Upload
trannhi
View
215
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO PARÁ
PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
DEPARTAMENTO DE PESQUISA
PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA – PIBIC
CNPq
RELATÓRIO TÉCNICO-CIENTÍFICO PERÍODO: 07/2014 a 07 /2015
( ) PARCIAL
(X) FINAL
Título do Projeto de Pesquisa: CONSTRUÇÃO DE UM BANCO DE DADOS DE MOLÉCULAS OBTIDAS DE PRODUTOS NATURAIS DA AMAZÔNIA: CONTRIBUIÇÃO NA BUSCA DE MOLÉCULAS BIOATIVAS PARA DOENÇAS TROPICAIS Nome do Orientador: Fábio Alberto de Molfetta Titulação do Orientador: Doutor Departamento: Faculdade de Química Unidade: Instituto de Ciências Exatas e Naturais Laboratório: Laboratório de Modelagem Molecular (LMM) Título do Plano de Trabalho: Planejamento de inibidores baseado em fragmentos moleculares para a enzima Cruzaína do Trypanosoma cruzi a partir de produtos naturais da Amazônia. Nome do Bolsista: Ana Paula da Silva Fonseca Tipo de bolsa: () PIBIC/ CNPq
() PIBIC /CNPq- Cota do pesquisador
(X) PIBIC/UFPA
() PIBIC/ INTERIOR
() PIBIC/PARD
() PIBIC/FAPESPA
1. INTRODUÇÃO
Doenças tropicais negligenciadas são causadas por vírus, bactérias e parasitos que
atingem cerca de 1.4 bilhão de pessoas em 149 países [OMS, 2015]. São frequentes na faixa
tropical, nos quais afetam as populações pobres e vulneráveis, além disso, como a circulação
de pessoas se torna mais intensa, o problema das doenças tropicais se mostra cada vez mais
global (ANDRICOPULO et al., 2013). O termo “doenças negligenciadas” referem-se a
doenças como Tuberculose, Malária, Leishmanioses, Doença de Chagas, Doença do Sono,
entre outras, que são causadas por agentes infecciosos e parasitários. O termo
“negligenciadas” deve-se ao fato de que tais enfermidades não são de interesse para as
grandes empresas farmacêuticas na questão de produção de medicamentos e vacinas. Além
disso, como os recursos para pesquisas neste setor são mínimos, os métodos de profilaxia são
escassos em todo o mundo (NJOROGE, et al., 2014).
O Trypanossoma cruzi (T. cruzi) é o agente etiológico da Doença de Chagas, também
conhecida como tripanossomíase americana, foi descrito pelo médico brasileiro sanitarista
Carlos Ribeiro Justiniano das Chagas em 1909 (NEVES, 2005). A doença é transmitida
através de insetos do gênero triatoma, popularmente chamados de “barbeiros”. Outras formas
de transmissão são transfusões de sangue, transplante de órgãos e através das vias congênita e
oral. Outro fator que contribui para a expansão da doença de Chagas são os movimentos
imigratórios, com o movimento de pessoas infectadas para América do Norte, Europa e outros
países (Figura 1) (SCHMUNIS, 2007; COURA E VINÃS, 2010). A doença é endêmica em 21
países da América Latina, inclusive no Brasil, com níveis de casos elevados (cerca de oito
milhões) e taxa de mortalidade de 14.000 por ano (NOGUEIRA et al., 2011).
Figura 1- Rotas de migração a partir da América Latina e estimativa de indivíduos infectados
em países onde a Doença de Chagas não é endêmica.
Fonte: www.fiocruz.com.br
Com uma incidência anual de 28.000 casos na região das Américas, a doença de Chagas
afeta aproximadamente 6 a 8 milhões de pessoas e faz com que, em média, cerca de 12.000
mortes por ano. Embora a mortalidade tem diminuído de forma significativa, a doença pode
causar consequências irreversíveis e crônicas sobre o coração, o sistema digestivo eo sistema
nervoso. Estima-se que 65 milhões de pessoas nas Américas vivem em áreas de exposição e
estão em risco de contrair esta doença. [PAHO, 2014]
O T. cruzi infecta o homem durante a hematofagia (enquanto se alimenta do sangue,
elimina as formas tripomastigotas em suas fezes). As formas infectantes podem penetrar no
corpo através das mucosas, com o ato de coçar, pelo orifício da picada, entre outras formas
(REY, 2001). A Figura 2 mostra o ciclo biológico do T. cruzi que envolve um hospedeiro
vertebrado, humanos e outros mamíferos, e um invertebrado, geralmente os triatomíneos,
podendo ser encontrado nas seguintes formas: amastigotas, epimastigotas e tripomastigota
(TEIXEIRA et al., 2012).
Assim que penetra nas células, a forma tripomastigota perde o flagelo, passando para a
forma amastigota. Nessa forma, ocorre a multiplicação por divisão binária, até que a célula
infectada esteja repleta de amastigotas. Após esse estágio, os amastigotas retornam para a
forma tripomastigotas. Como a célula está com uma concentração muito elevada de
tripomastigotas, a célula se rompe. Desse modo, as formas tripomastigotas invadem a
circulação sanguínea e linfática, afetando principalmente o coração, tubo digestivo e sistema
nervoso. Se os triatomas se alimentarem do sangue de animais e pessoas infectados, podem
ingerir as formas tripomastigotas, tornando-se vetores da Doença de Chagas. As formas
tripomastigotas presentes no triatoma transformam-se em epimastigotas no tubo digestivo,
realizam reprodução por divisão binária, voltam a forma tripomastigota e são liberadas nas
fezes do vetor, reiniciando o ciclo de contágio (RASSI JR et al., 2010; HABERLAND et al., 2013).
