MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
107
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
DOI: https://doi.org/10.31243/mdc.uta.v7i3.2067.2023
Artículo original
Identificación de posibles dianas terapéuticas en la enfermedad de la diabetes mellitus tipo 2 (T2DM)
en base a estudios bioinformáticos
Identification of potential therapeutic targets in type 2 diabetes mellitus (T2DM) based on
bioinformatics studies.
Guevara Proaño David *; Galarza Galarza Cinthia **; Varela Polit Luis ***; Galarza Galarza Cristian *
*Facultad de Ciencia e Ingeniería en Alimentos y Biotecnología, Universidad Técnica de Ambato, Ambato,
Ecuador, ORCID: (https://orcid.org/0000-0003-1725-3082)
*Facultad de Ciencia e Ingeniería en Alimentos y Biotecnología, Universidad Técnica de Ambato, Ambato,
Ecuador, ORCID: (https://orcid.org/0000-0001-6822-7875)
**Facultad de Ciencia de la Salud, Universidad Técnica de Ambato, Ambato, Ecuador, ORCID:
(https://orcid.org/0000-0001-7890-5043)
***Hospital Metropolitano, Universidad Internacional del Ecuador, Quito, Ecuador, ORCID:
(https://orcid.org/0000-0002-2874-7451)
cf.galarza@uta.edu.ec
Recibido: 12 de marzo del 2023
Revisado: 25 de mayo del 2023
Aceptado: 29 de junio del 2023
Resumen.
La diabetes mellitus tipo 2 es una enfermedad crónica caracterizada por la resistencia a la insulina y la
disfunción de las células beta del páncreas, lo que resulta en niveles elevados de glucosa en sangre. Los niveles
elevados de glucosa en la sangre pueden derivar en trastornos de los sistemas circulatorio, nervioso e
inmunitario. El objetivo de este estudio fue identificar posibles dianas terapéuticas mediante la aplicación de
técnicas bioinformáticas y bases de datos biológicas para estudiar los genes que presentan asociación y potencial
terapéutico para tratar la enfermedad. Se utilizó la metodología de diseño de fármacos asistido por computador,
se aplicaron técnicas de acoplamiento molecular y cribado virtual para identificar sitios de unión con
características deseables de drugabilidad en los que se acoplaron compuestos químicos y ligandos comerciales.
Se evaluó la energía de acoplamiento en los diferentes complejos proteína-ligando, se escogió los que
presentaron mayor estabilidad. El cribado virtual mostró varios compuestos químicos y medicamentos
comerciales cuya energía de afinidad oscilaba entre -9.3 y -9.8 kcal/mol. Se identificó la proteína IRS-1 como
diana terapéutica, esta presentó un receptor proteico identificado en la base de datos Protein Data Bank con
1QQG con una drugabilidad de 0.84, se probaron los compuestos Zosuquidar, Rimacalib, Uk432097,
Mosapramine, Devazepide y Setipiprant, se obtuvo una energía media de afinidad de -7.5 kcal/mol
estableciéndose como posibles ligandos para la diana terapéutica, el análisis de toxicidad confirmó la aplicación
de estos compuestos y medicamentos como un posible tratamiento para la enfermedad.
Palabras clave: Diabetes mellitus Tipo 2, Quimioinformática, Modelado Molecular, Cribado Virtual.
Abstract
Type 2 diabetes mellitus is a chronic disease characterized by insulin resistance and dysfunction of the beta
cells of the pancreas, resulting in elevated blood glucose levels. Elevated blood glucose levels can lead to
disorders of the circulatory, nervous, and immune systems. The aim of this study was to identify potential
therapeutic targets by applying bioinformatics techniques and biological databases to study genes that show
association and therapeutic potential to treat the disease. Computer-aided drug design methodology was used,
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
108
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
molecular docking and virtual screening techniques were applied to identify binding sites with desirable
drugability characteristics where chemical compounds and commercial ligands were docked. The docking
energy in the different protein-ligand complexes was evaluated, and those with the highest stability were chosen.
Virtual screening showed several chemical compounds and commercial drugs whose affinity energy ranged
from -9.3 to -9.8 kcal/mol. The protein IRS-1 was identified as a therapeutic target, it presented a protein
receptor identified in the Protein Data Bank database with 1QQG with a drugability of 0.84, the compounds
Zosuquidar, Rimacalib, Uk432097, Mosapramine, Devazepide and Setipiprant were tested, an average affinity
energy of -7. 5 kcal/mol establishing them as possible ligands for the therapeutic target, the toxicity analysis
confirmed the application of these compounds and drugs as a possible treatment for the disease.
Keywords: Type 2 Diabetes mellitus, Chemoinformatics, Molecular Modeling, Virtual Screening.
Introducción.
