Cribado virtual híbrido aplicado a la búsqueda de nuevos inhibidores de la N-miristoil transferasa, un blanco promisorio para la toxoplasmosis humana

FALLICO, M; ALBERCA, LN; RUIZ, ME; GANUZA, A; VANAGAS, L; CORVI, MM; BELLERA, CL

La Plata

Jornada; I Jornadas Rioplatenses de Química Medicinal; 2024

Universidad Nacional de La Plata

Toxoplasma gondiies uno de los patógenos oportunistas más importantes en humanos y es el agentecausal de la toxoplasmosis. Actualmente no existen vacunas efectivas y losfármacos aprobados presentan diversos efectos adversos. Por tales razones,existe la necesidad de contar con nuevos fármacos contra la toxoplasmosisactiva y/o crónica. La N-miristoil transferasa de T. gondii (TgNMT) se posiciona como un nuevo posible blanco deintervención. Eneste trabajo presentamos una estrategia híbrida de cribado virtual (CV),combinando modelos de machine learning y docking molecular. Inicialmente secompiló una base de datos de compuestos evaluados in vitro frente a TbNMT, considerando que la NMT de T. gondii comparte alta homología conNMT de Trypanosoma brucei, realizamosun curado y categorizamos el set de datos, luego dicho set se particionó en 3conjuntos diferentes (empleando rutinas in-houseen Python), a partir del set de entrenamiento se generaron 1000 modelosclasificadores lineales. Los mejores modelos fueron combinados para obtenermeta-clasificadores con mayor capacidad predictiva y validados mediante cribadovirtual retrospectivo calculando diversos parámetros de enriquecimiento. Elmejor meta-clasificador obtuvo un área bajo la curva ROC de 0,99 en suvalidación. Mediante el análisis de las superficies PPV, se eligió un valor decorte​, asociado a una Se de 89,6% y una Sp de 99.2% y un valor de PPV de 0,53para un rendimiento hipotético de activos del 1%. Finalmente realizamos elcribado prospectivo sobre diferentes bibliotecas digitales de compuestos(DrugBankv5.1.6, FoodDB, Drug Repurposing Hub) seleccionando 196 hits.Posteriormente debido a que la estructura de TgNMT no se encuentra elucidadaexperimentalmente se generó un modelo de TgNMT realizado in-house con Alphafold2, luego de optimizado se realizaronexperimentos de re-docking y cross-docking con las estructuras de TbNMT y LmNMT(NMT de Leishmania major) a fin deseleccionar los mejores modelos en términos de predicción de pose. Luegomediante el set de datos inicialmente compilado se evaluó la capacidadpredictiva del modelo en términos de scoring y su aplicación al CV. Finalmente,los 196 hits seleccionados en el modelo de machine learning fueron dockeados enel modelo de la proteína con Autodock4-GPU. Los potenciales inhibidoresseleccionados por ambos modelos in silicoserán evaluados en ensayos in vitrofrente a TgNMT.