 5,318 e 96 pontos na dimensão Z e com centro de 0,691. Na exoenzima T, cuja estrutura tridimensional identificada por AF-A0A3S3VVG0-F1-v4 foi obtida no AlphaFold Protein Structure Database (JUMPER et al., 2021) (VARADI et al., 2022), a grid foi estabelecida com 126 pontos na dimensão X com centro de –10,178, 120 pontos na dimensão Y com centro de –3,675 e 124 pontos na dimensão Z com centro -2,092.

Para o docking reverso, foram selecionados os quatro compostos inibidores da exotoxina A com o melhor potencial terapêutico, ou seja, as Amostras 4, 12 e 11 e o PJ34, o grupo controle. Assim, ao realizar o docking molecular desses compostos com outras substâncias tóxicas, como a exotoxina U e as exoenzimas S e T, é possível avaliar se fármacos desenvolvidos a partir dessas pequenas moléculas podem atuar como inibidores para mais de um fator de virulência da Pseudomonas aeruginosa. Portanto, tal etapa é importante para averiguar a eficácia geral desses compostos contra infecções nosocomiais dessa bactéria multirresistente.

Figura 1: Gráfico dos resultados do docking reverso na energia de ligação

Fonte: Autoras

No gráfico acima, é possível analisar o desempenho de cada composto no quesito da energia de ligação para cada fator de virulência da Pseudomonas aeruginosa testados na etapa do docking reverso. Desse modo, é perceptível a Amostra 11 teve os melhores resultados no geral, seguida pela Amostra 4. Já o PJ34 teve o terceiro melhor rendimento, com a Amostra 12 tendo um desempenho ruim quando comparada com os demais compostos.

A Amostra 11 foi o destaque positivo na maior parte das proteínas testadas, tendo apenas um resultado ligeiramente inferior ao da Amostra 4 na exotoxina U. Além disso, é importante ressaltar que a Amostra 11 teve o único valor de energia de ligação menor do que -7, com um resultado de -7,18 na exoenzima T. Dito isso, o desempenho da Amostra 11 foi consideravelmente pior nesses fatores de virulência do que na exotoxina A. Por exemplo, ao comparando o melhor resultado da Amostra 11 no docking reverso, que foi o da exoenzima T, com o da exotoxina A (-9,75), houve uma diferença de –2,57, sendo, portanto, uma queda de performance significativa.

A Amostra 4 também foi relativamente bem, quando comparada com esse conjunto de dados, pois chegou a ter a melhor energia de ligação na exotoxina U com –6,91 e consistentemente teve resultados melhores do que o PJ34 e a Amostra 12. Além disso, a energia de ligação daAmostra 4 foi menor do que –6 em todas as proteínas testadas. Mesmo assim, houve novamente uma queda de desempenho significativa ao comparar esses resultados com os da exotoxina A. De fato, comparando a melhor performance da Amostra 4 no docking reverso com a sua na exotoxina A, teve uma diferença de –2,09.

O PJ34, apesar de manter um constante desempenho superior ao da Amostra 12, não se destacou nesse parâmetro do docking reverso. De fato, o melhor resultado do PJ34 nesse quesito foi de –6,02 na exoenzima T, enquanto os demais valores não foram menores do que – 6. Assim, também houve uma diferença de mais de –2 entre a performance do PJ34 na exotoxina A e na exoenzima T, sendo que a energia de ligação do grupo controle na exotoxina A foi –2,21 mais baixa do que no docking reverso.

A Amostra 12 teve claramente o pior desempenho quando comparado com os demais compostos e não se destacou em nenhuma das proteínas testadas, com o seu melhor resultando sendo –5,04. Assim, a Amostra 12 teve a maior redução de performance, com uma grande diferença de –3,4.

Figura 2: Gráfico dos resultados do docking reverso na eficiência do ligante

Fonte: Autores

No gráfico acima, é possível analisar o desempenho de cada composto no quesito da eficiência do ligante para cada fator de virulência da Pseudomonas aeruginosa testados na etapa do docking reverso. Desse modo, é perceptível a Amostra 11 teve os melhores resultados no geral, seguida pelo PJ34 e pela Amostra 4. Além disso, a Amostra 12 teve um rendimento consideravelmente pior do que os demais compostos.