Figura 2 - Ciclo de transmissão do T. cruzi (simplificado). Fonte: Venício Ribeiro, ICICT/Fiocruz.
A Doença de Chagas apresenta duas fases: aguda e crônica. A fase aguda, ou inicial,
pode ou não apresentar sintomas. Em geral, se sintomática, os sintomas da fase aguda
desaparecem espontaneamente, evoluindo posteriormente para uma forma aguda mais grave
ou para a fase crônica. Em grande parte dos casos, a doença evolui para a fase crônica
assintomática, permanecendo por tempo indeterminado sem demonstrar quaisquer sinais de
contágio (ANDRADE, 1985). Para o tratamento da doença, somente dois fármacos são
disponibilizados: o Nifurtimox e o Benzonidazol (Figuras 3A e 3B, respectivamente). O
Nifurtimox é proibido em diversos países latino-americanos, inclusive no Brasil. Ambos os
fármacos possuem elevada toxidez e são eficazes somente na fase aguda da doença (COURA,
2002; WIGGERS et al., 2013). Portanto, o estudo e possível desenvolvimento de um novo
fármaco, que apresente baixa toxidez e seja viável na fase crônica são de extrema relevância
no cenário global, para questões sociais, econômicas e científicas (LEITE, 2013).
Figura 3 - Fármacos disponíveis para Doença de Chagas.
O
N H
N NO
2
N
(3A - Nifurtimox) (3B - Benzonidazol)
Dessa forma, o estudo para desenvolvimento de novas alternativas envolve a seleção de
um alvo molecular do parasito. Alguns alvos macromolecures atrativos para possíveis novos
fármacos contra a Doença de Chagas foram identificados, sendo grande parte enzimas
(COURA, CASTRO, 2002; SOEIRO, DE CASTRO, 2008). As proteases são responsáveis
pela quebra de ligações peptídicas, sendo a base fundamental para a formação de polímeros de
aminoácidos (DRAG, SALVESEN, 2008). A enzima Cruzaína (ou Cruzipaína) é a principal
cisteíno-protease do parasito T.cruzi, e está intimamente envolvida com etapas de
desenvolvimento do parasito, ou seja, é um alvo para validar novos fármacos (CUDIC,
FIELDS, 2009). No entanto, outro fator que precisa ser estudado para produção de novos
fármacos é a eficiência em ambas as fases da doença, pois os fármacos disponíveis são
ineficientes na fase crônica da doença (COURA, 2009). Para as pesquisas sobre a Cruzaína,
uma série de ensaios virtuais foi feita baseada no método de docagem molecular. A docagem
molecular reduz o número de moléculas a serem submetidas a testes experimentais, o qual
reduz tempo e aumenta a possibilidade de resultados positivos (PATIL, 2013).
O Banco de Moléculas da Amazônia (BMA) atualmente possui 870 compostos,
proveniente da maior e mais rica biodiversidade do mundo, além de componentes importantes
para a área farmacêutica da região Amazônica (CALDERON et al., 2009). Desse modo, o
Laboratório de Modelagem Molecular (LMM) da Universidade Federal do Pará criou e vem
implementando o número de compostos oriundos de produtos naturais dessa região, para
realizar ensaios virtuais para encontrar compostos que possam ser promissores para produzir
novos fármacos contra doenças negligenciadas. Pois, sabe-se que a construção de bancos de
dados facilita a identificação de substâncias químicas bioativas dirigidas a alvos biológicos de
interesse (FREITAS et al., 2009).
As moléculas presentes no BMA foram extraídas de teses, dissertações e artigos de
pesquisadores da Amazônia que tenham isolado ou sintetizado as respectivas estruturas de
produtos naturais. Desta forma, os melhores resultados foram submetidos à dinâmica
molecular, selecionando estruturas promissoras para auxiliar o desenvolvimento de novos
fármacos para a Doença de Chagas.
Os métodos de Dinâmica Molecular utilizam função de busca determinística e
fundamentos da mecânica molecular clássica para descrever o comportamento dinâmico do
sistema ao longo do tempo; logo, descrevem as posições dos átomos em função do tempo, que
tendem a se ajustar no sistema para diminuir a energia potencial [Namba, 2008]. O objetivo
da mecânica molecular é predizer a energia associada com determinada conformação de uma
molécula além de, pela minimização de energia, corrigir distorções na molécula
tridimensionais como formação desfavorável de comprimentos e ângulos de ligações e
ângulos diedros [VERLI, 2009].
2. OBJETIVOS
2.1- Objetivo geral:
Expandir o Banco de Moléculas da Amazônia com base em pesquisas
bibliográficas em teses, dissertações e artigos da literatura. Objetivo alcançado.
2.2- Objetivos Específicos:
Selecionar compostos oriundos do BMA que sejam seletivos contra a enzima
Cruzaína da Doença de Chagas. Objetivo alcançado.
Selecionar através de docagem molecular, com os programas Autodock Vina
1.1.0, e Dock 6.3, e da análise consensual moléculas seletivas contra o agente etiológico
do T. cruzi. Objetivo alcançado.
Realizar cálculos de Dinâmica Molecular com a estrutura selecionada através do
programa computacional Amber 12. Objetivo alcançado.
Avaliar os resultados das interações dos resíduos da enzima com a molécula
através da Dinâmica Molecular observando os valores de RMSD (Root Mean Square
Deviation). Objetivo alcançado.
3. JUSTIFICATIVA
A utilização de bancos de dados como ferramenta no processo de descoberta de novos
fármacos constitui uma etapa essencial da era moderna da química medicinal (OPREA, 2005).
