Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MEDICINA PERSONALIZADA
Abstracto
En este trabajo nuestro objetivo es mostrar cómo Genome Scale Metabolic Models (GSMMs) se pueden utilizar como
herramientas para el diseño de fármacos. Al comparar las estructuras químicas de los metabolitos humanos (obtenidos
usando sus índices KEGG) y los compuestos contenidos en la base de datos de DrugBank, hemos observado que los
compuestos que muestran puntuaciones de Tanimoto superiores a 0,9 con un metabolito tienen 29,5 veces más
probabilidades de unirse a las enzimas que metabolizan el se considera metabolito, que los ligandos elegidos al azar.
Mediante el uso de datos RNA-seq para restringir un GSMM humano es posible obtener una estimación de su distribución
de flujos metabólicos y cuantificar los efectos de restringir la tasa de reacciones metabólicas elegidas (por ejemplo,
utilizando un fármaco que inhibe las enzimas que catalizan las mencionadas reacciones). Este método nos permitió
predecir los efectos diferenciales de los análogos de la lipoamida en la proliferación de células MCF7 (una línea celular de
cáncer de mama) y ASM (músculo liso de las vías respiratorias), respectivamente. Estos efectos diferenciales se
confirmaron experimentalmente, lo que proporciona una prueba de concepto de cómo se podrían utilizar los GSMM
humanos para encontrar ventanas terapéuticas contra el cáncer. Mediante el uso de datos RNA-seq de 34 líneas celulares
de cáncer diferentes y 26 tejidos sanos, se evaluaron los efectos putativos contra el cáncer de los compuestos en DrugBank
que son estructuralmente similares a los metabolitos humanos. Entre otros resultados, se predijo que la vía del
mevalonato podría constituir una buena ventana terapéutica contra la proliferación del cáncer, debido a que la mayoría
de las líneas celulares cancerosas no expresan el transportador de colesterol NPC1L1 y la lipoproteína lipasa LPL, lo que
los hace depender de la vía del mevalonato para obtener colesterol.
Introducción
Predecir qué ligandos se unen a una proteína en particular y modificar su actividad es un paso fundamental en el diseño
de fármacos, que generalmente se resuelve mediante el acoplamiento molecular [1]. La estructura de los ligandos ya
conocidos se puede utilizar como plantilla para mejorar la predicción de las interacciones fármaco-diana [2, 3]. Las enzimas
son dianas farmacológicas importantes [4] para las cuales ya se conocen algunos ligandos (sus sustratos naturales) y, por
lo tanto, son particularmente adecuados para el diseño de fármacos basados en estructuras. La suposición de que las
moléculas con estructura similar al sustrato natural de una enzima encajan en el mismo sitio de unión que el sustrato, lo
que lleva a una inhibición competitiva de la enzima, también puede usarse para inferir posibles efectos inhibidores de
fármacos ya existentes sobre enzimas diferente de sus objetivos originales, lo que permitiría el llamado reposicionamiento
o reutilización de drogas [5]. Esto es particularmente útil cuando se trata del uso de medicamentos aprobados para tratar
nuevas enfermedades, evitando muchos de los ensayos clínicos y preclínicos necesarios para un nuevo compuesto. Aquí
mostramos (como era razonable esperar) que los fármacos con un puntaje de Tanimoto superior a 0,9 con respecto a un
determinado metabolito humano tienen 29,5 veces más probabilidades de unirse a enzimas que tienen este metabolito
como sustrato que un fármaco elegido al azar. Algunos medicamentos que imitan metabolitos naturales (conocidos como
antimetabolitos) se han usado durante mucho tiempo como medicamentos contra el cáncer (por ejemplo, los
medicamentos que imitan la estructura de los folatos interfieren con la síntesis de ADN y perjudican el crecimiento
celular). El análisis realizado aquí reveló los supuestos efectos anticancerígenos de los compuestos que actualmente no se
usan como fármacos contra el cáncer.
Los efectos de un medicamento sobre un paciente y una enfermedad en particular no solo se reducen a su interacción
con sus objetivos, sino que deben verse en el contexto de la célula completa. El efecto de inhibir la actividad de una enzima
particular sobre un determinado fenotipo de enfermedad depende de las actividades de muchas otras enzimas que
forman una red compleja de reacciones metabólicas en la que los productos de una reacción son los sustratos de otros.
Por lo tanto, la respuesta a un determinado fármaco puede ser muy diferente en diferentes pacientes (o en diferentes
tipos de células), lo que conduce al campo emergente de la medicina personalizada y la elección personalizada de fármacos
[6]. Los diferentes efectos de un medicamento sobre diferentes tipos de células, dependiendo de la actividad de toda la
red metabólica, también están relacionados con la existencia de las llamadas ventanas terapéuticas, que es la posibilidad
de causar daño en un tipo de célula particular (como células tumorales) mientras minimizando los efectos negativos en
las células sanas. La búsqueda de ventanas terapéuticas adecuadas es un problema particularmente importante en el
cáncer y el interés en las enzimas metabólicas como ventanas terapéuticas está aumentando rápidamente [7]. Las
herramientas especialmente adecuadas para tratar los problemas mencionados (diseño de fármacos, reutilización de
medicamentos, medicina personalizada y búsqueda de ventanas terapéuticas) son los Modelos Metabólicos de Escala del
Genoma (GSMM).