Las enfermedades metabólicas son identificadas
por un conjunto de disfunciones puntuales o
multifactoriales que inhiben la absorción de
compuestos integrales a rutas bioquímicas,
generando patogenias como la obesidad, diabetes,
hipertensión, entre otros (1). La Diabetes Mellitus
tipo 2 (T2DM) se considera una enfermedad
metabólica crónica asociada a la resistencia a la
insulina e insuficiencia de insulina secretada por las
células β del páncreas (2).
De acuerdo con los datos de la Organización
Mundial de la Salud (WHO), se observó un
aumento de 422 millones de personas con diabetes
desde 1980 al 2014, se registró un incremento en la
tasa de mortalidad del 5% prematura entre el 2000
al 2016 y se estima que, en el 2019, la diabetes fue
la causa de 1,5 millones de defunciones (3). En
Ecuador, el Instituto Nacional de Estadística y
Censos reportó que la T2DM fue la segunda causa
de mortalidad en el 2014, en donde se reportó un
aumento en la vulnerabilidad proporcional a la
edad con una prevalencia del 15,2% en el rango de
60 a 64 años con mayor incidencia en mujeres (4).
Mecanismos Moleculares de la T2DM
Los mecanismos moleculares más representativos
asociados son: resistencia a la insulina e
insuficiencia en la exocitosis de insulina,
provocando hiperglucemia en ayunas y estado
posprandial. Los factores ambientales han sido
asociados con el estrés oxidativo y síntesis de
especies reactivas de oxígeno a causa de una
disfunción mitocondrial en las células β provocado
por estados nutricionales excesivos como
glucotoxicidad, lipotoxicidad y glucolipotoxicidad
(5).
Resistencia a la insulina
La resistencia a la insulina representa la
disminución de la respuesta de las células sensibles
a la insulina en los tejidos periféricos que regulan
el nivel de glucosa en la sangre. Durante este
estado, las células no responden al estímulo
fisiológico de la hormona y como resultado, la
glucosa no ingresa en las células, provocando
hiperglucemia en ayunas y posprandial (6). El
incremento de la expresión de las catecolaminas
promueve la lipólisis y glucogenólisis, mientras
que los glucocorticoides favorecen al catabolismo
muscular, gluconeogénesis y lipólisis y el glucagón
estimula la producción de glucosa. La activación en
conjunto de estas vías puede inducir a la resistencia
a la insulina en los tejidos diana como el músculo
esquelético, tejido adiposo e hígado (7).
Disfunción de células β
Se ha demostrado que la disfunción de las células β
se asocia con los mecanismos de apoptosis (8). Sin
embargo, existe un conjunto de mecanismos
adicionales que pueden afectar su funcionalidad,
morfología e integridad por orígenes ambientales,
como la obesidad. En estado tóxico a favor de la
resistencia a la insulina por hiperglucemia e
hiperlipidemia, las células β son más susceptibles
que el resto de las células debido a su arquitectura
genética ya que su expresión de antioxidantes es
baja en comparación con otras células (6), y como
resultado, pueden ser vulnerables a toxicidades
bajo estrés inflamatorio, estrés del retículo
endoplasmático (ER), estrés metabólico, oxidativo
y amiloide cuyo efecto es crítico para la pérdida de
los islotes pancreáticos (9).
Bioinformática.
La bioinformática es el enfoque biológico a escala
molecular desde una perspectiva biotecnológica, en
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
109
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
la que se emplea técnicas informáticas asociadas a
la matemática, estadística y ciencias
computacionales, con el objetivo de tener acceso a
la información sobre las moléculas estudiadas (10),
aquí se manipula la información sobre la genética
evolutiva o mutaciones desencadenantes de
enfermedades como la esclerosis lateral
amiotrófica, Alzheimer, Parkinson, enfermedad de
Huntington o la bioinformática aplicada al SARS-
CoV-2 (11).
La proyección o cribado virtual (VS) es una técnica
ampliamente aplicada en el descubrimiento de
fármacos cuya estructura molecular causa un
impacto terapéutico. Este consiste en un análisis de
probabilidad in silico del mecanismo asociado a la
actividad biológica deseada en una ruta bioquímica
propia de una enfermedad. El principal enfoque del
método se aplica a las bases de datos de ligandos
con el objetivo de obtener una lista clasificada en
función de la probabilidad de actividad relevante,
contribuyendo en la identificación del mejor
producto que permita enlazar al receptor proteico
con el fármaco.
Objetivo.
Identificar posibles dianas terapéuticas en la
enfermedad de la Diabetes Mellitus tipo 2 mediante
el uso de bases de datos genómicas, proteómicas y
de enfermedades humanas, y la aplicación de
técnicas de diseño de fármacos asistido por
computador, como simulaciones por dinámica y
acoplamiento molecular.
Material y métodos.
