Autores
Niño, A. (UNIVERSIDAD EL BOSQUE) ; Prieto, M. (UNIVERSIDAD EL BOSQUE) ; Guevara, J. (UNIVERSIDAD EL BOSQUE)
Resumo
La Artritis Reumatoide (AR) es una enfermedad crónica autoinmune que se caracteriza por la pérdida de la
funcionalidad en las articulaciones, actualmente para su tratamiento se encuentran terapias novedosas como
los fármacos inhibidores de la familia de enzimas Janus Quinasa (BURMESTER, G.R; POPE, J.E, 2017), por lo
que se plantea en este proyecto la síntesis de un inhibidor selectivo para la enzima Janus Quinasa 3 (JAK3)
diseñado a partir de cribado virtual basado en estructura (SBVS) y cribado virtual basado en ligando (LBVS).
se predijo la actividad biológica expresada en valores de IC50 mediante la creación de un modelo predictivo
basado en una red neuronal artificial (GUEVARA-PULIDO, J et al, 2022) y se predijo la toxicidad por medio del
software preADMET.
Palavras chaves
Cribado Virtual; Janus Quinasa; síntesis
Introdução
La investigación para el desarrollo de nuevos fármacos y alternativas de tratamiento para la artritis
reumatoide ha tenido gran auge durante los últimos años, ya que es una de las enfermedades autoinmunes
más comunes afectando hasta el 2% de la población mundial, con una prevalencia global de 460 por cada
100.000 habitantes entre los años 1980-2019 (QUEVEDO, M. P.; SALINAS, P. A. 2019), además es
considerada una de las mayores causas de ausentismo y retiro laboral prematuro por la OMS, puesto que
afecta la productividad laboral de la persona encontrándose que entre el 20 y el 70% de los pacientes
quedan discapacitados para el trabajo entre los 5 y 10 años después de la aparición de los síntomas
(VERSTAPPEN, S M. 2015). Los Jakinibs corresponden a un tipo de terapia que va orientada a la interrupción
de la vía de señalización JAK/STAT inhibiendo la familia de enzimas Janus quinasa, esta familia de fármacos
ha representado un avance considerable en el tratamiento de la AR por su eficacia anticipada debido al
número significativo de citocinas que emplean esta vía de señalización (BURMESTER, G.R; POPE, J.E, 2017).
A pesar de los resultados favorables que han tenido fármacos con dicho mecanismo como el Tofacitinib o el
Baricitinib, se ha encontrado que estos presentan efectos secundarios como lo son cefalea y aumentos en los
niveles de creatinina sérica y dislipidemia, con una elevación en el LDL medio y el colesterol HDL del 15% y el
10% respectivamente. Basado en lo anterior, varias investigaciones han planteado que una inhibición
selectiva hacia JAK3 (THORARENSEN, A. et al, 2017) (PEI, H. et al, 2018), la cual se encuentra restringida a
células del linaje linfoide, lograría contrarrestar los efectos adversos asociados a la inhibición de los otros
miembros de la familia.
Material e métodos
La metodología se dividió en tres partes: el diseño de fármacos asistido por computadora, el cual se divide en
SBVS y LBVS, síntesis y caracterización estructural y fisicoquímica del compuesto sintetizado.
Para el desarrollo de SBVS se determinó la afinidad de la interacción ligando - receptor expresada en
kcal/mol entre los fármacos de referencia y las cuatro enzimas de la familia JAK mediante el software
Autodock Vina, centrando el acoplamiento molecular en la ubicación de los aminoácidos pertenecientes al
sitio activo de cada una de estas. Para LBVS se seleccionaron los descriptores que mejor se relacionaron con
la actividad de los fármacos de referencia empleando el software PaDEL, donde se expresó numéricamente la
información química de las moléculas y posteriormente en el software Matlab se identificaron los mejores
descriptores a partir de correlaciones de pearson y mapas de calor para las cuatro enzimas en estudio, lo que
llevó a la construcción de 127 modelos predictivos empleando la red neuronal “INQA Neural Network” con
algoritmo de retropropagación que permitió realizar la predicción de los valores de IC50 para los nuevos
análogos construídos.
Por ultimo se diseñaron 100 análogos conservando el núcleo farmacoforico y se diseñó la ruta retrosintética
del análogo promisorio.
