Identificação de potenciais candidatos a fármacos com afinidade frente a Aldose Redutase humana

Resumo

Introdução: A diabetes mellitus (DM) é uma doença crônica que se manifesta a partir da inatividade ou redução dos níveis de insulina no organismo, com consequente elevação da glicemia sérica. Isso permite a ativação da via poliol através das enzimas Aldose Redutase ALR1 que degrada aldeídos tóxicos e ALR2 responsável por converter a glicose em sorbitol. O subsequente acúmulo de sorbitol intracelular gera estresse oxidativo e danos teciduais, resultando em complicações como retinopatia, nefropatia e neuropatia, tornando o ALR2 um alvo relevante para o estudo. Objetivo: Identificar potenciais inibidores frente a ALR2 através de estudos computacionais. Metodologia: Inicialmente, a estrutura tridimensional da ALR2 foi obtida no banco de dados Protein Data Bank (PDB) e devidamente preparada no software PyMOL. Em seguida, os potenciais candidatos a fármacos foram selecionados a partir de moléculas naturais, seleção randomizada e estruturas conhecidas com potencial para reposicionamento de fármacos, sendo analisados os parâmetros físico-químicos e toxicológicos, posteriormente foram submetidos ao acoplamento molecular frente ao alvo. Resultados e Discussões: O composto ZINC18185774 foi classificado como melhor candidato para o estudo por apresentar o melhor perfil farmacocinético para biodisponibilidade oral e energia de afinidade de -11,8 kcal/mol, além disso, apresentou interações hidrofóbicas e ligações de hidrogênio frente a ALR2, segundo a análise topológica no servidor PoseView. Conclusão: Com isso, esse estudo mostra a eficiência das técnicas computacionais na identificação de potenciais candidatos que são capazes de inibir a ALR2, servindo como viés no desenvolvimento de novos fármacos para as complicações da diabetes.

Referências

1. American Diabetes Association. Standards of Care in Diabetes—2024. Diabetes Care. 2024;47(Suppl 1):S1–S350.

2. Zakir M. et al. Cardiovascular Complications of Diabetes: From Microvascular to Macrovascular Pathways. Cureus [Internet]. 2023 Sep 24 [citado 2024 jan 10];15(9):e45835. Disponível em: https://doi.org/10.7759/cureus.45835.

3. Tehseen I. et al. Antidiabetic and hepato-renal protective effects of medicinal plants in STZ induced diabetic rats. Braz J Biol [Internet]. 2022 [citado 2024 jan 10];84. Disponível em: https://doi.org/10.1590/1519-6984.260189.

4. Kumar M. et al. Addressing Selectivity Issues of Aldose Reductase 2 Inhibitors for the Management of Diabetic Complications. Future Med Chem. 2020 Jul;12(14):1327–58. https://doi.org/10.4155/fmc-2020-0032.

5. Galgani G. et al. In Vitro Models of Diabetes: Focus on Diabetic Retinopathy. Cells. 2024 Nov 11;13(22):1864. https://doi.org/10.3390/cells13221864

6. Goto Y. et al. Effects of an aldose reductase inhibitor, epalrestat, on diabetic neuropathy. Clinical benefit and indication for the drug assessed from the results of a placebo-controlled double-blind study. Biomed Pharmacother. 1995;49(6):269–77.

7. Obrosova I.G., Chung S.S. Oxidative stress and diabetic complications: reactive species and target tissues. Dis Model Mech. 2010 Mar-Apr;3(3-4):94–8. doi:10.1242/dmm.040584.

8. Grewal A. et al. Updates on Aldose Reductase Inhibitors for Management of Diabetic Complications and Non-Diabetic Diseases. Mini Rev Med Chem. 2016;16(2):120–62. https://doi.org/10.2174/1389557515666150909143737.

9. Pushpakom S. et al. Drug repurposing: progress, challenges and recommendations. Nat Rev Drug Discov. 2019 Jan;18(1):41-58. doi:10.1038/nrd.2018.168.

10. Balestri F. et al. In search of differential inhibitors of aldose reductase. Biomolecules. 2022 Mar;12(4):485. doi:10.3390/biom12040485.

11. Sorokina M. et al. COCONUT online: Collection of Open Natural Products database. J Cheminform. 2021;13(1):2. doi:10.1186/s13321-020-00478-9.

12. Kim S. et al. PubChem 2025 update. Nucleic Acids Res. 2024;53(D1):D1516–25. doi:10.1093/nar/gkae1059.

13. Lipinski C.A. et al. Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Adv Drug Deliv Rev. 2001 Mar;46(1-3):3–26. doi:10.1016/s0169-409x(00)00129-0.

14. Veber D.F et al. Molecular properties that influence the oral bioavailability of drug candidates. J Med Chem. 2002 Jun;45(12):2615–23. doi:10.1021/jm020017n.

15. Wichard D. In silico prediction of genotoxicity. Food Chem Toxicol. 2017 Aug;106:595–9. doi:10.1016/j.fct.2016.12.013.

16. Pires D.E.V., Blundell T.L., Ascher D.B. pkCSM: predicting small-molecule pharmacokinetic and toxicity properties using graph-based signatures. J Med Chem. 2015 Apr 22;58(9):4066–72. doi:10.1021/acs.jmedchem.5b00104.

17. Lins I. et al. Discovery of Thiopyrimidinone Derivatives as a New Class of Human Aldose Reductase Inhibitors. J Braz Chem Soc. 2022;33(9):1086–97. doi:10.21577/0103-5053.20220027.

18. MarvinSketch version 12.6.6. ChemAxon; 2013.

19. Stierand K, Rarey M. Molecular complexes at a glance: automated generation of two-dimensional complex diagrams. Bioinformatics. 2006 Jul;22(14):1710–6.

20. Howard EI, Sanishvili R, Cachau RE, Mitschler A, Barth P, Lamour V, et al. Ultrahigh resolution drug design I: Details of interactions in human aldose reductase-inhibitor complex at 0.66 Å. Proteins. 2004 Apr 2;55(4):792–804. doi:10.1002/prot.20015.

21. Fokoue H.H. et al. Há algo novo no reconhecimento molecular aplicado à química medicinal? Quim Nova. 2020;43(3):370–80. doi:10.21577/0100-4042.20170474.

22. Yasir M. et al. Investigating the inhibitory potential of flavonoids against aldose reductase: insights from molecular docking, dynamics simulations, and gmx_MMPBSA analysis. Curr Issues Mol Biol. 2024;46(10):11503–18. doi:10.3390/cimb46100683.

23. Ntalouka F., Tsirivakou A. Luteolin: A promising natural agent in management of pain in chronic conditions. Front Pain Res. 2023 Mar 1;4:1114428. doi:10.3389/fpain.2023.1114428

24. Tanawattanasuntorn, et al. (−)-Kusunokinin as a potential aldose reductase inhibitor: equivalency observed via AKR1B1 dynamics simulation. ACS Omega. 2020 Dec 21;6(1):606–14. doi:10.1021/acsomega.0c05102.