Selección de bibliografía
Para la elaboración de la presente investigación, se
utilizó información disponible en bases de datos de
enfermedades, revistas científicas, plataformas
web enfocados en proteínas y sus vías metabólicas
(último acceso 25-Mayo-2022). Se obtuvo y
analizó la información de la T2DM con el objetivo
de detallar los avances científicos en el
descubrimiento de genes implicados en el
desarrollo de la enfermedad, información general,
sintomatología y tratamientos actuales. Se buscó la
información en diferentes bases de datos como
OMIM, MalaCards, PubMed, Google Scholar,
NCBI, SciELO, se estableció una antigüedad de 10
años para los artículos que se revisaron en la
presente investigación.
Selección de Genes
Para la selección de los genes se utilizó la función
de puntación que ofrece la base de datos
MalaCards, esta puntuación se asocia a las
enfermedades genéticas y se calculan como sumas
ponderadas de las puntuaciones individuales
derivadas de las siguientes 8 fuentes de
información: OMIM, ClinVar, Orphanet,
SwissProt/Humsavar, GeneTests, DISEASES y
GeneCards. Estos valores de puntuación dependen
del nivel de curación manual de la fuente de
información, así como de la importancia asignada
por la propia fuente a sus diferentes clases de
anotación.
Se seleccionó 36 genes representativos asociados a
la enfermedad en una hoja de cálculo con sus
respectivas puntuaciones e integración dentro de
las bases de datos y fueron organizadas en función
del nombre del gen, su puntación y disfunción.
Posteriormente se descartó los genes que no
estaban incluidos en al menos 3 bases de datos para
reducir el número en función de su importancia. Se
encontró numerosas disfunciones en cada gen, y se
asoció en relación con el daño metabólico que
causan los defectos genéticos como resistencia a la
insulina y disfunción de las células β.
Integración de Datos
Para este proceso se utilizó el plugin GeneMANIA
Cytoscape ya que a través de esta herramienta se
puede predecir rápidamente la función de los genes
(12). Se generó la hipótesis sobre la función,
análisis de listas y priorización de genes para
ensayos funcionales.
Se realizó columnas con información de la red, en
esta lista se encuentra el identificador, nombre de
los genes, número de nodos y la puntuación. Las
columnas restantes hicieron referencia al grado de
centralidad que presentó cada uno. La
identificación de los nodos con mejor puntuación y
mayor número de interacciones se realizó mediante
una representación de colores y formas, por lo que
se identificó los nodos más representativos por el
color verde y forma circular. Posteriormente, para
generar los gráficos de agrupación de genes de
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
110
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
forma jerárquica y de similar puntuación se aplicó
el método de Hierachical clúster y K-Means,
respectivamente.
Validación de genes seleccionados
Para la validación de los genes se utilizó la base de
datos DrugBank, esta es una base de datos que
contiene información sobre los medicamentos y su
diana de acción. En cuanto a la base de datos, sus
entradas de los fármacos están relacionadas con las
proteínas. Además, cada entrada posee múltiples
campos de datos segmentado en 2 partes, esto es, la
mitad corresponde a la información química o
fármacos, mientras que la otra mitad pertenece a
datos informativos de proteínas o dianas
farmacológicas (13). Aquí se encontró información
acerca de los medicamentos y las funciones que
cumplen, se ingresó el nombre de los genes y se
especificó que se busca información acerca de las
dianas. Se identificó varias entradas de
medicamentos enlazadas a proteínas, cada entrada
contiene varios campos con información
importante, tales como, ensayos realizados, los
targets y las fases de experimentación en la que se
encuentra. De los datos obtenidos se comprobó que
la mitad corresponde a información química o de
medicamentos y la otra mitad, a proteínas o dianas
farmacológicas
Pruebas de Viabilidad de las dianas terapéuticas
Para verificar la viabilidad de las dianas
terapéuticas se estudió una característica
fundamental conocida como “drugabilidad”, la que
se analizó en cada uno de los dominios
seleccionados. La “drugabilidad” refiere a la
capacidad de una molécula o blanco terapéutico
para convertirse en un fármaco efectivo y seguro.
Implica la evaluación de si una molécula tiene el
potencial de ser desarrollada y convertida en un
medicamento, se basa en una serie de propiedades
y características que se consideran deseables en una
molécula o blanco terapéutico. En el
descubrimiento de fármacos, la drugabilidad se
define como la unión que puede ocurrir en un sitio
biológico con buena potencia nano molar y que al
mismo tiempo presenta biodisponibilidad oral y
progresión clínica (14).