O banco de dados permite a identificação de características estruturais de crucial importância
(FREITAS et al., 2009), de forma que a expansão do banco de dados facilitará a identificação
de substâncias químicas bioativas dirigidas ao alvo biológico de interesse.
A Doença de Chagas acomete um grande número de pessoas no Brasil, cerca de oito
milhões, e faz parte das seis doenças endêmicas parasitárias reconhecidas como prioridade
pela Organização Mundial de Saúde. Os danos causados são irreversíveis e na maioria dos
casos leva a óbito (COURA, 2005). Para o tratamento da doença, sabe-se que há apenas dois
fármacos disponíveis no mercado: Nifurtimox e Benzonidazol, que são eficazes somente na
fase aguda da doença e causam sérios efeitos colaterais. O uso de métodos de modelagem
molecular com as moléculas do BMA e a realização de ensaios virtuais são de grande
importância para o processo de identificação de novos ligantes para os alvos biológicos
selecionados e para estudo da seletividade das moléculas bioativas, bem como a descrição dos
processos de interação fármaco-receptor (MONTANARI, 2011).
4. MATERIAIS E MÉTODOS 4.1. Banco de Moléculas da Amazônia (BMA)
Como relatado anteriormente, a biodiversidade amazônica é excessivamente ampla.
Para tanta biodiversidade, uma série de compostos provenientes dessa região podem ser fontes
para novos possíveis fármacos. As moléculas de origem de produtos naturais podem ser
importantes fontes de compostos biologicamente ativos (PAZ-Y-MINÕ et al., 2012).
À vista disso, o BMA possui atualmente cerca de 870 moléculas originadas dessa
região, entre as mais variadas classes. Para o armazenamento dessas moléculas, foi utilizado o
programa Instant JChem 6.1 (ChemAxon, 2013) para a construção do BMA. Desta forma,
através do BMA é possível realizar triagens virtuais de moléculas que possam apresentar
atividade inibitória em doenças negligenciadas, tal como a doença de Chagas. Desta forma,
contribuir com o desenvolvimento de novos fármacos que auxiliem na terapia contra a doença
de Chagas.
4.2- Docagem Molecular
O processo de docagem molecular teve seu início na década de 80, tendo extensa
aplicação na química medicinal e biologia estrutural. Assim sendo, é uma ferramenta
importante no planejamento de fármacos. O método consiste em predizer o modo de ligação
de moléculas pequenas em sítios de ligação de macromoléculas alvo, avaliando os resultados
da docagem (como posição e energia) após a finalização dos cálculos (GUIDO, 2014).
O processo de docagem molecular aperfeiçoa a molécula ligada ao sítio ativo do
receptor e informa as interações entre ligante e receptor (LI et al.,2012). Esse método procura
predizer geometricamente e energeticamente a conformação e orientação do composto com o
sítio de ligação da macromolécula alvo (MUÑOZ et al., 2012; CHEN et al., 2012).
Para esse método, são usados programas computacionais para a identificação do modo
de ligação de moléculas candidatas a fármacos. Neste trabalho, foram usados os programas
Autodock Vina 1.1.0 (TROTT et al., 2010) e o Dock 6.3 (LANG et al., 2009). A docagem
molecular é uma importante ferramenta computacional na triagem in silico para a descoberta
de novos fármacos, pois auxilia a seleção de compostos promissores como ligantes de alvos
terapêuticos de interesse (WINK, 2012; FUKUNISHI, 2011).
Os protocolos de docagem são descritos como a combinação de duas componentes: as
funções de pontuação e de busca. As funções de pontuação são usadas para prever o encaixe,
ou seja, as afinidades de ligação dos ligantes com a proteína. Já as funções de busca geram as
possíveis conformações dos ligantes (RODRIGUES et al., 2012). No entanto, os resultados da
docagem variam de acordo com as características do receptor e do programa escolhido
(FREITAS, 2009).
4.3- Docagem Consensual
Com os resultados dos valores de energia de ligação obtidos nos programas Autodock
Vina 1.1.0 e Dock 6.3 a partir da docagem molecular, a energia em ambos os programas foi
analisada e feito um escalonamento (WIGGERS et al., 2013). Esse processo consiste em coletar e ranquear os dados de cada programa, um por vez,
para extrair a melhor pontuação. A partir dessa etapa, uma combinação dos resultados dos
programas com as diferentes funções de pontuação é realizada, permitindo uma nova
classificação das estruturas submetidas à docagem molecular (PINHEIRO, 2013).
Dessa forma, foi realizado um escalonamento das energias obtidas em cada programa
através da Equação 1:
(1)
onde xesc. é o valor escalonado, x é o valor da pontuação original da estrutura, xmáx e xmín são
os valores máximos de mínimos do conjunto utilizado, respectivamente. Sendo que xmáx
corresponde ao maior valor da energia de afinidade e, portanto, o pior valor de energia
encontrado no conjunto de compostos em determinado programa de docagem, e xmín
corresponde ao menor valor de energia, portanto, corresponde ao melhor valor de energia
encontrado no conjunto de compostos utilizando determinado programa de docagem.
Ao utilizar os valores escalonados ao invés dos valores de energia originais, as
pontuações se distribuem dentro de um intervalo entre 0 e 1 para o conjunto de compostos em
determinado programa de docagem, onde 0 e 1 correspondem aos compostos com pior e
melhor valor de energia de afinidade, respectivamente. A partir da realização deste
escalonamento, o valor das diferentes funções de pontuação de cada programa de docagem
utilizado é o mesmo, permitindo que essas pontuações sejam combinadas através da soma,
obtendo assim um rank final, onde as estruturas que tiverem pontuação mais próxima de 2 (no
caso da utilização de 2 diferentes programas de docagem) serão as melhores pontuadas em
relação a energia de afinidade (PINHEIRO, 2013 ; SATORI, 2012).
