Search

CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Cálculos de Perturbações de Energia Livre (Free Energy Perturbation, FEP) são, na atualidade, rotineiramente aplicados na descoberta de fármacos para estimar a energia de Gibbs relativa de ligação de pequenas moléculas a alvos biomoleculares de interesse. A aplicação de técnicas de amostragem estendida pode melhorar a correlação entre predições e dados experimentais, especialmente em sistemas com mudanças conformacionais. Devido ao grande número de perturbações necessárias em uma campanha de descoberta de fármacos, a preparação manual de cálculos de FEP não é viável. Neste trabalho, apresentamos o PyAutoFEP, uma ferramenta flexível e de código aberto para automatizar a preparação de cálculos de FEP para energia de Gibbs relativa de ligação. PyAutoFEP foi escrito em Python3 e automatiza a geração de mapas de perturbação, topologias duplas, construção de sistemas para simulações de Dinâmica molecular e análise. O PyAutoFEP suporta diversos campos de força, incorpora diferentes versões de métodos de amostragem REST2 e esquemas flexíveis de janelas de λ para representar a perturbação. Para validar a ferramenta PyAutoFEP, esta foi aplicada para uma série de 14 ligantes do receptor Farnesóide X. Este sistema fez parte do desafio para a comunidade Grand Challenge 2, organizado pelo grupo Drug Design Data Resources. Uma média de 88% de sinais corretos das predições foi observado e 75% das predições alcançaram erros menores do que 1,5 kcal/mol. Resultados utilizando os campos de força Amber03/GAFF, CHARMM36m/CGenFF e OLSA-AA/M/LigParGen obtiveram r de Pearson de 0,71 ± 0,13, 0,30 ± 0,27 e 0,66 ± 0,20, respectivamente. Os resultados utilizando o Amber03/GAFF e OPSA-AA/M/LigParGen foram comparáveis às melhores submissões originais ao Grand Challenge 2. A aplicação da REST2 melhorou os resultados utilizando o CHARMM36m/CGenFF (r de Pearson = 0,43 ± 0,21), porém pouco impacto foi observado para os outros campos de força. Finalmente, utilizando um modelo estatístico, foi estimada a probabilidade de descoberta de moléculas com potência ao menos uma unidade de 1 pKi melhor do que um protótipo hipotético, quando uma ferramenta como o PyAutoFEP é aplicada para triar 10 ou 100 análogos. As probabilidades são até 7 vezes maiores se comparadas àquela obtida usando seleção aleatória, quando 100 moléculas são triadas, indicando que o PyAutoFEP pode ser útil em problemas de otimização de protótipos. O PyAutoFEP está disponível no repositório do grupo, https://github.com/lmmpf/PyAutoFEP. Free Energy Perturbation (FEP) calculations are now routinely used in drug discovery to estimate the relative free energy of binding (RFEB) of small molecules to a biomolecular target of interest. Using enhanced sampling can improve the correlation between predictions and experimental data, especially in systems with conformational changes. Due to the large number of perturbations required in drug discovery campaigns, manual setup of FEP calculations is no longer viable. Here, we introduce PyAutoFEP, a flexible and open-source tool to aid the setup of RFEB FEP. PyAutoFEP is written in Python3, and automates the generation of perturbation maps, dual-topologies, system building and molecular dynamics (MD), and analysis. PyAutoFEP supports multiple force fields, incorporates two flavors of REST2 enhanced sampling method, and allows flexible λ values along perturbation windows. To validate PyAutoFEP, it was applied to a set of 14 Farnesoid X receptor ligands, a system included in the Drug Design Data Resource Grand Challenge 2. A mean 88% correct sign prediction was achieved, and 75% of the predictions had an error below 1.5 kcal/mol. Results using Amber03/GAFF, CHARMM36m/CGenFF, and OLSA-AA/M/LigParGen had Pearson’s r values of 0.71 ± 0.13, 0.30 ± 0.27 and 0.66 ± 0.20, respectively. The Amber03/GAFF and OLSA-AA/M/LigParGen results were on par with the top Grand Challenge 2 submissions. Applying REST2 improved the results using CHARMM36m/CGenFF (Pearson’s r = 0.43 ± 0.21), but had little impact on the other force fields. Finally, we estimated the probability of finding a molecule 1 pKi better than a lead when using PyAutoFEP to screen 10 or 100 analogs. The probabilities, when comparing to random sampling, increased up 7-fold when 100 molecules were to be screened, suggesting that PyAutoFEP would likely be useful for lead optimization. PyAutoFEP is available on GitHub at https://github.com/lmmpf/PyAutoFEP.