Se utilizó el servicio web Proteins Plus del Centro
para bioinformática de la Universidad de
Hamburgo. En este servicio web se ingresó el
nombre de las proteínas y se utilizó distintas
herramientas de análisis molecular tales como,
predicción de hidrógenos, interacciones proteína-
proteína, predicción geométrica, datos de afinidad
de proteína-ligando, elucidación estructural,
diagramas de interacción 2D, acoplamiento de
proteína-ligando y química textual en PDB (15). Se
seleccionó el valor de “drugabilidad” mediante
DoGSiteScorer, se escogió el sitio que presentó la
mejor puntuación. Así mismo, el análisis de las
rutas metabólicas de los genes seleccionados
permitió que se escogieran aquellos genes que
comparten una misma función y mecanismo
molecular.
Búsqueda de moléculas que podrían interaccionar
con las dianas
Para la búsqueda de los cristales se utilizó la base
de datos Protein Data Bank (PDB), desde esta se
descargó las estructuras 3D de los receptores que
contienen los dominios identificados. Así también,
se verificó los parámetros de calidad de los cristales
mediante el análisis de métricas tales como:
método de cristalización, resolución, valor RFree,
clashcore, entre otros, con la finalidad de trabajar
con un cristal de óptimas condiciones. Con estas
moléculas y mediante el software Autodocktools,
se calculó las dimensiones de la Grid y las
coordenadas del centro, para posteriormente
realizar el cribado virtual.
Para el cribado virtual se utilizó el receptor en
formato 3D, se lo preparó eliminando previamente
estructuras y disolventes presentes en la estructura.
Este receptor se encontraba acomplejado con un
ligando específico, por lo que fue necesario
eliminar esta estructura para quedarnos únicamente
con el receptor. Mediante el servicio web
MTIOpenScreen se efectuó un filtrado de posibles
medicamentos, medicamentos en desarrollo y
estructuras químicas que pueden acoplarse con el
receptor (15). Se seleccionó la opción Custom
parameters y se ingresó las coordenadas del sitio de
unión y las dimensiones del centro, con el fin de
ejecutar los cálculos del acoplamiento sobre esta
zona específica. Esta lista de los compuestos
obtenidos de la base de datos de drogas y
estructuras químicas, fueron ordenadas en función
de la cantidad de energía de unión con el receptor.
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
111
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
Análisis de toxicidad de las moléculas
Una vez encontradas las posibles estructuras
(dianas terapéuticas) que presentan afinidad por el
sitio de unión de las proteínas, se empleó el paquete
VEGA, mediante la aplicación de modelos QSAR,
estos modelos permiten relacionar la actividad
biológica con descriptores moleculares o
información fisicoquímica de una estructura
química. Se realizó pruebas de mutagenicidad,
carcinogénesis y hepatotoxicidad a través del uso
de los códigos SMILES (Simplified molecular-
input line-entry system) para comparar resultados
de inhibidores conocidos con la diana. Finalmente,
se analizó las propiedades de las moléculas
elegidas mediante el servicio web pkCSM (16) para
realizar pruebas de ADMET (Absorción,
Distribución, Metabolismo, Excreción, Toxicidad)
a partir de los códigos SMILES anteriormente
mencionados.
Resultados
Genes Elite relacionados con T2DM e integración
de datos.
De acuerdo con los datos de la Tabla 1, se han
registrado 36 genes élite extraídos de las bases de
datos cuya principal disfunción ya se ha
identificado, la deficiencia en la utilización y
secreción de la insulina, a excepción de PRMT7 e
IL6 que participan en diferentes rutas metabólicas,
pero contribuyen al desarrollo de la enfermedad,
sin embargo, no se ha registrado información sobre
NIDDM4, por lo tanto, su expresión y función
genética es desconocida.
Tabla 1. Genes élite involucrados en la Diabetes Mellitus tipo 2 (T2DM).
#
Genes
Mecanismo
Molecular
Proteína
Base de Datos
MalaCards
OMIM
Harmonizome
KEGG
1
IRS1
Resistencia
a la
Insulina
Sustrato del receptor de
insulina 1
1421,65
Si
1,8409
Si
2
HNF4A
Células β
Factor nuclear de
hepatocitos 4 alfa
1388,86
Si
0,6826
-
3
NEUROD1
Células β
Diferenciación neurogénica
1
1379,14
Si
0,6277
-
4
PPP1R3A
Resistencia
a la
Insulina
Proteína fosfatasa 1
subunidad reguladora 3ª
1361,64
Si
0,6438
-
5
HNF1B
Células β
Homebox B de factor
nuclear hepatocito 1
1336,53
Si
0,8192
Si
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
112
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
6
PAX4
Células β
Caja emparejada 4
1329,57
Si
0,2059
-
7
AKT2
Células β
AKT Serina/Treonina
Quinasa 2
1321,83
Si
-
Si
8
HNF1A
Resistencia
a la
Insulina
Factor nuclear 1 alfa de
hepatocito
1115,48
Si
1,5018
-
9
ENPP1
Resistencia
a la
Insulina
Ectonucleótido
1115,3
Si
-
Si
10
SLC2A2
Células β
Pirofosfatasa/fosfodiesterasa
1
1107,74
Si
1,3625
-
Fuente: Elaboración propia
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
113
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
Figura 1. Ruta metabólica disfuncional de la T2DM
Fuente: Elaboración propia desde Base de datos KEEG
En la figura 1 se observa los genes marcados por
KEGG que presentan resistencia e insuficiencia a
la insulina son el IRS-1 y KCNJ11 y se confirma
más su participación en el desarrollo de la
enfermedad como objetivos terapéuticos
El análisis sobre la integración de los datos
mediante Cytoscape permitió la visualización de la
interacción genética definida por la combinación
de determinadas formas de un par de genes que
origina un efecto inesperado en donde se
representan 4 niveles de interacción.
