Diseñar proteínas sintéticas que puedan actuar como fármacos contra el cáncer u otras enfermedades puede ser un proceso tedioso: Generalmente implica crear una biblioteca de millones de proteínas., luego examinar la biblioteca para encontrar proteínas que se unan al objetivo correcto.

Los biólogos del MIT ahora han ideado un enfoque más refinado en el que utilizan modelos informáticos para predecir cómo las diferentes secuencias de proteínas interactuarán con el objetivo.. Esta estrategia genera una mayor cantidad de candidatos y también ofrece un mayor control sobre una variedad de rasgos de proteínas., dice Amy Keating, un profesor de biología, miembro del Instituto Koch, y el líder del equipo de investigación.

“Nuestro método le brinda un campo de juego mucho más grande donde puede seleccionar soluciones que son muy diferentes entre sí y tendrán diferentes fortalezas y desventajas.," ella dice. “Nuestra esperanza es que podamos proporcionar una gama más amplia de posibles soluciones para aumentar el rendimiento de esos hits iniciales en útiles, moléculas funcionales”.

En un artículo que aparece en el procedimientos de la Academia Nacional de Ciencias la semana de octubre. 15, Keating y sus colegas utilizaron este enfoque para generar varios péptidos que pueden dirigirse a diferentes miembros de una familia de proteínas llamada Bcl-2., que ayudan a impulsar el crecimiento del cáncer.

Los recientes doctores Justin Jenson y Vincent Xue son los autores principales del artículo.. Otros autores son postdoc Tirtha Mandal, ex técnica de laboratorio Lindsey Stretz, y ex postdoctorado Lothar Reich.

Modelado de interacciones

Medicamentos proteicos, también llamados biofarmacéuticos, son una clase de medicamentos en rápido crecimiento que son prometedores para el tratamiento de una amplia gama de enfermedades. El método habitual para identificar tales fármacos es examinar millones de proteínas, elegidos al azar o seleccionados mediante la creación de variantes de secuencias de proteínas que ya han demostrado ser candidatas prometedoras. Esto implica diseñar virus o levaduras para producir cada una de las proteínas., luego exponiéndolos al objetivo para ver cuáles se unen mejor.

“Ese es el enfoque estándar: Ya sea completamente al azar, o con algún conocimiento previo, diseñar una biblioteca de proteínas, y luego ir a pescar a la biblioteca para sacar a los miembros más prometedores,Keating dice.

Si bien ese método funciona bien, por lo general produce proteínas que están optimizadas para un solo rasgo: qué tan bien se une al objetivo. No permite ningún control sobre otras características que podrían ser útiles., como los rasgos que contribuyen a la capacidad de una proteína para ingresar a las células o su tendencia a provocar una respuesta inmunitaria.

“No hay una forma obvia de hacer ese tipo de cosas: especifique un péptido con carga positiva, por ejemplo, usando la selección de biblioteca de fuerza bruta,Keating dice.

Otra característica deseable es la capacidad de identificar proteínas que se unen estrechamente a su objetivo pero no a objetivos similares., lo que ayuda a garantizar que los medicamentos no tengan efectos secundarios no deseados. El enfoque estándar permite a los investigadores hacer esto, pero los experimentos se vuelven más engorrosos, Keating dice.

La nueva estrategia consiste en crear primero un modelo informático que pueda relacionar las secuencias peptídicas con su afinidad de unión por la proteína diana.. Para crear este modelo, los investigadores primero eligieron sobre 10,000 péptidos, cada 23 aminoácidos de longitud y estructura helicoidal, y probó su unión a tres miembros diferentes de la familia Bcl-2. Eligieron intencionalmente algunas secuencias que ya sabían que unirían bien, además de otros que sabían que no lo harían, por lo que el modelo podría incorporar datos sobre un rango de habilidades vinculantes.

De este conjunto de datos, el modelo puede producir un "panorama" de cómo cada secuencia peptídica interactúa con cada objetivo. Luego, los investigadores pueden usar el modelo para predecir cómo otras secuencias interactuarán con los objetivos., y generar péptidos que cumplan con los criterios deseados.

Usando este modelo, los investigadores produjeron 36 péptidos que se predijo que se unirían fuertemente a un miembro de la familia pero no a los otros dos. Todos los candidatos se desempeñaron extremadamente bien cuando los investigadores los probaron experimentalmente., así que intentaron un problema más difícil: identificar proteínas que se unen a dos de los miembros pero no al tercero. Muchas de estas proteínas también tuvieron éxito.

“Este enfoque representa un cambio de plantear un problema muy específico y luego diseñar un experimento para resolverlo., invertir un poco de trabajo por adelantado para generar este panorama de cómo la secuencia se relaciona con la función, capturar el paisaje en un modelo, y luego poder explorarlo a voluntad para múltiples propiedades,Keating dice.

Sagar Khare, profesor asociado de química y biología química en la Universidad de Rutgers, dice que el nuevo enfoque es impresionante en su capacidad para discriminar entre objetivos proteína estrechamente relacionada.

“Selectividad de drogas es crítica para minimizar los efectos fuera de objetivo, y, a menudo la selectividad es muy difícil de codificar, por que hay muchos competidores moleculares de aspecto similar que también se unirán el fármaco, aparte de la diana pretendida. Este trabajo muestra cómo codificar esta selectividad en el propio diseño,”Dice Khare, quien no estuvo involucrado en la investigación. "Es casi seguro que se producirán aplicaciones en el desarrollo de péptidos terapéuticos".

Drogas selectivas

Los miembros de la familia de proteínas Bcl-2 juegan un papel importante en la regulación de la muerte celular programada. La desregulación de estas proteínas puede inhibir la muerte celular, ayudar a los tumores a crecer sin control, muchas compañías farmacéuticas han estado trabajando en el desarrollo de medicamentos que se dirijan a esta familia de proteínas. Para que estos medicamentos sean efectivos, puede ser importante para ellos apuntar solo a una de las proteínas, porque interrumpirlos todos podría causar efectos secundarios dañinos en las células sanas.

"En muchos casos, las células cancerosas parecen estar usando solo uno o dos miembros de la familia para promover la supervivencia celular,Keating dice. "En general, se reconoce que tener un panel de agentes selectivos sería mucho mejor que una herramienta rudimentaria que simplemente los eliminó a todos”.

Los investigadores han solicitado patentes sobre los péptidos que identificaron en este estudio., y esperan que se sigan probando como posibles fármacos. El laboratorio de Keating ahora está trabajando para aplicar este nuevo enfoque de modelado a otros objetivos proteicos.. Este tipo de modelado podría ser útil no solo para desarrollar fármacos potenciales, pero también generando proteínas para su uso en aplicaciones agrícolas o energéticas, ella dice.

Fuente:

http://news.mit.edu, por Anne Trafton