Após a realização da análise consensual, no qual as estruturas foram pontuadas em cada
programa, foram analisados também o número de interações, a massa molar e a presença de
grupos genotóxicos. Após essa avaliação, foram selecionadas duas das melhores estruturas
para a Dinâmica Molecular.
4.4- Simulação de Dinâmica Molecular
A Dinâmica Molecular (DM) é fundamentada nos princípios da Mecânica Clássica e
fornece informações sobre o comportamento dinâmico microscópico, dependente do tempo,
dos átomos individuais que compõem o sistema em estudo (HÖLTJE et al., 2003). A
Dinâmica Molecular (DM) é uma das técnicas computacionais mais versáteis no estudo de
complexos enzimáticos, e no planejamento de fármacos contribui exaustivamente em diversos
estágios do processo, já que a DM permite a melhor compreensão da flexibilidade da proteína
e amostras conformacionais (DURRANT et al, 2009).
As simulações de dinâmica molecular constituem-se em uma importante estratégia para a
exploração do espaço conformacional, sendo baseadas nos conceitos físicos de mecânica
molecular. Neste contexto, os átomos de uma molécula interagem com outros átomos de
acordo com as regras do campo de força empregado (SKJÆRVEN, L. et al., 2011). A escolha
do campo de força depende, em grande parte, do sistema a ser estudado e das propriedades
que serão investigadas (Namba, 2008).
O programa Amber é um pacote de programas utilizado para conduzir cálculos de
Mecânica e Dinâmica Molecular de biomoléculas em determinados campos de força, os quais
se diferem pela natureza das equações, assim como detalhes das suas parametrizações (Case,
2005). Dentro do programa Amber existem outros softwares tal como o AmberTools que é uma
ferramenta do Amber. Dentro destes, foi utilizado o chamado Antechamber, que cria arquivos
para as simulações de um complexo dos ligantes selecionados e realiza simulação neste
complexo. O Tleap permite solvatar e neutralizar as moléculas do ligante dentro de uma caixa
de água, o módulo Sander que simula os cálculos de minimização, aquecimento e equilíbrio e
dinâmica e, por fim, o Ptraj onde e extrair as informações necessárias para a criação dos
gráficos de RMSD (Equação 2). (AMBER, 2013).
(2)
onde r i (t) e r i (0) são as coordenadas do i-ésimo átomo no tempo t e 0, respectivamente, e N
é o número de átomos no domínio de interesse (geralmente C α ou átomos da cadeia
principal).
5. RESULTADOS E DISCUSSÃO
Através do BMA, foram selecionados 116 compostos com Massa Molar abaixo de 250
Da. Através da Regra de Lipinski e colaboradores (LIPINSKI et al., 1997) para que um
fármaco possa ser ativo através de administração oral este não deve possuir Massa Molar
acima de 500 Da. Desta forma, foi feita uma triagem virtual no qual os compostos
selecionados foram submetidos à docagem molecular com a enzima Cruzaína (código PDB:
3IUT) através dos programas Autodock Vina 1.1.0 (TROTT et al., 2010) e Dock 6.3 (LANG
et al., 2009). Após a realização dos cálculos, foi feita uma análise consensual, baseada nos
resultados das energias obtidas nos diferentes programas. Assim, foram selecionadas 20
estruturas do BMA, sendo ranqueadas por meio de um escalonamento com base nos valores
de energia.
A Tabela 1 mostra as vinte estruturas selecionadas, a estrutura química, a Massa Molar,
os valores de energia obtidos pelos programas Autodock Vina (TROTT et al., 2010) e Dock
(LANG et al., 2009), além dos valores obtidos através do autoescalonamento. Com base nos
compostos da Tabela 1, foi realizado uma analise da toxidez das moléculas por meio do
servidor OChem (SUSHKO, 2012), que informa se uma determinada estrutura apresenta
grupos tóxicos ou não. A análise da toxidez se faz necessária, pois muitos compostos são
excluídos durante o processo de estudo e desenvolvimento de novos fármacos por
apresentarem efeitos indesejados e/ou toxidez (DINGERMANN et al., 2004). Destarte, os
compostos 682 e 842 foram excluídos do processo por apresentarem grupos tóxicos.
Em seguida, foram avaliadas as interações de hidrogênio na enzima Cruzaína através do
programa LigPlus+ (PETTERSEN et al., 2004). Os compostos que apresentaram interações
de hidrogênio no Autodock Vina 1.1.0 (TROTT et al., 2010) ou no Dock 6.3 (LANG et al., 2009) com a enzima Cruzaína foram 10, 451, 455, 180, 450, 329, 140, 71, 60, 855, 719, 37 e
139. Os demais compostos foram excluídos por não apresentarem interações de hidrogênio
com resíduos da Cruzaína. Posteriormente, realizou-se a docagem dos 13 compostos usando
os programas AutoDock 1.1.0 e Dock 6.3 na Catepsina L (código PDB: 1MHW), que é a
enzima homóloga humana. Esta docagem se faz necessária para verificar a seletividade dos
compostos, e se estes apresentam interações de hidrogênio na enzima Catepsina L. Desta
forma, verificou-se que apenas cinco compostos não apresentaram atividade contra a enzima
Catepsina L em ambos os programas. A Tabela 2 indica os compostos selecionados, as
respectivas estruturas, os valores de energia e as interações de hidrogênio obtidos nos
diferentes programas.
