Predicción de proteínas de Novo usando inteligencia artificial para la inhibición del factor NF-ΚB en el cáncer gástrico
Palabras clave:
Proteínas de novo, inteligencia artificial, cáncer gástrico, factor NF-κBResumen
Abordamos las limitaciones de los tratamientos actuales contra el cáncer gástrico y exploramos el potencial de la Inteligencia Artificial (IA) en el desarrollo de estrategias personalizadas mediante la predicción de proteínas de novo diseñadas para inhibir el Factor Nuclear de las cadenas ligeras kappa de las células B activas (NF-κB), asociado con este tipo de cáncer. Se predijeron 30 proteínas con características similares a las almacenadas en bases de datos estándar y experimentales. Estas proteínas fueron evaluadas en términos de estabilidad y capacidad de plegamiento mediante simulaciones de dinámica molecular, analizando energías de interacciones intra e intermoleculares. Se realizó un acoplamiento molecular entre los genes y factores de transcripción regulados por NF-κB y las proteínas predichas. Se calcularon variables termodinámicas como Energía Libre de Gibbs, Constante de disociación, Entalpía, Capacidad Calorífica y Entropía, comparándolas con los complejos del Inhibidor Alpha de kappa B y las subunidades p65/p50 de NF-κB, con el fin de verificar la afinidad de interacción proteína-proteína y su conformación estructural. Los resultados mostraron alta afinidad y selectividad en las interacciones evaluadas, concluyendo que las proteínas de novo predichas mediante IA representan una alternativa prometedora para el diseño de nuevos fármacos y tratamientos dirigidos contra el cáncer gástrico.
Descargas
Citas
Arshia, A. H., Shadravan, S., Solhjoo, A., Sakhteman, A., & Sami, A. (2021). De novo design of novel protease inhibitor candidates in the treatment of SARS-CoV-2 using deep learning, docking, and molecular dynamic simulations. Computers in Biology and Medicine, 139(104967). https://doi.org/10.1016/j.compbiomed.2021.104967
Baker, D. (2019). What has de novo protein design taught us about protein folding and biophysics? Protein Science, 28(4). https://doi.org/10.1002/pro.3588
Bellamkonda, S. V. (2023). Applications of DeepChem with Alphafold: Docking and protein-ligand interaction from protein sequence. DeepChemXAlphafold. https://deepchem.io/tutorials/deepchemxalphafold/
Brooks, B. R., Bruccoleri, R. E., Olafson, B. D., States, D. J., Swaminathan, S., & Karplus, M. (1983). CHARMM: A program for macromolecular energy, minimization, and dynamics calculations. Journal of Computational Chemistry, 4(2), 187–217. https://doi.org/10.1002/jcc.540040211
Chaithongyot, S., Jantaree, P., Sokolova, O., & Naumann, M. (2021). NF-κb in gastric cancer development and therapy. Biomedicines, 9(8). https://doi.org/10.3390/biomedicines9080870
Jo, S., Kim, T., Iyer, V. G., & Im, W. (2008). CHARMM-GUI: A web-based graphical user interface for CHARMM. Journal of Computational Chemistry, 29(11), 1859–1865. https://doi.org/10.1002/jcc.20945
Joshi, S. S., & Badgwell, B. D. (2021). Current treatment and recent progress in gastric cancer. CA: A Cancer Journal for Clinicians, 71(3). https://doi.org/10.3322/caac.21657
López, M. J., Carbajal, J., Alfaro, A. L., Saravia, L. G., Zanabria, D., Araujo, J. M., Quispe, L., Zevallos, A., Buleje, J. L., Cho, C. E., Sarmiento, M., Pinto, J. A., & Fajardo, W. (2023). Characteristics of gastric cancer around the world. In Critical Reviews in Oncology/Hematology, 181. https://doi.org/10.1016/j.critrevonc.2022.103841
Marcos, E., Chidyausiku, T. M., McShan, A. C., Evangelidis, T., Nerli, S., Carter, L., Nivón, L. G., Davis, A., Oberdorfer, G., Tripsianes, K., Sgourakis, N. G., & Baker, D. (2018). De novo design of a non-local β-sheet protein with high stability and accuracy. Nature Structural and Molecular Biology, 25(11), 1028–1034. https://doi.org/10.1038/s41594-018-0141-6
