Otimização baseada em fragmentação por IA de derivados de Sorafenibe visando VEGFR2 para patologias relacionadas à angiogênese: um estudo in silico baseado em estrutura

Por que remodelar um fármaco contra o câncer importa para muitas doenças

Novos vasos sanguíneos mantêm nossos órgãos vivos, mas quando seu crescimento sai do controle, podem nutrir tumores, danificar o olho e prejudicar a placenta durante a gravidez. Este estudo explora como inteligência artificial e simulações computacionais avançadas podem redesenhar um fármaco anticâncer existente, o sorafenibe, para controlar com mais precisão um interruptor-chave do crescimento vascular chamado VEGFR2, com a esperança de, a longo prazo, tratamentos mais seguros para doenças relacionadas à angiogênese.

O semáforo para novos vasos sanguíneos

O crescimento de vasos sanguíneos, ou angiogênese, depende fortemente de uma proteína na superfície das células que revestem os vasos chamada VEGFR2. Quando sua molécula parceira VEGF se liga, VEGFR2 instrui as células a dividirem‑se, migrarem e formarem novos vasos. Isso é útil na cicatrização e no desenvolvimento, mas prejudicial quando alimenta o suprimento sanguíneo de tumores, certas doenças oculares, inflamação crônica ou alterações anormais na placenta. Por esse papel central, o VEGFR2 se tornou um alvo farmacológico importante, e vários medicamentos já o bloqueiam. Contudo, muitos desses fármacos, incluindo o sorafenibe, atingem várias proteínas relacionadas, o que pode causar efeitos colaterais sérios.

Transformando o sorafenibe em uma ferramenta melhor

O sorafenibe é um instrumento poderoso, porém impreciso. Ele se liga à região interna “motor” do VEGFR2 e de enzimas relacionadas, interrompendo sinais que promovem o crescimento vascular. Infelizmente, sua atividade ampla traz problemas como pressão arterial elevada, sobrecarga cardíaca, reações cutâneas e risco de lesão hepática. Em vez de partir do zero, os autores usaram o esqueleto químico básico do sorafenibe como modelo inicial e perguntaram: podemos usar IA para remodelar suavemente essa molécula de modo que ela se fixe ao VEGFR2 com mais firmeza, tenha melhor comportamento no organismo e pareça menos tóxica—sem perder sua eficácia antiangiogênica?

Pondo a IA para explorar um espaço químico mais seguro

A equipe inseriu a estrutura do sorafenibe em um sistema orientado por IA que faz pequenas mudanças quimicamente realistas—adicionando ou trocando fragmentos de maneiras que um químico medicinal poderia reproduzir em laboratório. Isso produziu vinte novas moléculas candidatas que mantiveram as características centrais do sorafenibe, mas diferiam em grupos laterais e na forma geral. Os pesquisadores então confiaram inteiramente em métodos computacionais para testar esses candidatos: acoplamento virtual em um modelo 3D de alta resolução do VEGFR2, longas simulações de dinâmica molecular que imitam o agito dos átomos em condições aquosas semelhantes ao corpo, e cálculos de energia que estimam com que força cada molécula permanece ligada.

Um candidato de destaque nas simulações

Um desenho, chamado Derivado Fragmentado por IA 7 (Grow), destacou‑se consistentemente. Estudos de docking sugeriram que ele se encaixou no sulco ativo principal do VEGFR2 mais firmemente que o sorafenibe, formando uma rede mais densa de contatos com aminoácidos-chave conhecidos por serem importantes para inibidores reais. Meio microssegundo de simulações de dinâmica molecular mostrou que o complexo permaneceu notavelmente estável ao longo do tempo: a proteína ficou compacta, o bolso de ligação não colapsou nem se distorceu, e a nova molécula quase não se deslocou, mantendo várias ligações de hidrogênio e contatos hidrofóbicos ao longo de toda a simulação. Cálculos avançados em nível quântico indicaram que os elétrons do Derivado 7 estão arranjados de forma que favorece interações de carga com o VEGFR2, apoiando sua previsão de forte afinidade.

Indícios de melhor comportamento no organismo

Além de simplesmente se ligar bem, um fármaco precisa se mover com segurança pelo organismo. Os autores usaram ferramentas preditivas baseadas na web para estimar como cada candidato poderia se dissolver, ser absorvido, ser metabolizado por enzimas hepáticas e potencialmente causar danos. O Derivado 7 foi previsto como tendo solubilidade em água ligeiramente melhor e uma mistura mais equilibrada de regiões apolares e polares do que o sorafenibe, propriedades que frequentemente facilitam dosagem e formulação. Importante, modelos de toxicidade por aprendizado de máquina sinalizaram o sorafenibe como mais propenso a causar lesão hepática induzida por fármaco, enquanto o Derivado 7 ficou no lado mais seguro desse risco específico. Ao mesmo tempo, manteve um perfil metabólico amplamente similar, o que sugere que suas vias de degradação podem ser previsíveis.

Da promessa computacional à prova no mundo real

Em termos práticos, este trabalho mostra como IA e simulações baseadas em física podem “lixar e polir” um fármaco existente em uma versão potencialmente mais precisa e segura direcionada ao mesmo interruptor molecular. O derivado redesenhado do sorafenibe aparenta, em tela, agarrar o VEGFR2 com mais firmeza e apresentar menos sinais de alerta para dano hepático, mantendo as características básicas que tornam o sorafenibe eficaz. No entanto, todas essas descobertas são predições: a nova molécula ainda não foi sintetizada nem testada em células, animais ou pacientes. A contribuição real do estudo é fornecer um candidato bem fundamentado e rico em dados—e um pipeline digital reutilizável—para medicamentos de próxima geração que controlem melhor o crescimento desordenado de vasos sanguíneos no câncer, em doenças oculares e em outras condições dirigidas pela angiogênese.

Citação: Inan, D., Karageçili, S. & Ali, N. AI fragmentation-based optimization of Sorafenib derivatives targeting VEGFR2 for angiogenesis-related pathologies: a structure-based in-silico study. Sci Rep 16, 11848 (2026). https://doi.org/10.1038/s41598-026-41232-9

Palavras-chave: angiogênese, inibidores de VEGFR2, derivados de sorafenibe, projeto de fármacos por IA, acoplamento molecular