Tabela 1 - Análise consensual das 20 melhores estruturas
Massa Energia Energia
Compostos Estrutura Molar Dock Vina
(Daltons) (kJ/mol) (kJ/mol)
682 198,30 -24,976 -5,0 1,6396
10 212,24 -25,94 -4,8 1,6165
842 192,17 -27,14 -4,5 1,5656
451 208,21 -29,759 -4,1 1,5652
73 202,34 -23,595 -4,7 1,4176
455 208,25 -28,550 -3,9 1,3981
180 162,19 -24,890 -4,4 1,3730
450 192,21 -26,813 -4,1 1,3700
62 204,26 -21,870 -4,8 1,3460
329 154,12 -25,045 -4,2 1,2963
140 198,17 -26,898 -3,9 1,2887
71 192, 21 -25,002 -4,1 1,2500
101 204,35 -22,342 -4,5 1,2477
60 208,25 -25,415 -4,0 1,2339
855 194,27 -25,24 -4,0 1,2223
719 154,12 -23,653 -4,2 1,2041
69 200,32 -20,345 -4,7 1,2023
83 204,35 -21,291 -4,5 1,1780
37 194,18 -23,729 -4,1 1,1657
139 170,12 -26,318 -3,7 1,1633
Tabela 2 - Compostos com melhores resultados
Energia Energia Interação Interação
Compostos Estrutura Dock Vina Dock Vina
(kJ/mol) (kJ/mol) (3IUT) (3IUT)
Gln19,
10 -25,94 -4,8 Gly20 His162,
Asp161
Asp161,
60
-25,415 -4,0 Cys25,
-
His162,
Ser24
71 -25,002 -4,1 - Trp26
450 -26,813 -4,1 Met68 -
Asp161,
451 -29,759 -4,1 His162, Asn69
Met68
A inspeção visual dos complexos preditos pela docagem molecular foi feita levando-se
em conta o número de ligações de hidrogênio, os resíduos com os quais as moléculas
interagiram e a complementaridade com o sítio. Analisando os valores de energia e as
interações de hidrogênio ligante-receptor, duas estruturas obtiveram os melhores resultados:
os compostos 10 e 60. O composto 10 apresenta ligação de hidrogênio com a Gly19, Asp161
e His162. Já o composto 60 faz ligação de hidrogênio com o resíduo Ser24, Cys25, Asp161 e
His162. Destaca-se que esses resíduos participam do mecanismo catalítico da enzima
proposto por Powers e colaboradores (POWERS, et al., 2002) e Leung e colaboradores
(LEUNG, et al., 2000), os quais desempenham um papel primordial para a atividade da
enzima e, do mesmo modo, devem estar estritamente relacionados com o processo de inibição
deste alvo biológico.
Outro dado importante está no fato de que os compostos 10 e 60 apresentam atividade
contra outros alvos, sendo que o composto 10 está presente em óleos essenciais e apresenta
atividade antibactericida (NAJJAA et al., 2007), enquanto o composto 60 apresenta uma
classe de compostos com atividades contra a Malária (LEE et al., 2003). Esses dois
compostos foram selecionados para a etapa de dinâmica molecular, pois se mostraram
promissores para o tratamento da Doença de Chagas tendo como alvo a enzima Cruzaína.
Assim, o sistema (ligante mais a enzima) foi submetido à dinâmica molecular no
programa Amber 12 durante 34 ns para o ligante 60 e 30 ns para o ligante 10. Com a
ferramenta Ptraj do programa Amber 12, foi possível extrair as informações necessárias para a
criação dos gráficos de RMSD (Raiz dos Desvios Médios Quadráticos) contra o numero de
Frames/segundo.
O valor de RMSD representa o desvio padrão entre a posição inicial e final dos átomos
nas duas conformações, expressa o valor de medida para todas as distâncias e ângulos de
ligação na proteína de estudo em unidades de comprimento. Esta medida é muito usada
também para avaliar se a estrutura de uma macromolécula gerada por uma dinâmica
molecular está já em equilíbrio ou não, além da flexibilidade ou rigidez do complexo (ligante-
receptor) da enzima. Deve-se considerar um valor em torno de RMSD em torno de 3Å quando
todos os átomos do sistema são empregados na medida [Verli, 2006].
Na Figura 4 observam-se os valores de RMSD para o ligante 10 obtidos e verifica-se
que em torno de 20ns de dinâmica observa-se uma tendência do sistema entrar em equilibro,
apesar das pequenas flutuações apresentadas no gráfico nota-se que os desvios são menores
que 2 Å para o complexo estudado, o que prova a estabilidade do ligante estudado.
Figura 4 - Valores de RMSD calculados para o composto 10 em função do número de
Frames/segundo.
Na Figura 5 observam-se os valores de RMSD para o ligante 60, no qual se pode notar
que em torno de 20ns a estabilização do ligante em torno de 1,4 Å. Assim, o comportamento
do gráfico pode ser explicado como uma relaxação da estrutura cristalográfica do sistema
(enzima-ligante) no qual a formação de cristal leva a uma restrição de movimentos dos
átomos da mesma. Deste modo, é possível prosseguir para as próximas etapas do processo de
dinâmica, tal como o cálculo de energia livre.
Figura 5 - Valores de RMSD calculados para o composto 60 em função do número de
Frames/segundo.
6. CONCLUSÃO
A partir do BMA, foram selecionados compostos contra a enzima Cruzaína do T. Cruzi,
que é a principal cisteíno-protease do parasito. Para realização dos estudos, foi utilizado o
método de docagem molecular, o qual consiste em predizer o modo de ligação e a energia de
pequenas moléculas em sítios de ligação de macromoléculas alvo.
