Perfilagem de quinases guiada por farmacóforos aplicada ao conjunto de dados quimogenômicos PKIS2

Por que isso importa para os medicamentos do futuro

Muitos medicamentos modernos atuam bloqueando enzimas chamadas quinases, que funcionam como interruptores liga–desliga nas nossas células. Mas a maioria das moléculas de droga não atinge apenas um interruptor; elas acionam vários ao mesmo tempo, o que pode ser tanto útil quanto perigoso. Este estudo introduz uma nova maneira de decifrar o “código de forma” oculto que faz moléculas se ligarem a quinases específicas, usando um grande conjunto público de dados de inibidores de quinase. A abordagem pode ajudar pesquisadores a projetar fármacos mais bem direcionados — seja com alta seletividade ou propositalmente multitarget — ao entender quais padrões 3D em uma molécula tendem a ativar quais quinases.

Encontrando formas comuns em um mar de moléculas

Os autores partem do PKIS2, uma coleção quimogenômica de 645 pequenas moléculas testadas em 406 quinases humanas. Em vez de escolher manualmente alguns compostos exemplo para cada quinase, eles deixam os dados falarem por si. Para cada molécula, geram múltiplas possíveis conformações 3D e traduzem cada uma em um mapa simples de características-chave que frequentemente dirigem a ligação, como pontos de formação de ligações de hidrogênio, grupos carregados, regiões hidrofóbicas e anéis aromáticos. Esses mapas, chamados farmacóforos, capturam as posições relativas dessas características no espaço sem depender de química detalhada. Ao minerar milhares desses mapas ao longo de todos os compostos, a equipe extrai automaticamente padrões 3D recorrentes — “hipóteses de farmacóforo” — que aparecem em muitas moléculas diferentes.

Pontuando quais formas importam para quais quinases

Um desafio central é decidir quais padrões de farmacóforo estão realmente ligados à atividade biológica e quais são apenas ruído estatístico. Os pesquisadores introduzem uma nova pontuação, a Medida de Enriquecimento Normalizada (NEM), que compara com que frequência compostos que correspondem a um determinado farmacóforo são ativos em uma quinase com que frequência qualquer composto no conjunto de dados é ativo nessa mesma quinase. Ao contrário de medidas antigas, a NEM corrige o fato de que algumas quinases são atingidas por muitos compostos e outras por muito poucos, de modo que os padrões podem ser avaliados de forma justa em todo o painel. Eles se concentram em farmacóforos de complexidade moderada, normalmente envolvendo quatro ou cinco características, que ainda cobrem quase todas as moléculas mas evitam padrões raros e excessivamente específicos.

Revelando perfis de quinases compartilhados e seletivos

Ao aplicar a NEM a cada par farmacóforo–quinase, o estudo constrói um mapa rico de como padrões de características 3D se relacionam com atividade contra quinases. Para cada farmacóforo, é possível ver quais quinases ele tende a ativar, e para cada quinase, quais farmacóforos descrevem melhor seus ligantes ativos. Usando um procedimento automático de seleção, eles condensam milhares de candidatos em conjuntos compactos de farmacóforos representativos. Para a quinase DDR1, um alvo emergente em câncer, onze desses padrões 3D explicam a maioria de seus compostos ativos e mostram um forte viés em direção à família maior das tirosina quinases, correspondendo à biologia conhecida. Análises semelhantes para VEGFR2, um receptor chave no crescimento de vasos sanguíneos, revelam outro aglomerado de farmacóforos enriquecidos em tirosina quinases e reproduzem perfis multiquinase conhecidos de drogas como dasatinibe e sorafenibe.

Verificação cruzada com dados de drogas do mundo real

Para testar se esses padrões abstratos são significativos além de um único conjunto de dados, os autores os projetam sobre vários recursos públicos de grande escala: ChEMBL, DrugBank, KLIFS, KINOMEscan, Kinobeads e o programa LINCS. Muitos farmacóforos extraídos do PKIS2 também correspondem a milhares de ligantes de quinase no ChEMBL e aparecem em estruturas 3D onde inibidores estão ligados a quinases no Protein Data Bank. Para drogas bem estudadas, as previsões baseadas em farmacóforos coincidem com perfis multiquinase medidos experimentalmente. A equipe demonstra ainda que, combinando as pontuações NEM com regras lógicas simples — como selecionar farmacóforos fortes para DDR1 mas fracos para VEGFR2 — é possível delinear padrões que favorecem um perfil de quinase em detrimento de outro, sugerindo uma rota prática para controlar seletividade.

Das cartas de padrões para um desenho de quinases mais inteligente

Em termos gerais, este trabalho constrói uma espécie de “legenda do mapa” para a descoberta de fármacos contra quinases: indica quais arranjos simples de características 3D em pequenas moléculas tendem a ativar quais quinases, across vários conjuntos de dados. Como o método é não supervisionado, escalável e liberado como software de código aberto, pode ser aplicado a qualquer novo painel de triagem. Químicos podem usá-lo para rastrear bibliotecas virtuais, prever quais quinases uma nova molécula provavelmente atingirá e identificar quais partes de um esqueleto molecular impulsionam atividade ampla ou seletividade acentuada. Ao longo do tempo, combinar esses mapas de farmacóforos com modelos modernos de aprendizado de máquina pode ajudar a orientar o desenho de medicamentos para quinases mais seguros e eficazes, tornando a complexa paisagem da polifarmacologia mais compreensível e previsível.

Citação: Bureau, R., Lamotte, JL., Cuissart, B. et al. Pharmacophore-driven kinase profiling applied to the PKIS2 chemogenomic dataset. Sci Rep 16, 12083 (2026). https://doi.org/10.1038/s41598-026-42945-7

Palavras-chave: inibidores de quinase, modelagem de farmacóforo, polifarmacologia, quimogenômica, projeto de fármacos