En la figura 2, se demuestra la interacción de los
genes implicados en la resistencia a la insulina en
forma de nodes y edges. Los nodos PPARG y
PTPN1 son de alta interacción y los nodos
HMGA1, SLC2A4, AKT2, INSR e IRS-1 son de
muy alta interacción.
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
114
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
Figura 2. Red biológica de la resistencia a la insulina.
Fuente: Elaboración propia desde GeneMania Cytoscape
Figura 3. Red biológica de la disfunción de células β.
Fuente: Elaboración propia desde GeneMania Cytoscape
La red biológica de interacción dentro de la
disfunción de las células β se observa en la figura
3, los genes más representativos dentro de este
grupo de disfunción se encuentran los genes
TCF7L2, NeuroD1, GCK, HNF4A, PDX1. Los
genes TCF7L2, NeuroD1 son factores de
transcripción y PDX1 es un factor de activación,
por lo que las estructuras de estos genes pueden
presentar ambigüedad en posteriores análisis de
viabilidad y acoplamiento molecular.
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
115
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
Validación de los genes seleccionados
De acuerdo con lo detallado en la tabla 2, los genes
IRS-1, KCNJ11, GCK, ABCC8, PTPN1 y PPARG
son objetivos terapéuticos aprobados para la T2DM
o complicaciones de la diabetes. Adicionalmente,
los genes que no presentan fármacos asociados,
pero se han clasificado como dianas (PDX-1, IRS2,
TCF7L2 y HMGA1) se debe a las fases
experimentales tempranas en las que se encuentran
(17).
Tabla 2. Número de fármacos asociados a los genes élite de la T2DM.
#
Nombre
Gen
Diana -
T2DM
Fármacos
asociados
Se aplica
en
T2DM
1
Receptor de insulina
IRS-1
Si
1
No
2
Regulador de ATPk y liberación de insulina
ABCC8
Si
11
Si
3
Regulador negativo de la insulina.
PTPN1
Si
51
Si
4
Sensor de glucosa / función de células β.
SLC2A2
No
6
No
5
Función de los canales de potasio / células β.
KCNJ11
Si
7
Si
6
Acción glucoquinasa / insulina.
GCK
Si
8
Si
7
Receptor nuclear / acción de la insulina.
PPARG
Si
74
Si
8
-
RETN
No
0
No
9
Secreción de la insulina, factor de transcripción de
GLUT2.
PDX-1
Si
-
No
10
Involucrado en varios procesos celulares con insulina.
IRS2
Si
-
No
11
Participa en la vía de señalización Wnt / dunción de las
células β.
TCF7L2
Si
-
No
12
Regulador transcripcional / Acción de la insulina.
HMGA1
Si
-
No
Fuente: Elaboración propia
Pruebas de viabilidad de los genes seleccionados
Se obtuvo y evaluó la puntuación de la
probabilidad en la identificación de un ligando
similar a un fármaco en una estructura
tridimensional de la proteína (drugability) en las
expresiones de los genes candidatos a través de la
herramienta DoGSiteScorer del servicio web
Protein.plus. Con lo cual se ha identificado las
siguientes proteínas.
Tabla 3. Puntuación de los sitios de unión de los genes satélite
#
Genes
Protein.Plus
Druggabilidad
1
IRS1
1QQG
0,84
2
HNF4A
1M7W
0,81
3
NEUROD1
Alphafold
0,78
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
116
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
4
PPP1R3A
Alphafold
0,80
5
HNF1B
2DA6
0,73
6
PAX4
Alphafold
0,81
7
AKT2
3D0E
0,83
8
HNF1A
Alphafold
0,80
9
ENPP1
Alphafold
0,81
10
SLC2A2
Alphafold
0,81
11
KCNJ11
Alphafold
0,84
12
GPD2
Alphafold
0,80
13
WFS1
Alphafold
0,81
14
GCK
3FGU
0,80
15
ABCC8
7S5V
0,80
16
MAPK8IP1
Alphafold
0,81
17
INSR
5E1S
0,85
18
RETN
Alphafold
0,18
19
PDX1
Alphafold
0,81
20
IL6
1ALU
0,75
21
IRS2
Alphafold
0,80
22
TCF7L2
Alphafold
0,80
23
PTPN1
7KLX
0,63
24
LIPC
Alphafold
0,81
25
SLC30A8
6XPD
0,81
26
PPARG
6TSG
0,82
27
IGF2BP2
Alphafold
0,83
28
HMGA1
Alphafold
0,70
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
117
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
29
MTNR1B
Alphafold
0,81
Fuente Elaboración propia.