Resultado e discussão
ACOPLAMIENTO MOLECULAR
Inicialmente, se obtuvieron las cuatro proteínas cristalizadas del Protein Data Bank (PDB), se optimizaron en
Autodock tools y se determinó el sitio de acoplamiento para cada una, luego se realizó el acoplamiento
molecular en Autodock Vina donde se obtuvieron diferentes conformaciones con valores de energía de
afinidad y valores de la raíz de la desviación cuadrática media (rmsd), los cuales indican la variación en las
conformaciones respecto al mismo ligando, por lo que se seleccionó la mejor conformación con un valor rmsd
límite de 2 angstrom (Å) para obtener datos más precisos (TROTT, O.; OLSON, A. J, 2010). Los resultados del
acoplamiento de las nuevas moléculas diseñadas se compararon con los obtenidos para las moléculas de
referencia, sin embargo, no se encontraron diferencias concluyentes de selectividad para ninguna de las
enzimas de la familia, por lo que se esperaría que las moléculas tuvieran una probabilidad similar de unirse a
las proteínas y su selectividad sería determinada por la capacidad de inhibición dada por el IC50 de cada una
de las moléculas. QSAR El entrenamiento de la red neuronal “INQA Neural Network” para la construcción del
modelo predictivo de IC50 resultó en la obtención de 4 modelos matemáticos correspondientes a los
ensayos No. 2, 24, 8 y 67 para las enzimas JAK1, JAK2, JAK3 y TYK2, respectivamente, los cuales tienen un
R2 máximo >0,7 y un menor error medio del pronóstico (EMP).
A partir del análisis retrosintético se estableció la ruta sintética de 3 pasos para la formación de ILE33R1 y
fue caracterizado por NMR, IR con un 60% de rendimiento.
Conclusões
De los 127 modelos matemáticos predictivos de IC50 que se realizaron con la red neuronal “INQA Neural
Network” se seleccionaron cuatro correspondientes a las enzimas JAK1, JAK2, JAK3 y TYK2, según el R2
máximo y el menor porcentaje de error manejado, a partir de allí se realizó la predicción de IC50 de las 120
moléculas diseñadas.
Se seleccionó la molecula ILE33R1 como el candidato más promisorio para inhibidor selectivo de la JAK3,
basado principalmente en sus valores predichos de IC50, donde ILE33R1 presentó un IC50 de 4,1 nM.
Se sintetizó ILE33R1
Agradecimentos
En agradecimiento a la Universidad El Bosque y al grupo de investigación INQA, por darnos la oportunidad de
llevar a cabo este proyecto al brindarnos el espacio y los recursos necesarios para ello.
Referências
Burmester, G. R.; Pope, J. E. Novel treatment strategies in rheumatoid arthritis. The Lancet 2017, 389 (10086), 2338-2348.
Pei, H.; He, L.; Shao, M.; Yang, Z.; Ran, Y.; Li, D.; Zhou, Y.; Tang, M.; Wang, T.; Gong, Y. Discovery of a highly selective JAK3 inhibitor for the treatment of rheumatoid arthritis. Scientific reports 2018, 8 (1), 1-11.
PreADMET toxicity. PreADME/Tox – Prediction of ADME/Tox (qsarhub.com).
Quevedo Flores, M. P.; Salinas Quintuña, P. A. Artritis reumatoide: manifestaciones clínicas y criterios de laboratorio. Universidad del Azuay, 2019.
Thorarensen, A.; Dowty, M. E.; Banker, M. E.; Juba, B.; Jussif, J.; Lin, T.; Vincent, F.; Czerwinski, R. M.; Casimiro-Garcia, A.; Unwalla, R. Design of a Janus Kinase 3 (JAK3) Specific Inhibitor 1-((2 S, 5 R)-5-((7 H-Pyrrolo [2, 3-d] pyrimidin-4-yl) amino)-2-methylpiperidin-1-yl) prop-2-en-1-one (PF-06651600) Allowing for the Interrogation of JAK3 Signaling in Humans. Journal of medicinal chemistry 2017, 60 (5), 1971-1993.
Trott, O.; Olson, A. J. AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. Journal of computational chemistry 2010, 31 (2), 455-461.
Verstappen, S. M. Rheumatoid arthritis and work: the impact of rheumatoid arthritis on absenteeism and presenteeism. Best Practice & Research Clinical Rheumatology 2015, 29 (3), 495-511.