Através dos resultados da docagem molecular, obtidos pelos programas computacionais
Autodock Vina e Dock, e a partir da análise consensual dos valores de energia da docagem,
foram selecionados 20 compostos. Depois, foi analisada a toxidez dos compostos por meio do
servidor OChem, e a partir desta análise, foram eliminados dois compostos, pois apresentaram
grupos tóxicos.
Com os compostos restantes, foram avaliados as ligações de hidrogênio nas enzimas
Cruzaína e Catepsina L (enzima homóloga humana). Os compostos que apresentaram
interações com a Catepsina L foram eliminados do processo, pois se busca seletividade nas
moléculas obtidas. Assim, apenas os compostos que não apresentam interações de hidrogênio
com a Catepsina L foram escolhidos. Desta forma, apenas cinco compostos apresentaram tais
resultados, sendo que os melhores resultados foram os compostos 10 e 60, pois fazem
importantes ligações de hidrogênio com principais resíduos da enzima Cruzaína do T. cruzi, e,
portanto, foram utilizados para a etapa de dinâmica molecular.
Os resultados de dinâmica molecular obtidos pelos valores de RMSD se mostraram
satisfatórios por apresentarem valores menores que 2 Å, o que mostrou que os ligantes se
mostraram estáveis. Deste modo, o projeto cumpre a proposta por novos inibidores oriundos
do BMA contra a Doença de Chagas.
7. REFERÊNCIAS
AMBER MOLECULAR DYNAMICS. Manual do programa Amber11. Disponível
em: <http://ambermd.org/doc11/Amber11.pdf>. Acesso em: 05 agosto. 2015
ANDRADE, Deyse Valverde Gomes. Determinação Estrutural Do Modelo Mutante
Da Cisteína Protease Do Theobroma Cacao Por Modelagem Comparativa E Cálculos
QM/MM. Dissertação (mestrado), Programa de Pós-Graduação em Biotecnologia da
Universidade Estadual de Feira de Santana. Bahia, 2009
ANDRADE, Z. A. A patologia da doença de Chagas no homem. Annales Societe
Belge Medecine Tropicale, v. 55, Bahia, 1985.
ANDRICOPULO, A. D., GUIDO, R. V. C., OLIVA, G., DIAS, L. C., DESSOY, M.
A. Doenças tropicais negligenciadas: uma nova era de desafios e oportunidades. Química
Nova, v. 36, nº 10, 2013.
ANTECHAMBER TUTORIAL, Using Antechamber to Create Leap Input Files for
Simulating Sustiva (efavirenz)-RT complex using the General Amber Force Field By Ross
Walker and Sishi Tang. Disponível em: http://ambermd.org/tutorials/basic/tutorial4b/. Acesso
em: 05 agosto 2015.
CALDERON, L. A., SILVA-JARDIM, I., ZULIANI, J. P., SILVA, A. A.,
CIANCAGLINI, P., SILVA, L. H. P., STÁBELI, R. G. Amazonian biodiversity: a view of
drug development for Leishmaniasis and Malaria. Journal of Brazilian Chemical Society, v.
20, nº 6, 2009.
CASE, D. A.; CHEATHAM, T. E.; DARDEN, T.; GOHLKE, H.; LUO, R.; MERZ,
K.M.; ONUFRIEV, A.; SIMMERLING, C.; WANG, B.; WOODS, R. J. The Amber
biomolecular simulation programs. Journal of Computational Chemistry, v. 26, n. 16, p. 1668-
1688, 2005.
CHAGAS DISEASE, General Information. Disponível em:
<http://www.paho.org/hq/index.php?option=com_content&view=article&id=5856&Itemid=4
1506&lang=en> Acesso: 17 agosto 2015.
ChemAxon. Instant JChem. ChemAxon Kft. Budapeste, Hungria. Disponível em:<
http//www.chemaxon.com/products/instant-jchem-suite/instant-jchem > acesso em: 25 jan.
2015.
CHEN, L. J., CHEN, X. Results of molecular docking as descriptors to predict
humam serum albumin binding affinity. Journal of Molecular Graphics & Modelling, v. 33,
2012.
COSTA, Wanessa Almeida. Simulação Computacional da Adsorção dos Poluentes
Benzeno, Tolueno e P-Xileno sobre Carvão Ativado. Dissertação (mestrado) Pós-Graduação
em Engenharia Química da Universidade Federaldo Pará. Belem, 2014.
COURA, J. R. Dinâmica das doenças infecciosas e parasitárias, v. 1, Rio de Janeiro,
Guanabara Koogan, 2005.
COURA, J. R., CASTRO, S.L.D. A critical review on Chagas disease chemotherapy.
Memórias do Instituto Oswaldo Cruz, v. 97, 2008.
Course in Applied Structural Bioinformatics: Amber Tutorial, Lars Skjaerven, Yvan
Strahm, Kjell Petersen and Ross Walker September 8, 2010. Disponivel em:
<http://www.bccs.uni.no/>. Acesso em: 05 agosto 2015.
CUDIC, M., FIELDS, G.B. Extracellular proteases as targets for drug development.
Current Protein & Peptide Science, v. 10, nº 4, 2009.
DINGERMANN, T. H., STEINHILBER, D. G., FOLKERS, G. Molecular biology in
medicinal chemistry, Weinheim, WILEY-VCH, 2004.
DRAG, M., SALVESEN, G. S. Emercing principles in protease- based drug
Discovery. Nature Reviews. Drug Discovery, v.9, nº 9, 2010.