A Amostra 11 foi o destaque positivo na maior parte das proteínas testadas, tendo apenas um resultado igual ao da Amostra 4 na exotoxina U e tendo o melhor desempenho no resto. Além disso, é importante ressaltar que a Amostra 11 teve o único valor de eficiência do ligante menor do que -0,29, com um resultado de -0,3 na exoenzima T. Dito isso, o desempenho da Amostra 11 foi pior nesses fatores de virulência do que na exotoxina A, com uma diferença de -0,11 entre o rendimento na exotoxina A e o da exoenzima T.

O PJ34 também teve um bom desempenho nesse conjunto de dados, tendo resultados muito parecidos com os da Amostra 4. Assim, os melhores rendimentos desse composto são de -0,27 na exotoxina U e na exoenzima T, com uma performance ligeiramente pior na exoenzima S, com -0,26. Ademais, também houve uma queda de desempenho em relação ao da exotoxina A, com uma diferença de -0,1.

A Amostra 4 teve um resultado muito parecido com o do PJ34, indo melhor na exotoxina U com -0,28 e indo pior na exoenzima T com -0,25. Além disso, comparando o valor mais baixo desse conjunto de dados com o da exotoxina A, houve uma redução de performance de -0,08. Ademais, é importante destacar que essa foi a menor queda de desempenho entre os compostos testados.

A Amostra 12 teve claramente o pior desempenho quando comparado com os demais compostos e não se destacou em nenhuma das proteínas testadas, com o seu melhor resultando sendo -0,19. Dessa forma, há uma diferença de -0,06 entre o melhor resultado da Amostra 12 e pior resultados da Amostra 4. Assim, não é surpreendente que a Amostra 12 teve a maior redução de performance, com uma grande diferença de –0,13.

Figura 3: Gráfico dos resultados do docking reverso na constante de inibição

Fonte: Autoras

No gráfico acima, é possível analisar o desempenho de cada composto no quesito da constante de ligação para cada proteína testada na etapa do docking reverso. Desse modo, é perceptível a Amostra 11 teve a melhor performance nesse conjunto de dados, seguida pela Amostra 4. Enquanto o PJ34 teve o terceiro melhor rendimento, a Amostra 12 teve um desempenho muito pior do que os demais compostos.

A Amostra 11 foi o destaque positivo na maior parte das proteínas testadas, mas teve um resultado inferior ao da Amostra 4 na exotoxina U. Além disso, é importante ressaltar que a Amostra 11 teve a única constante de inibição menor do que 6 uM, com um resultado de 5,46 na exoenzima T. A queda de desempenho nesse quesito é ainda mais evidente, sendo a constante de inibição nesse indicador na exoenzima T maior do que a da exotoxina A por aproximadamente 5,389 uM.

A Amostra 4 foi pior do que a Amostra 11 nas duas exoenzimas, tendo o seu melhor resultado na exotoxina U, com 8,64 uM. Novamente, a redução de performance em relação a da exotoxina foi significativa, com uma diferença de aproximadamente 8,386 uM.

O PJ34 não conseguiu se destacar nesse indicador, com o seu melhor rendimento sendo 38,91 uM na exoenzima T. Assim, houve uma queda de desempenho em relação a exotoxina A, com uma grande diferença de cerca de 37,986 uM.

Por fim, a Amostra 4 teve claramente o pior desempenho, com a sua melhor performance sendo 203,13 na exotoxina U. Assim, há a maior redução de desempenho entre os compostos testados em relação a exotoxina A, com uma diferença de aproximadamente 202,479 uM.

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.

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.

JUMPER, John et al. Highly accurate protein structure prediction with AlphaFold. nature, v. 596, n. 7873, p. 583-589, 2021. Disponível em: < https://www.nature.com/articles/s41586- 021-03819-2 >. Acesso em: 13 ago. 2024.

NOBEL PRIZE OUTREACH AB. The Nobel Prize in Chemistry 2024. NobelPrize.org, 2024. Disponível em: <https://www.nobelprize.org/prizes/chemistry/2024/summary/>. Acesso em: 14 out. 2024.

VARADI, Mihaly et al. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic acids research, v. 50, n. D1, p. D439-D444, 2022. Disponível em: < https://academic.oup.com/nar/article/50/D1/D439/6430488?login=false >. Acesso em: 5 ago. 2024.