Proteínas são polímeros lineares de aminoácidos que apresentam uma enorme variedade de estruturas e funções. Sua versatilidade está relacionada à diversidade e ordenação dos resíduos encontrados em suas cadeias. A cadeia de polímeros (estrutura primária) enovela-se em estruturas secundárias e terciárias podendo formar multímeros, conhecidas como estruturas quaternárias. Dados genômicos e estruturais permitem novas descobertas sobre como proteínas provavelmente evoluíram a partir de um pequeno conjunto inicial de domínios e arranjos de domínios. Alguns genes codificadores de proteínas parecem ter surgido de novo a partir de partes randômicas do DNA, outros parecem existir por bilhões de anos, virtualmente inalterados. Neste trabalho investigamos se existe um viés estrutural relacionado ao período de origem das proteínas. Conhecendo a época de origem das proteínas, determinada através da técnica de filoestratigrafia, analisamos dados de estrutura secundária, obtida tanto a partir de dados experimentais, como a partir de predições. Notamos que proteínas mais recentes apresentam menor conteúdo de estrutura secundária e maior diversidade no teor de alfa-hélice e fitas beta. Diferenças no uso de aminoácidos em regiões de domínios e extradomínios podem explicar as mudanças observadas. Notamos também, que as mudanças mais acentuadas ocorrem em proteínas com origem a partir de Opisthokonta. Funções relacionadas à ligação ao DNA e a fatores de transcrição são enriquecidas tanto em proteínas originadas neste clado, como em proteínas com baixa composição de estrutura secundária. Além disso, investigamos como o viés observado pode ser estendido para auxiliar a compreensão de processos de origem de novas proteínas. Realizando predições de ORFs deduzidas de regiões provavelmente não codificadoras, observamos que possíveis cadeias podem ser obtidas com conteúdo de estrutura encontrado em proteínas naturais, dando suporte à hipótese de origem de novo de genes, no que se refere a esse requerimento estrutural. Proteins are linear polymers of amino acids involved in a huge range of different structures and functions within the cell. Its versatility is related to the diversity and ordering of residues found in its side chains. The polymer chain (primary structure) folds into secondary and tertiary structures, and may form multimers, known as quaternary structures. Genomic and structural data allow new discoveries about how proteins probably evolved from a small initial set of domains and domain arrangements. Some protein-coding genes appear to have arisen from random parts of DNA, others seem to exist for billions of years, virtually unchanged. In this work, we investigate if exists a structural bias related to the period of origin of the proteins. Knowing the time of origin of proteins, determined by phylostratigraphic methods, we analyzed data from secondary structure, obtained both from experimental data and prediction data. We found that more recent proteins have generally fewer structured content and, at same time, shows more diverse structural content of alpha helices and beta strands. Differences in the use of amino acids in domains and inter-domains regions may explain these changes. We noticed that the most significant changes occur in proteins originating from Opisthokonta. Functions of the DNA binding and transcription factors are enriched in proteins originated in this clade and in proteins with lower secondary structure composition. Furthermore, we investigated if the observed bias can be extended to understanding processes of novel proteins origins. Predictions of ORFs derived from noncoding regions showed that the secondary structure composition of these sequences are compatible with those found in natural proteins. Thus, the source of new genes is compatible with the readily achieved by translation of these sequences, given support for de novo hypothesis.

CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Cruzaína é a principal cisteíno protease do Trypanosoma cruzi, sendo um alvo validado para o desenvolvimento de fármacos nesse parasito. O T. cruzi é o agente etiológico da doença Chagas, uma doença negligenciada da América Latina. O tratamento dessa doença hoje no Brasil é feito apenas com o Benznidazol, um medicamento com eficácia comprovada apenas na forma aguda da doença e que apresenta uma série de efeitos colaterais que diminuem a adesão ao tratamento. Sendo assim, o desenvolvimento de medicamentos alternativos é imprescindível e o presente trabalho se propõe a fazer uma contribuição nesse sentido. É proposta uma triagem virtual com docking molecular na busca de possíveis inibidores de cruzaína. O diferencial desse trabalho é a inclusão da ideia de seletividade já na etapa de triagem de moléculas. Isso foi incorporado ao se realizar o docking não apenas contra cruzaína, mas também contra duas enzimas homólogas em humanos, catepsinas L e B. Assim, foram selecionados oito compostos que a partir da triagem e de uma análise visual possuem o potencial de serem inibidores de cruzaína seletivos quando comparados a pelo menos uma dessas enzimas. As perspectivas desse trabalho incluem a realização de ensaios enzimáticos para determinar a atividade e a potência das moléculas contra as três enzimas, e havendo um ligante, propor modificações para melhorar sua atividade a seletividade. Cruzain is the major Trypanosoma cruzi cysteine proteinase, a validated target for drug development against this parasite. T. cruzi is the etiological agent of Chagas Disease, a pathological condition from Latin America, considered a neglected disease. Benznidazole is the medicine currently used in the treatment of this disease in Brazil. Its efficacy is proven only in the acute phase of the disease, presenting many side effects which contribute to the treatment abandonment by the patients. Therefore, it is very important to develop alternative drugs, and this work aims to contribute in this sense. To do so, a virtual screening strategy employing molecular docking was proposed to search for possible cruzain inhibitors. A differential aspect of this work was the inclusion of the selectivity idea already in the screening step. This has been incorporated by docking molecules against cruzain, but also against the human homologous enzymes cathepsin L and B. Thereby, after the virtual screening protocol and visual inspection of top scoring compounds, eight hits that might be selective for cruzain were selected. Perspectives include the evaluation of these molecules in enzymatic assays and, if a hit is confirmed, design analogues with improved activity and selectivity.