DURRANT, J. D.; AMARO, R. E.; MCCAMMON J.A., AutoGrow: A Novel
Algorithm for Protein Inhibitor Design. Chem Biol Drug Des. ,v.73, n.2, p.168-78, 2009
FREITAS, R. F. Integração de métodos em quiminformática e biocalorimetria para o
planejamento de inibidores da enzima gliceraldeído-3-fosfato desidrogenase do Trypanosoma
cruzi. Tese(doutorado)- Instituto de Química de São Carlos, USP, São Carlos, 2009.
FRISCH, Æ.; FRISCH, M.J.; TRUCKS, G.W. Gaussian 03: User’s Reference.
Gaussian Inc: Carnegie, 2003, 327p.
FUJITSU. BioMedCache 6.1: User Guide. Oxford: Fujitsu Limited, 2003, 200 p.
FUKUNISHI, Y., MIZUKOSHI, Y., TAKEUCHI, K., SHIMADA, I.,
TAKAHASHI, H., NAKAMURA, H. Protein- ligand docking guided by ligand
pharmacophore- mapping experiment by NMR. Journal of Molecular Graphics & Modelling,
v. 31, 2011.
GUIDO, R. V. C. Modelagem e engenharia de proteínas. Disponível em:<
www.gradadm.ifsc.usp.br > acesso em: 25 jan. 2015.
HABERLAND, A., SARAVIA, S. G. M., WALLUKAT, G., ZIEBIG, R.,
SCHIMKE, I. Chronic Chagas disease: from basics to laboratory medicine. Clinical
Chemistry and Laboratory Medicine, v. 51, nº 2, 2013.
HOLTJE, H. D.; SIPPL, W.; ROGNAN, D.; FOLKERS, G. Molecular modeling:
basic principles and applications. Wiley-VCH, Darmstadt, 2 ed, 2003.
INSTITUTO OSWALDO CRUZ. Disponível em:< www.fiocruz.br > acesso em: 19
jan. 2015.
LANG, P. T., BROZELL, S. R., MUKHERJEE, S., PETTERSEN, E. T., MENG, E.
C., THOMAS, V., RIZZO, R. C., CASE, D. A., JAMES, T. L., KUNTZ, I. D. Dock 6:
combining techniques to model Rna- small molecule complexes. Rna-A publication of the
Rna Society, v.15, nº 6, 2009.
LEACH, A. R. Molecular Modelling, Principles and Applications. 2 nd edition.
Dorchester (UK): Pearson Education Limited, 2001. 773 p.
LEE, A., LEY, S. V. The synthesis of the anti-malarial natural product polysphorin
and analogues using polymer-supported reagents and scavengers. The Royal Society of
Chemistry, v. 1, 2003.
LEUNG, D.; ABBENANTE, G.; FAIRLIE, D. P. Protease inhibitors: Current status
and future prospects. J. Med. Chem, v. 43, nº 305, 2000.
LI, X., YE, L., WANG, X., LIU, H., QIAN, X., ZHU, Y., YU, H. Molecular
docking, molecular dynamics simulation, and structure-based 3D-QSAR studies an estrogenic
activity of hidroxylated polychlorinated biphenyls. Science of Total Environment, v. 441,
2012.
LIPINSKI, C. A., LOMBARDO, F., DOMINY, B. W., FEENEY, P. J. Experimental
and computational approaches to estimate solubility and permeability in drug discovery and
development settings, v. 23, 1997.
MONTANARI, C. A. Química medicinal: métodos e fundamentos em planejamento
de fármacos, Edusp, 2011.
MUÑOZ, C., ADASME, F., ALZATE-MORALES, J. H., VERGARA-JAQUE, A.,
KNIESSB, T. Study of differences in the VEGFR2 inhibitory activities between semaxanib
and SU5205 using 3D-QSAR, docking and molecular dynamics simulation. Journal of
Molecular Graphics & Modelling, v. 32, 2012.
NAJJAA, H., NEFFATI, M., ZOUARI, S., AMMAR, E. Essential oil composition
and antibacterial activity of different extracts of Allium roseum L., a North African endemic
species. Elsevier, v. 10, 2007.
NAMBA, A. M. Silva, V. B. da Silva ,C. H. T. P. Dinâmica molecular: teoria e
aplicações em planejamento de fármacos. Departamento de Ciências Farmacêuticas,
Faculdade de Ciências Farmacêuticas de Ribeirão Preto, Universidade de São Paulo, Av. do
Café, s/n, Monte Alegre, 14040-903, Ribeirão Preto-SP, Brasil Volume 33, número 4, 2008.
NEGLECTED TROPICAL DISEASES. Disponivel em:
<http://www.who.int/neglected_diseases/diseases/en/>. Acesso: 17 de agosto 2015.
NEVES, D. P. Parasitologia humana, v. 11, São Paulo, Atheneu, 2005.
NJOROGE, M., NJUGUNA, N. M., MUTAI, P., ONGARORA, D. S. B., SMITH, P.
W., CHIBALE, K. Recent approaches to chemical discovery and development against
Malaria and the Neglected Tropical Diseases human African Trypanosomiasis and
Schistosomiasis. Chemical Reviews, v. 114, 2014.
NOGUEIRA, A. J. M., DE LIMA, M. E. F., DA COSTA, J. B. N. Síntese,
caracterização e estudo da atividade inibitória de novas dialquilfosforilarilidrazonas sobre o
crescimento de tripanosomatídeos, v. 34, nº 8, 2011.
OPREA, T. I. Chemoinformatics in drug discovery. Weinheim: Wiley-VCH, 2005.
PATIL, A. D. Antidyslipidemic drugs in metabolic syndrome. Indian J Endocrinal
Metabolism, v. 17, nº 6, 2013.