Los GSMM [8, 9] son compilaciones exhaustivas de todas las reacciones metabólicas que tienen lugar en un organismo.
Cada una de las reacciones está asociada con una o más enzimas que están codificadas por genes específicos. Por lo tanto,
se establece una conexión directa de reacción gen-proteína, que es una característica importante de los GSMM. Teniendo
en cuenta los coeficientes estequiométricos de las diferentes reacciones en la red, es posible establecer una matriz
estequiométrica, que es una representación matemática que proporciona información cuantitativa sobre cómo los
diferentes metabolitos están vinculados a cada reacción en la red. Si se supone que las concentraciones de todos los
metabolitos internos están en estado estable, lo que es una suposición razonable debido a la rápida renovación de los
metabolitos intracelulares, es posible restringir los flujos a un espacio de distribuciones de flujo factibles y evaluar las
capacidades metabólicas de la célula (por ejemplo, su capacidad para sintetizar bloques de construcción de biomasa).
GSMM se han aplicado al estudio del cáncer y otros aspectos del metabolismo humano siguiendo diferentes enfoques [10
- 12]. Muchos de esos enfoques consisten en la generación de modelos específicos de tejido mediante la integración de
expresión génica, proteómica, metabolómica y otros datos de alto rendimiento [11, 13]. Los modelos específicos de células
o tejidos generalmente se presentan como un subconjunto del metabolismo humano total, que está activo en el tejido o
célula de interés. Cada reacción metabólica humana se presenta como presente o ausente, y no se incorpora información
cuantitativa sobre las velocidades de reacción en los modelos. Otro enfoque (el método PRIME) consiste en establecer
límites máximos para un conjunto de velocidades de reacción, basado en microarrays de expresión génica [14]. Aquí
usamos los datos RNA-seq para imponer límites de velocidad máxima en todas las reacciones en el modelo. Una vez que
el modelo está restringido según los datos de RNA-seq de un tipo de célula particular, cuantificamos los efectos de la
disminución del flujo a través de las reacciones dirigidas por un determinado fármaco en una función objetivo, que en
este caso es la capacidad de producir biomasa. bloques para la proliferación celular (la proliferación celular descontrolada
es una de las principales características del cáncer). Este enfoque se ha utilizado para identificar los medicamentos que
figuran en la base de datos de DrugBank [15] que supuestamente son capaces de alterar el crecimiento de las líneas
celulares cancerosas mientras mantienen sus efectos en los tejidos sanos lo más limitados posible. También hemos
demostrado experimentalmente que los análogos de lipoamida tienen un efecto diferencial sobre la línea celular de cáncer
de mama MCF7, en comparación con las células ASM (músculo liso de las vías respiratorias) sanas, que se predijo in silico
a partir de los perfiles RNA-seq.
Resultados
Similitud de estructura como una guía para predecir la unión de drogas y enzimas
Se utilizó un GSMM humano actualizado [16] para obtener una lista de metabolitos humanos con identificadores KEGG
[17]. En base a sus identificadores KEGG, se obtuvieron 1475 estructuras químicas diferentes de metabolitos humanos.
También se obtuvieron estructuras químicas para cada fármaco en DrugBank [15] y se calcularon las puntuaciones de
Tanimoto utilizando huellas dactilares FP4 para cada par de metabolitos usando el software OpenBabel [18]. Se extrajo
un conjunto de 4231 pares de fármaco-metabolito con puntuaciones de Tanimoto superiores a 0,9 para un análisis
posterior (excluyendo los casos triviales en los que el compuesto de DrugBank y el metabolito eran idénticos). Los números
EC para los objetivos de cada fármaco y para las enzimas asociadas a cada metabolito se extrajeron de DrugBank y KEGG
respectivamente. En 2817 casos, tanto el fármaco como el metabolito tenían al menos un objetivo informado. Para 644
pares, al menos uno de los objetivos se compartió entre el fármaco y el metabolito, que es el 23% del total de pares con
puntuaciones de Tanimoto superiores a 0,9. Como control, extrajimos 4000 pares aleatorios de fármaco-metabolito sin
ninguna restricción en sus puntajes de Tanimoto y arrancamos este procedimiento 1000 veces (S1 Fig). En promedio, en
el 1% de los casos, tanto el fármaco como el metabolito habían informado objetivos compartidos. Una prueba exacta de
Fisher resultó en un valor p de 2.2e-16 y una razón de probabilidad de 29.5. Por ejemplo, la 7,8-dihidrobiopterina se
describe en DrugBank como un inhibidor de la enzima dihidroneopterin aldolasa, que cataliza la conversión de su análogo
7,8-dihidroneopterina en 6-hidroximetil-7,8 dihidropterina y glicolaldehído (Fig. 1).