En la figura 4 se observa la estructura
tridimensional de IRS-1, donde el volumen de la cavidad es de 847,49 Å3 y 18,85 Å de profundidad
con 0,48 del ratio de aminoácidos apolares (RAA).
Figura 4. Estructura proteica del Receptor Sustrato de Insulina 1 (IRS-1) con el mejor pocket drugable.
Fuente: Elaboración propia obtenida en AutoDockTools
Desde una perspectiva amplia, la aplicación de
IRS-1 puede ser un factor clave de efecto directo en
la resistencia a la insulina y efecto parcial en otros
mecanismos asociados a la T2DM, debido a la
complejidad poligénica multifactorial.
Análisis de interacción molecular.
Se observa en la figura 5, los resultados donde se
establece un valor estándar para los posteriores
análisis del cribado virtual ya que se define
relativamente el acoplamiento con el compuesto
tomado de las bases de datos y la librería de
compuestos de la plataforma ‘MTiOpenScreen’.
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
118
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
Figura 5. Acoplamiento del ligando en el receptor y su afinidad como energía de interacción
Fuente: Elaboración propia obtenida en AutoDockTools
Se obtuvo los primeros 100 resultados con mejor
afinidad de interacción de los cuales se tomó los
resultados con mejores energías de interacción de -
9,8 kcal/mol hasta -9,3 kcal/mol. En la tabla 4 se
observan los fármacos con sus energías de
interacción.
Tabla 4. Fármacos candidatos con energía de interacción favorable
#
Compuesto
Energía de afinidad
nRot
1
Zosuquidar
-9,8
7
2
Seganserin
-9,8
5
3
Cortisuzol
-9,8
9
4
R428
-9,7
5
5
Mk3207
-9,6
4
6
Sb-649868
-9,6
5
7
Rimacalib
-9,6
4
8
Uk432097
-9,5
16
9
Mosapramine
-9,5
4
10
Devazepide
-9,5
3
11
Dihydroergotamine
-9,4
5
12
Entrectinib
-9,4
7
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
119
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
13
Bms-754807
-9,3
6
14
Hesperidin
-9,3
15
15
Setipiprant
-9,3
3
Fuente: Elaboración propia
Análisis de la toxicidad de las moléculas
Se realizó los análisis de toxicidad de todos los
fármacos demostrados en la tabla 4, cuya función
analítica permite la obtención de resultados de
toxicidad mediante predicción computacional.
Entre los parámetros que se evalúan a los
compuestos están: mutagenicidad, toxicidad del
desarrollo, carcinogenicidad, intoxicación aguda,
sensibilización de la piel, aberración cromosómica,
ensayos de micronúcleos, efecto del receptor de
estrógeno, andrógenos y tiroideo, actividad
disruptiva endócrina, NOAEL, LOAEL,
clasificación Cramer y hepatotoxicidad.
Tabla 5. Análisis de toxicidad de fármacos con afinidad de -9,8 kcal/mol
Parámetro
FÁRMACOS
Zosuquidar
Seganserin
Cortisuzol
Predicción
Confiabilidad
Predicción
Confiabilidad
Predicción
Confiabilidad
Mutagenecity
Seguro
2
Seguro
2
Seguro
1
Dev. Toxicity
Tóxico
1
Tóxico
2
Tóxico
1
Carcinogenicity
Tóxico
1
Seguro
1
Seguro
1
Acute toxicity
-
-
-
-
-
-
Skin sensitization
Seguro
1
Tóxico
1
Seguro
1
Chro. Aberration
Seguro
1
Seguro
1
Tóxico
1
Micro. Assay
Seguro
1
Tóxico
1
Tóxico
1
ER Effect
Seguro
1
Seguro
3
Seguro
3
AR Effect
Seguro
1
Seguro
2
Seguro
1
TR Effect
Seguro
3
Seguro
3
Seguro
3
ED Activity
Seguro
-
Seguro
-
Seguro
-
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
120
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
NOAEL
-
1
-
1
-
1
LOAEL
-
1
-
1
-
1
Cramer class.