PAZ-Y-MINÕ, C., CUMBAL, N., SÁNCHEZ, M. E. Genotoxicity studies
performed in the Ecuadorian population. Molecular Biology International, v. 2012, 2012.
PETTERSEN, E. F., GODDARD, T. D., HUANG, C. C., COUCH, G. S.,
GREENBLATT, D. M., MENG, E. C., FERRIN, T. E. USCF CHIMERA- a visualization
system for exploratory research and analysis. J. Comput. Chem., v. 25, nº 13, 2004.
PINHEIRO, A.S., Modelagem molecular com compostos provenientes do Banco de
Moléculas da Amazônia (BMA) contra a enzima bifuncional NS3-4A protease-helicase da
hepatite C. dissertação de Mestrado em Química, Universidade Federal do Pará, Belém-PA,
2013.
POWERS, J. C.; ASGIAN, J. L.; EKICI, O. D.; JAMES, K. E. Irreversible inhibitors
of serine, cysteine, and threonine proteases. Chemical Reviews, v. 102, nº 4639, 2002.
RAMOS, Rui Miguel Castro. Determinação computacional dos efeitos da
mutagénese em interfaces proteína-DNA. Dissertação (Mestrado). Departamento de Química
e Bioquímica. Faculdade de Ciências da Universidade do Porto. Porto, 2012.
RASSI JR, A., RASSI, A., MARIN-NETO, J. A. Chagas disease. The Lancet, v.
375, nº 9723, 2010.
REY, L. Parasitologia, 3ª ed. Rio de Janeiro, Guanabara Koogan, 2001.
RODRIGUES, R. P., MANTOANI, S.P., ALMEIDA, J. R., PINSETTA, F. R.,
SEMIGHINI, E. P., da SILVA, V. B., da SILVA, C. H. P. Estratégias de Triagem virtual no
planejamento de fármacos. Revista Virtual de Química, v. 4, nº 6, 2012.
SANT’ANNA, Carlos M. R. Métodos de modelagem molecular para estudo e
planejamento de compostos bioativos: Uma introdução. Rev. Virtual Quim., 2009, 1 (1), 49‐
57.
SATORI, G. R., Planejamento de inibidores baseados em fragmentos moleculares
para a enzima Gliceraldeído-3-fosfato Desidrogenase de Trypanosoma Cruzi., Dissertação de
Mestrado em Ciência. Universidade de São Paulo, São Paulo-SP, 2013.
SKJAERVEN, L.; REUTER, N.; MARTINEZ, A. Dynamics, flexibility and ligand-
induced conformational changes in biological macromolecules: a computational approach.
Future Medicinal Chemistry, v. 3, n. 16, p. 2079-2100,
SOEIRO, M. N. C., DE CASTRO, S. L. Trypanosoma cruzi targets for new
chemotherapeutic approaches. Expert opinion on Therapeutic targets, v. 13, nº 1, 2008.
SUSHKO, I., SALMINA, E., POTENKIN, V. A., PODA, G., TETKO, I. V. Tox
alerts: a web server of structural alerts for toxic chemicals and compounds with potential
adverse reactions, J Chem Inf Model, v. 52, nº 8, 2012.
TEIXEIRA, D. E., BENCHIMOL, M., CREPALDI, P. H., SOUZA, W. Interactive
Multimedia to Teach the Life Cycle of Trypanosoma cruzi, the Causative Agent of Chagas
Disease. Neglected Tropical Disease, v. 6, n. 8, p. 1749, 2012.
TROTT, O., OLSON, A. J. Software news and update AutoDock Vina: improving
the speed and accuracy of Docking with a new scoring function, efficient optimization and
multithreading. Journal of computational chemistry, v. 31, nº 2, 2010.
Trypanosoma cruzi. Tese (mestrado)- Instituto de Física de São Carlos, USP, São
Carlos, 2013.
VERLI, Hugo. Análise de Simulações de Dinâmica Molecular. Grupo de
Bioinformática Estrutural Centro de Biotecnologia/Faculdade de Farmácia. Universidade
Federal do Rio Grande do Sul. Porto Alegre, 2009.
WIGGERS, H. S., ROCHA, J. R., FERNANDES, W. B., SESTI-COSTA, R.,
CARNEIRO, Z. A., CHELESKI, J., SILVA, A. B. F., JULIANO, L., CEZARI, M. H. S.,
SILVA, J. S., MCKERROW, J. H., MONTANARI, C. A. Non-peptidic Cruzain inhibitors
with trypanocidal activity discovered by virtual screening and in vitro assay. PLOS neglected
tropical diseases, v. 7, nº 2370, 2013.
WINK, A. T. 3D-TRI- um algoritmo de introdução de árvore de regressão para
propriedades tridimensionais: um estudo sobre dados de docagem molecular considerando a
flexibilidade do receptor. Tese (doutorado)- Pontifícia Universidade Católica do Rio Grande
do Sul, Porto Alegre, Rio Grande do Sul, 2012.
DIFICULDADES
A aluna iniciou seu trabalho em Março de 2015 e teve pouco tempo para se
familiarizar com as técnicas de quiminformática.
PARECER DO ORIENTADOR
A aluna realizou as atividades previstas no plano de trabalho, que era a realização dos
cálculos de Dinâmica Molecular.
Além disso, apesar do pouco tempo, a aluna se familiarizou com o sistema operacional
Linux. Assim, a busca por novos ligantes para o alvo selecionado está em andamento. Desta
forma, sugiro que a bolsa seja renovada.
DATA : 10/08/2015
_________________________________________
ASSINATURA DO ORIENTADOR
____________________________________________
ASSINATURA DO ALUNO