Modelo de computador oferece mais controle sobre o design de proteínas: Nova abordagem gera uma variedade maior de sequências de proteínas otimizadas para se ligar a alvos de drogas.

Projetar proteínas sintéticas que possam atuar como medicamentos para o câncer ou outras doenças pode ser um processo tedioso: Geralmente envolve a criação de uma biblioteca de milhões de proteínas, em seguida, triagem da biblioteca para encontrar proteínas que se ligam ao alvo correto.

Os biólogos do MIT criaram agora uma abordagem mais refinada na qual usam modelagem computacional para prever como diferentes sequências de proteínas irão interagir com o alvo.. Esta estratégia gera um maior número de candidatos e também oferece maior controle sobre uma variedade de características proteicas, diz Amy Keating, um professor de biologia, membro do Instituto Koch, e o líder da equipe de pesquisa.

“Nosso método oferece um campo de atuação muito maior, onde você pode selecionar soluções que são muito diferentes umas das outras e que terão pontos fortes e responsabilidades diferentes," ela diz. “Nossa esperança é que possamos fornecer uma gama mais ampla de soluções possíveis para aumentar o rendimento desses acessos iniciais em úteis., moléculas funcionais.”

Num artigo publicado no Proceedings of the National Academy of Sciences a semana de outubro. 15, Keating e seus colegas usaram essa abordagem para gerar vários peptídeos que podem atingir diferentes membros de uma família de proteínas chamada Bcl-2., que ajudam a impulsionar o crescimento do câncer.

Os recentes doutorados Justin Jenson e Vincent Xue são os principais autores do artigo. Outros autores são o pós-doutorado Tirtha Mandal, ex-técnica de laboratório Lindsey Stretz, e ex-pós-doutorado Lothar Reich.

Modelando interações

Drogas proteicas, também chamados de biofarmacêuticos, são uma classe de medicamentos em rápido crescimento que são promissores no tratamento de uma ampla gama de doenças. O método usual para identificar tais drogas é rastrear milhões de proteínas, escolhidos aleatoriamente ou selecionados através da criação de variantes de sequências de proteínas já demonstradas como candidatas promissoras. Isso envolve a engenharia de vírus ou leveduras para produzir cada uma das proteínas, em seguida, expondo-os ao alvo para ver quais deles se ligam melhor.

“Essa é a abordagem padrão: Ou completamente aleatoriamente, ou com algum conhecimento prévio, projetar uma biblioteca de proteínas, e depois vá pescar na biblioteca para retirar os membros mais promissores,”Keating diz.

Embora esse método funcione bem, geralmente produz proteínas otimizadas para apenas uma única característica: quão bem ele se liga ao alvo. Não permite qualquer controle sobre outros recursos que possam ser úteis, como características que contribuem para a capacidade de uma proteína entrar nas células ou para sua tendência de provocar uma resposta imunológica.

“Não há uma maneira óbvia de fazer esse tipo de coisa – especificar um peptídeo com carga positiva, por exemplo - usando a triagem de biblioteca de força bruta,”Keating diz.

Outra característica desejável é a capacidade de identificar proteínas que se ligam fortemente ao seu alvo, mas não a alvos semelhantes., o que ajuda a garantir que os medicamentos não tenham efeitos colaterais indesejados. A abordagem padrão permite que os pesquisadores façam isso, mas os experimentos se tornam mais complicados, Keating diz.

A nova estratégia envolve primeiro a criação de um modelo computacional que possa relacionar sequências peptídicas à sua afinidade de ligação à proteína alvo.. Para criar este modelo, os pesquisadores primeiro escolheram cerca de 10,000 peptídeos, cada 23 aminoácidos em comprimento e estrutura helicoidal, e testou sua ligação a três membros diferentes da família Bcl-2. Eles escolheram intencionalmente algumas sequências que já sabiam que se ligariam bem, além de outros que eles sabiam que não iriam, então o modelo poderia incorporar dados sobre uma série de habilidades de ligação.

A partir deste conjunto de dados, o modelo pode produzir uma “paisagem” de como cada sequência peptídica interage com cada alvo. Os pesquisadores podem então usar o modelo para prever como outras sequências irão interagir com os alvos., e gerar peptídeos que atendam aos critérios desejados.

Usando este modelo, os pesquisadores produziram 36 peptídeos que foram previstos para se ligarem fortemente a um membro da família, mas não aos outros dois. Todos os candidatos tiveram um desempenho extremamente bom quando os pesquisadores os testaram experimentalmente, então eles tentaram um problema mais difícil: identificar proteínas que se ligam a dois dos membros, mas não ao terceiro. Muitas dessas proteínas também tiveram sucesso.

“Esta abordagem representa uma mudança de colocar um problema muito específico e, em seguida, projetar um experimento para resolvê-lo., investir algum trabalho antecipadamente para gerar esse panorama de como a sequência está relacionada à função, capturando a paisagem em um modelo, e então poder explorá-lo à vontade para várias propriedades,”Keating diz.

Sagar Khare, professor associado de química e biologia química na Rutgers University, diz que a nova abordagem é impressionante na sua capacidade de discriminar entre alvos proteicos estreitamente relacionados.

“A seletividade dos medicamentos é crítica para minimizar os efeitos fora do alvo, e muitas vezes a seletividade é muito difícil de codificar porque existem muitos concorrentes moleculares de aparência semelhante que também irão ligar o medicamento além do alvo pretendido. Este trabalho mostra como codificar essa seletividade no próprio projeto,”diz Khare, que não estava envolvido na pesquisa. “Aplicações no desenvolvimento de peptídeos terapêuticos quase certamente irá acontecer.”

drogas selectivas

Os membros da família de proteínas Bcl-2 desempenham um papel importante na regulação da morte celular programada. A desregulao destas proteínas pode inibir a morte celular, ajudando os tumores a crescer sem controle, muitas empresas farmacêuticas têm vindo a trabalhar em desenvolvimento de medicamentos que têm como alvo esta família de proteínas. Para tais medicamentos possam ser eficazes, pode ser importante para eles para atingir apenas uma das proteínas, porque interromper todos eles pode causar efeitos colaterais prejudiciais nas células saudáveis.

"Em muitos casos, as células cancerígenas parecem estar usando apenas um ou dois membros da família para promover a sobrevivência celular,”Keating diz. "Em geral, reconhece-se que ter um painel de agentes seletivos seria muito melhor do que uma ferramenta rudimentar que simplesmente derrubasse todos eles.”

Os pesquisadores solicitaram patentes sobre os peptídeos que identificaram neste estudo, e eles esperam que sejam testados posteriormente como possíveis drogas. O laboratório de Keating está agora trabalhando na aplicação desta nova abordagem de modelagem a outros alvos proteicos. Este tipo de modelagem pode ser útil não apenas para o desenvolvimento de potenciais medicamentos, mas também gerando proteínas para uso em aplicações agrícolas ou energéticas, ela diz.

Fonte:

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