Cribado Virtual Guiado por Farmacóforo Mejora la Reutilización de Fármacos para COVID-19

La reutilización de fármacos —reasignar medicamentos aprobados o en investigación a nuevos usos terapéuticos— ha sido durante mucho tiempo una piedra angular del descubrimiento terapéutico rápido.¹ Su éxito más celebrado, la transformación de un medicamento para hipertensión y angina en la "pastilla azul" de Pfizer, Viagra, muestra su impacto potencial. Tras el COVID-19, esta estrategia ha capturado nuevamente la atención global.

El modelado de proteínas tridimensional ofrece varias herramientas in-silico para reutilización de fármacos. Un estudio previo en esta serie demostró cómo el acoplamiento molecular puede identificar inhibidores potenciales de la proteasa principal del SARS-CoV-2 (M^pro). Aquí, preguntamos si el modelado de farmacóforo —una abstracción de las características esenciales de interacción ligando-proteína— puede entregar insights comparables y añadir mayor confianza en la selección de moléculas candidatas.

Modelado de Farmacóforo como Enfoque Alternativo

Los modelos de farmacóforo destilan las interacciones no covalentes clave que permiten a un ligando unirse a una proteína blanco, ofreciendo una perspectiva complementaria a los métodos de simulación tradicionales. Comenzamos con un conjunto de estructuras cristalinas de M^pro del SARS-CoV-2 obtenidas de Diamond Light Source.² Tras alinear las estructuras, empleamos el protocolo "Generación de Farmacóforo de Interacción" de BIOVIA Discovery Studio para extraer características de farmacóforo de cada complejo proteína-ligando. Los conteos de características variaron de dos (para 5R80 y 5R7Y) a nueve (para 6LU7). Al fusionar y simplificar características superpuestas, llegamos a un farmacóforo consensuado de 14 características que encapsula los contactos intermoleculares críticos de la proteasa con potenciales aglutinantes.

Para refinar este modelo, realizamos mutagénesis in-silico de alanina en residuos del sitio activo a través de todos los complejos. Ocho residuos —HIS41, MET49, ASN142, HIS163, MET165, PRO168, GLN189 y GLN192— emergieron como puntos calientes en al menos un complejo, con tres residuos (HIS41, MET49, MET165) identificados como puntos calientes en cuatro o más complejos. Seis de las 14 características de farmacóforo mapearon directamente sobre interacciones con estos residuos calientes. Un segundo conjunto de datos de complejos ligando-M^pro no covalentes reveló modos de unión alternativos, llevándonos a separar las seis características clave en dos grupos para cribado virtual subsiguiente.

Usando este farmacóforo refinado, cribamos una biblioteca de 2.650 fármacos aprobados por la FDA, cada uno pre-generado con múltiples conformaciones de ligando para acelerar la búsqueda. Los aciertos se definieron por coincidir al menos una característica de cada uno de los dos grupos esenciales y un mínimo de dos características adicionales de las ocho restantes. Este criterio estricto aseguró exploración diversa de modos de unión preservando interacciones con residuos críticos identificados via escaneo de alanina. El algoritmo de cribado exploró más de 12.000 combinaciones de farmacóforo. Para cada acierto, realizamos minimización de energía en el contexto de la proteína y calculamos energías de unión usando CHARMm con un modelo de solvente implícito Generalized Born/Volume (GBMV) —efectivamente un cálculo de acoplamiento constreñido por el farmacóforo.

Nos centramos en poses que involucraban cuatro residuos clave —HIS41, MET49, CYS145 y MET165— porque comprenden el díada catalítica (HIS41/CYS145) y son comunes a múltiples residuos calientes. Ordenando por energía libre de unión calculada obtuvimos los diez candidatos principales. Ritonavir, ya destacado en nuestro estudio previo de acoplamiento, ocupó el séptimo lugar en ambos análisis y está actualmente en varios ensayos clínicos de COVID-19.³

Video 1: Mejor pose de Ritonavir interactuando con HIS41, MET49, SER144, CYS145, MET165, GLU166 y GLN189.

El ligando principal de este enfoque guiado por farmacóforo fue Montelukast, un antagonista del receptor de leucotrienos cisteinil. Literatura reciente sugiere su potencial para mitigar la progresión del COVID-19.⁴

Otros compuestos con alta puntuación incluyeron Telmisartan, Moexipril e hidroxicloroquina —cada uno escrutado recientemente por potencial de reutilización, con hidroxicloroquina generando más controversia.⁵ Notablemente, la lista de aciertos derivada del farmacóforo mostró una gama más amplia de clases de blancos comparada a la lista solo de acoplamiento, dominada por inhibidores de proteasas HCV o VIH.

Nuestros resultados demuestran que integrar mutagénesis in-silico de escaneo de alanina en modelado de farmacóforo puede refinar el cribado virtual, produciendo un conjunto priorizado de candidatos de fármacos diversos. Aunque el solapamiento con aciertos derivados del acoplamiento fue modesto, la identificación compartida de Ritonavir subraya el valor de enfoques de consenso. Combinar los candidatos más fuertes de ambos métodos puede guiar validación experimental más enfocada.

En resumen, el cribado virtual guiado por farmacóforo sirve como estrategia poderosa y complementaria al acoplamiento, mejorando la confianza en la selección de candidatos y expandiendo el espacio químico explorado para terapéuticos de COVID-19.