-
-
-
-
-
-
Hepatotoxicity
Tóxico
1
Tóxico
2
Tóxico
2
Fuente: Elaboración propia
Discusión
Se han detectado 36 genes élite los cuales han sido
asociados por probabilidad a la enfermedad
mediante interacciones gen-enfermedad a partir de
información respaldada por fuentes confiables y
curación manual, la lista completa de los genes ha
sido extraída a partir de 4 mecanismos de
tratamiento de información, estos son: GeneCards,
pruebas genéticas específicas en la enfermedad,
variantes genéticas causales y curación manual de
los genes con la enfermedad.
Los resultados sobre las disfunciones demuestran
dos categorías fundamentales en la T2DM que se
definen en resistencia a la insulina y disfunción de
las células β. En las redes de interacción se observa
que el gen PDX1 presenta los parámetros más altos
de interacción, seguido de GCK. Sin embargo, los
métodos bioinformáticos pueden diferir debido a
los mecanismos bioquímicos y vías metabólicas en
factores de transcripción o activación ya que
interactúan con el DNA, formando un complejo
proteína-DNA cuya estructura no posee sitios de
unión (18).
Cabe destacar que los genes que no presentan
mecanismos relacionados a la T2DM se deben a
que su aporte genético y molecular aún se mantiene
por dilucidar entre la comunidad científica. Sin
embargo, estudios de secuenciación genómica han
detectado anomalías genéticas de estos genes en
contraste con sujetos de control no diabéticos (19).
Se atribuye la participación de RETN en respuestas
inflamatorias y resistencia a la insulina ya que se
registró una relación inversa con la T2DM. Hay
numerosos estudios (1, 17, 20) que aportan la
hipótesis de que RETN contribuye a la resistencia
a la insulina en pacientes obesos debido a la
sobreexpresión de este gen. Así mismo, genes
como AKT2, IL6 y IGF2BP2 han sido
seleccionados en la incidencia sobre la T2DM por
estudios experimentales en donde se identificó
polimorfismos de un solo nucleótido o mutaciones
puntuales, dependiendo de la población de estudio.
De acuerdo con la investigación realizada por (21),
no se han establecido parámetros límite o criterios
para la selección de un objetivo favorablemente
druggable, sin embargo, en el trabajo realizado por
(22) menciona que un gran volumen de pocket
(apertura de unión), alta profundidad y proporción
de aminoácidos apolares son parámetros que
determinan una alta probabilidad en la efectividad
deseable para determinar la drugabilidad de un
objetivo. Las puntuaciones que registra IRS-1 en
DoGSiteScorer se asemejan con los parámetros en
los pockets seleccionados en la investigación de
(23), lo que sugiere una alta probabilidad de
drugabilidad de la proteína.
La proteína expresada por IRS-1 presenta una
drugabilidad considerable, debido a la escala en
DoGSiteScorer en donde 0 es mínimo
(undruggable) y 1 es el máximo (druggable), su
puntuación fue de 0,84. De acuerdo con (18), una
proteína considerablemente druggable se toma a
partir de 0,5 a 1, por lo que se toma esta proteína
como diana terapéutica. En función de MalaCards,
el IRS-1 es el gen candidato con mayor puntuación
de incidencia dentro de los genes élite que participa
en la resistencia a la insulina.
El docking molecular arrojó un acoplamiento con
energía de afinidad de -7,5 kcal/mol del ligando
con el receptor, como se observa en la figura 5A.
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
121
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
Este resultado establece un valor estándar para los
posteriores análisis del cribado virtual ya que se
define relativamente el acoplamiento con el
compuesto tomado de las bases de datos y la
librería de compuestos de la plataforma
‘MTiOpenScreen’. Adicionalmente, (22)
mencionan que los aminoácidos con menor
frecuencia en las secuencias son los de mayor
abundancia en los sitios de unión como Trp, His,
Met, Tyr y Phe, mientras que las estructuras
proteicas homólogas en complejo con el mismo
ligando demostraron mayor conservación de
residuos en el sitio de unión cuyos residuos son
Gly, Glu, Arg, Asp, His y Thr. En la estructura
analizada, el compuesto acoplado demostró
interacción con Asp241, Val245, Val66, Lys79,
Asn80, Gln165, Lys23, Pro22, His92 y Tyr87
(figura 5B).
Finalmente, se han encontrado medicamentos
como el Zosuquidar, Rimacalib, Uk-432097,
Mosapramine, Devazepide y Setipiprant, que
poseen un menor nivel de fiabilidad en predicción
de toxicidad, y mayor número de predicciones de
seguridad, se descartó del presente estudio los
fármacos con toxicidad mayor o igual a 2 en
parámetros críticos como la carcinogenicidad,
intoxicación aguda, mutagenicidad y aberración
cromosómica por las consecuencias graves que
éstos ocasionan.