Maruyama, Y., Igarashi, R., Ushiku, Y., & Mitsutake, A. (2023). Analysis of Protein Folding Simulation with Moving Root Mean Square Deviation. Journal of Chemical Information and Modeling, 63(5), 1529–1541. https://doi.org/10.1021/acs.jcim.2c01444
Medeiros, M., Candido, M. F., Valera, E. T., & Brassesco, M. S. (2021). The multifaceted NF-kB: are there still prospects of its inhibition for clinical intervention in pediatric central nervous system tumors? In Cellular and Molecular Life Sciences, 78(17–18). https://doi.org/10.1007/s00018-021-03906-7
Michel, M., Visnes, T., Homan, E. J., Seashore-Ludlow, B., Hedenström, M., Wiita, E., Vallin, K., Paulin, C. B. J., Zhang, J., Wallner, O., Scobie, M., Schmidt, A., Jenmalm-Jensen, A., Warpman Berglund, U., & Helleday, T. (2019). Computational and Experimental Druggability Assessment of Human DNA Glycosylases. ACS Omega, 4(7), 11642–11656. https://doi.org/10.1021/acsomega.9b00162
Mirzaei, S., Zarrabi, A., Hashemi, F., Zabolian, A., Saleki, H., Ranjbar, A., Seyed Saleh, S. H., Bagherian, M., Sharifzadeh, S. omid, Hushmandi, K., Liskova, A., Kubatka, P., Makvandi, P., Tergaonkar, V., Kumar, A. P., Ashrafizadeh, M., & Sethi, G. (2021). Regulation of Nuclear Factor-KappaB (NF-κB) signaling pathway by non-coding RNAs in cancer: Inhibiting or promoting carcinogenesis? Cancer Letters, 509. https://doi.org/10.1016/j.canlet.2021.03.025
Mooers, B. H., & Brown, M. E. (2021). Templates for writing PyMOL scripts. Protein Science, 30(1), 262–269. https://doi.org/10.1002/pro.3997
Mulero, M. C., Wang, V. Y. F., Huxford, T., & Ghosh, G. (2019). Genome reading by the NF-κB transcription factors. Nucleic Acids Research, 47(19), 9967–9989. https://doi.org/10.1093/NAR/GKZ739
Pan, X., Thompson, M. C., Zhang, Y., Liu, L., Fraser, J. S., Kelly, M. J. S., & Kortemme, T. (2020). Expanding the space of protein geometries by computational design of de novo fold families. Science, 369(6507), 1132–1136. https://doi.org/10.1126/science.abc0881
Pettersen, E. F., Goddard, T. D., Huang, C. C., Meng, E. C., Couch, G. S., Croll, T. I., Morris, J. H., & Ferrin, T. E. (2021). UCSF ChimeraX: Structure visualization for researchers, educators, and developers. Protein Science, 30(1), 70–82. https://doi.org/10.1002/pro.3943
Siebenmorgen, T., & Zacharias, M. (2020). Computational prediction of protein–protein binding affinities. In Wiley Interdisciplinary Reviews: Computational Molecular Science, 10(3), e1448. https://doi.org/10.1002/wcms.1448
Watson, J. L., & Juergens, D. (2023, October 3). RosettaCommons/RFdiffusion: Code for running RFdiffusion. GitHub. https://github.com/RosettaCommons/RFdiffusion
World Health Organization. (2022). Cancer. World Health Organization. https://www.who.int/es/news-room/fact-sheets/detail/cancer
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Diego Laverde-Lomas, Adahir Sarabia-Galarza, Cinthia Galarza-Galarza, Cristian Galarza-Galarza
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en la Revista UGC están de acuerdo con los siguientes términos:
1. Derechos de Autor
Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.
© Los autores.
2. Licencia
Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Esta licencia permite:
- Compartir: copiar y redistribuir el material en cualquier medio o formato.
- Adaptar: remezclar, transformar y crear a partir del material.
Bajo los siguientes términos:
- Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
- NoComercial: no puede utilizar el material para finalidades comerciales.
- CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.
No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.
