Triagem Virtual Guiada por Farmacóforo Aprimora Reutilização de Fármacos para COVID-19

A reutilização de fármacos — reatribuir medicamentos aprovados ou investigacionais a novos usos terapêuticos — tem sido uma pedra angular da descoberta terapêutica rápida.¹ Seu sucesso mais celebrado, a transformação de um medicamento para hipertensão e angina no "comprimido azul" da Pfizer, Viagra, demonstra seu impacto potencial. Na esteira da COVID-19, esta estratégia novamente capturou atenção global.

Modelagem tridimensional de proteínas oferece várias ferramentas in silico para reutilização de fármacos. Um estudo anterior nesta série demonstrou como docking molecular pode identificar potenciais inibidores da protease principal do SARS-CoV-2 (M^pro). Aqui, perguntamos se modelagem de farmacóforo — uma abstração das características essenciais de interação ligante-proteína — pode fornecer insights comparáveis e adicionar confiança na seleção de moléculas candidatas.

Modelagem de Farmacóforo como Abordagem Alternativa

Modelos de farmacóforo destilam as interações não-ligantes-chave que permitem a um ligante se ligar a um alvo proteico, oferecendo perspectiva complementar aos métodos de simulação tradicionais. Começamos com um conjunto de estruturas cristalinas de M^pro do SARS-CoV-2 obtidas do Diamond Light Source.² Após alinhar as estruturas, empregamos o protocolo "Interaction Pharmacophore Generation" do BIOVIA Discovery Studio para extrair características de farmacóforo de cada complexo proteína-ligante. Contagens de características variaram de dois (para 5R80 e 5R7Y) a nove (para 6LU7). Mesclando e simplificando características sobrepostas, chegamos a um farmacóforo consenso de 14 características que encapsula os contatos intermoleculares críticos da protease com ligantes potenciais.

Para refinar este modelo, realizamos mutagênese in silico de alanina nos resíduos do sítio ativo em todos os complexos. Oito resíduos — HIS41, MET49, ASN142, HIS163, MET165, PRO168, GLN189 e GLN192 — emergiram como hotspots em pelo menos um complexo, com três resíduos (HIS41, MET49, MET165) identificados como hotspots em quatro ou mais complexos. Seis das 14 características de farmacóforo mapearam diretamente em interações com esses resíduos hotspot. Um segundo conjunto de dados de complexos ligante M^pro não-covalentes revelou modos de ligação alternativos, levando-nos a separar as seis características-chave em dois grupos para triagem virtual subsequente.

Usando este farmacóforo refinado, examinamos uma biblioteca de 2.650 fármacos aprovados pela FDA, cada um pré-gerado com múltiplas conformações de ligante para acelerar a busca. Hits foram definidos pela correspondência de pelo menos uma característica de cada um dos dois grupos essenciais e um mínimo de duas características adicionais das oito restantes. Este critério rigoroso garantiu exploração diversa de modos de ligação enquanto preservava interações com resíduos críticos identificados via varredura de alanina. O algoritmo de triagem explorou mais de 12.000 combinações de farmacóforo. Para cada hit, realizamos minimização de energia no contexto da proteína e calculamos energias de ligação usando CHARMm com modelo de solvente implícito Generalized Born/Volume (GBMV) — efetivamente um cálculo de docking restrito pelo farmacóforo.

Focamos em poses que engajavam quatro resíduos-chave — HIS41, MET49, CYS145 e MET165 — porque estes compreendem a díade catalítica (HIS41/CYS145) e são comuns a múltiplos resíduos hotspot. Ordenando pela energia livre de ligação calculada, obtivemos os dez principais candidatos. Ritonavir, já destacado em nosso estudo anterior de docking, classificou-se em sétimo em ambas as análises e está atualmente em vários ensaios clínicos para COVID-19.³

Vídeo 1: Melhor pose do Ritonavir interagindo com HIS41, MET49, SER144, CYS145, MET165, GLU166 e GLN189.

O principal ligante desta abordagem guiada por farmacóforo foi Montelukast, um antagonista do receptor de leucotrieno cisteinil. Literatura recente sugere seu potencial para mitigar progressão da COVID-19.⁴

Outros compostos com alta pontuação incluíram Telmisartan, Moexipril e hidroxicloroquina — cada um recentemente examinado para potencial de reutilização, com hidroxicloroquina gerando mais controvérsia.⁵ Notavelmente, a lista de hits derivada do farmacóforo mostrou uma gama mais ampla de classes de alvos comparada à lista apenas de docking, dominada por inibidores de protease HCV ou HIV.

Nossos resultados demonstram que integrar varredura de mutagênese de alanina in silico na modelagem de farmacóforo pode refinar triagem virtual, produzindo um conjunto priorizado de candidatos de fármacos diversos. Embora a sobreposição com leads derivados de docking fosse modesta, a identificação compartilhada de Ritonavir ressalta o valor de abordagens de consenso. Combinar os candidatos mais fortes de ambos os métodos pode guiar validação experimental mais focada.

Em resumo, triagem virtual guiada por farmacóforo serve como estratégia poderosa e complementar ao docking, aumentando confiança na seleção de candidatos e expandindo o espaço químico explorado para terapêuticos contra COVID-19.