métodos in silico

Ensaios in silico

Fig. 1. A expressão in silico foi cunhada a partir das expressões in vivo e in vitro. Fonte: http://www.vls3d.com/virtual-screening/comments-about-virtuel-screening

Avalia propriedades farmacológicas por comparações com

substâncias conhecidas

Utiliza bases de dados

disponíveis

Simulações computacionais

Ensaios in silico

Fig. 2. Etapas gerais de preparação do alvo molecular. Fonte: Ferreira, et al. Química Nova v.34 n.10, 2011

Determinação da estrutura 3D

• Bases de dados;

• Planejamento baseado na estrutura do receptor (SBDD) e doligante (LBDD).

Banco de dados de produtos naturais

Ensaios in silico

Técnicas in silico

Docagem (encaixe) molecular (Molecular docking)

Fig. 3. Esquema das etapas do processo de docagem molecular. Fonte: Yariv, E. AutoDock: Computational docking of small molecules for drugdiscovery. Faculty of Life Sciences. Tel Aviv University. Disponível em: https://en-lifesci.tau.ac.il/bioinformatics-unit/Autodock_2016.

Técnicas in silico


Técnicas in silico


Fig. 4. Ligação entre A) diterpeno forscolina (ColeusForskohlii) ativador; e B)diterpeno labdane, inibidorno sítio ativo da adenililciclase.

A

B

Método de triagem biológica virtual automatizada em alta escala - vHTS(Virtual high throughput screening)

Triagem computacional;

Afinidade de um alvo molecular com a coleção da base de dados;

Calcula a complementaridade entre alvo receptor e a molécula.

Previsão da seletividade e regioseletividade da molécula.

Técnicas in silico

Impressão digital molecular (molecular fingerprint)

Técnicas in silico

Fig. 6. ‘Key position’ atribui um número específico a um determinado elemento químico estrutural; ‘Key description’ descreve a referidacaracterística estrutural; 'Key code' atribui um valor de '1' quando a característica estrutural está presente no fármaco a ser examinado, e umvalor de '0' quando a característica estrutural não está presente. Fonte: Santiago Vilar, et al. Nature Protocols. v. 9, p. 2147–2163 (2014).

Moléculas estruturalmente relacionadas podem apresentar atividade biológica similar.

Técnicas in silico

Fig. 7. Pesquisa de compostos classificados como GRAS (generally recognized as safe); Composto similares a antidepressivos.

Impressão digital molecular (molecular fingerprint)

Técnicas in silico

Farmacóforos

Fig.8. Cumarina isolada com atividade contra vírus HIV eproposta de dois grupos farmacofóricos (triânguloformado). Fonte: Hong, H. et al. J. Med. Chem. 1997, 40,930.

Técnicas in silico

Fig. 9. Moléculas com o grupamento farmacofóricoem uma ou mais conformações. Fonte: Hong, H. etal. J. Med. Chem. 1997, 40, 930.

Busca em base de dados

Farmacóforos

Técnicas in silico

Toxicóforos

Reconhecimento molecular

Fragmentos com propriedades tóxicas

Caracterização toxicológica

QSAR

Ochem.eu

Técnicas in silico

Métodos de QSAR (Relação Quantitativa entre Estrutura e Atividade)

Toxicóforos

Estrutura Atividade

Otimização

Propriedades farmacodinâmicas e

Farmacocinéticas

Fig. 10. Esquema do método de QSAR. Fonte: www.gradadm.ifsc.usp.br/dados/20121/...1/03-Aula_03_Fundamentos_QSAR.pdf

Técnicas in silico

Modelo ADMET

Técnicas in silico

*Lipinski CA, Lombardo F, Dominy BW, Feeney PJ. Adv Drug Deliv Rev. 2001 Mar 1; 46(1-3):3-26.

ADMET

•Absorção

•Distribuição

•Metabolismo

•Excreção

•Toxicidade

*Regra dos 5 de Lipinski

•Peso molecular

• Lipofilicidade

•Hidrofobicidade

•Doar/receber H+

Modelo ADMET

Técnicas in silico

[33] Lipinski CA, Lombardo F, Dominy BW, Feeney PJ. Adv Drug Deliv Rev. 2001 Mar 1; 46(1-3):3-26.

Regra dos Cinco de Lipinski

Modelo ADMET

Técnicas in silico

Regra dos Cinco de Lipinski

Desvantagens

• Interações similares entre moléculas origem natural e alvos terapêuticos.

•Benefícios com transporte ativo.

•Conformações específicas ao transporte passivo.

Modelo QSAR-ADMET

Técnicas in silico

Emprego do método QSAR para geração demodelos preditivos ADMET.

Identifica e quantifica relações entre:

propriedades da estrutura química epropriedades de ADMET;

propriedades farmacocinéticas.

• Triagem sistemática em banco de dados corporativos;

• Agrega e organiza dados encontrando padrões, associações, mudanças e anomalias.

• Pesquisa de similaridade, encaixe molecular (docking) e técnicas de ancoragem inversa.

Técnicas in silico

Mineração de Banco de Dados (Data Mining)

Fig. 12. Esquema das etapas do processo de mineração de dados. Fonte: Neto, et al. Gest. Prod. v.17, n.4, 2010

Técnicas in silico

Pesquisa de Similaridade

Algoritmos

Machine learning

Conhecimentos tradicionais

Dados biológicos

Propriedades químicas

Compostos similares possuem estruturas similares.

Técnicas in silico

Técnicas in silico + conhecimentoetnofarmacológico


Fig. 13. Molécula do inibidor da COX 1 ajustado aomodelo farmacofórico da enzima.

Técnicas in silico


Técnicas in silico + conhecimentoetnofarmacológico

Fig. 14. Representação do ácido betulínicoinserido no sítio de ligação da enzima fosfolipaseA2 por encaixe molecular (docking).

Técnicas in silico


Técnicas in silico

Inteligência Artificial

Predição de novos modelos e melhora

de suas propriedades.

Modelos moleculares a

partir informações

bases de dados.

Aprendizado de máquinas

(machinelearning)

Técnicas in silico

Identificação da proteína alvo (target fishing)

Previsão in silico dos alvos biológicos em uma molécula. Emprega ferramentas de:

Quimioinformática

Bioinformática

Machine learning

Encaixe molecular com estruturas 3D;

Impressão digital molecular

Técnicas in silico


Técnicas in silico


Farmacognosia reversa

A farmacognosia começa com a identificação de moléculas e consequentemente com aidentificação de sua atividade biológica.

A farmacognosia reversa começa com a identificação dos alvos de interesse de uma moléculavalidados posteriormente com ensaios in vitro.

Técnicas in silico

Farmacognosia reversa

As ferramentas in silico auxiliam o estudo em produtos naturais, pois:

• Podem armazenar, estruturar e facilitar a análise do crescente número de dadosna pesquisa de produtos naturais;

• Auxilia o conhecimento do uso tradicional;

• Na descoberta de fármacos, para construir de forma racional bancos de dados;

• Rastreio de moléculas miméticas as de origem natural e identificação deatividades biológicas para produtos naturais;

• Valorização dos produtos naturais.

Considerações finais