Conclusiones
Se encontró que las principales disfunciones
relacionadas con la T2DM son: resistencia a la
insulina desarrollada en los tejidos periféricos,
tejido adiposo e hígado y la disfunción de las
células β. Los genes identificados presentaron
diversas funciones debido a que se involucra
diferentes aportes proteicos cuya actividad
enzimática pertenece a diferentes rutas metabólicas
y, en consecuencia, la T2DM representa un desafío
en los estudios genómicos y patogenéticos.
Los genes que actualmente se encuentran
identificados como dianas terapéuticas (proteínas
kir6.5 (ABCC8), PPARG e INSR), fueron
considerados como control para probar la
eficiencia de la metodología del CADD. Se analizó
una lista de 36 genes élite identificados en
MalaCards con disfunciones que están asociadas a
la patología y patogénesis de la T2DM, se filtró y
validó correlacionando esta información en bases
de datos como OMIM, Harmonizome y KEGG.
Las rutas metabólicas de la T2DM permitieron
identificar la incidencia del gen IRS-1 como diana
terapéutica principal a partir de los estudios de
mutaciones puntuales asociadas a la resistencia a la
insulina y asociación con las células β debido a su
participación en el control de diversos procesos
celulares lo que causa reducción de la eficiencia de
la insulina endógena y aumenta los niveles de
glucosa en la sangre.
Los modelos QSAR permiten analizar la toxicidad
de los compuestos que presentaron las mejores
propiedades para ser considerados como ligados de
la diana terapéutica para la T2DM. Estos seis
compuestos son el resultado del presente trabajo,
los cuales, como siguiente paso, deberían ser
comprobados mediante métodos bioinformáticos
más exhaustivos para pasar a la siguiente fase de
diseño del fármaco.
Contribuciones de los autores: Redacción - revisión
y edición, DG, CG, LV y CG; Metodología, DG y
CG; Conceptualización, LV y CG. Todos los
autores han leído y aceptado la versión publicada
del manuscrito.
Agradecimientos: A los investigadores del presente
estudio por su aporte al desarrollo de la
investigación biomédica en Ecuador.
Conflictos de interés:
“Los autores declaran no tener conflicto de
interés”.
Referencias.
1. Lee Y, Berglund ED, Yu X, Wang M-Y,
Evans MR, Scherer PE, et al. Hyperglycemia in
rodent models of type 2 diabetes requires insulin-
resistant alpha cells. 2014;111(36):13217-22.
2. WHO COJD. World health organization.
2020.
3. Cordero LCA, Vásquez MA, Cordero G,
Álvarez R, Añez R, Rojas J, et al. Prevalencia de la
diabetes mellitus tipo 2 y sus factores de riesgo en
individuos adultos de la ciudad de Cuenca-
Ecuador. 2017;6(1):10-21.
4. Rehman K, Akash MSHJJocb.
Mechanism of generation of oxidative stress and
MEDICIENCIAS UTA Revista Universitaria con proyección científica, académica y social
122
Carrera de Medicina. Facultad de Ciencias de la Salud. UTA
Guevara D, Galarza C, Varela L, Galarza C. Identificación de posibles dianas terapéuticas en la enfermedad
de la diabetes mellitus tipo 2 (T2DM) en base a estudios bioinformáticos. MEDICIENCIAS UTA.2023;7
(3):107-122.
pathophysiology of type 2 diabetes mellitus: how
are they interlinked? 2017;118(11):3577-85.
5. Petersen MC, Shulman GIJPr.
Mechanisms of insulin action and insulin
resistance. 2018;98(4):2133-223.
6. Xia XJCtimc. Bioinformatics and drug
discovery. 2017;17(15):1709-26.
7. Kim J, Zhang J, Cha Y, Kolitz S, Funt J,
Escalante Chong R, et al. Advanced bioinformatics
rapidly identifies existing therapeutics for patients
with coronavirus disease-2019 (COVID-19).
2020;18(1):1-9.
8. Franz M, Rodriguez H, Lopes C, Zuberi
K, Montojo J, Bader GD, et al. GeneMANIA
update 2018. 2018;46(W1):W60-W4.
9. Wishart DS, Feunang YD, Guo AC, Lo
EJ, Marcu A, Grant JR, et al. DrugBank 5.0: a
major update to the DrugBank database for 2018.
2018;46(D1):D1074-D82.
10. Finan C, Gaulton A, Kruger FA, Lumbers
RT, Shah T, Engmann J, et al. The druggable
genome and support for target identification and
validation in drug development.
2017;9(383):eaag1166.
11. Goodsell DS, Zardecki C, Di Costanzo L,
Duarte JM, Hudson BP, Persikova I, et al. RCSB
Protein Data Bank: Enabling biomedical research
and drug discovery. 2020;29(1):52-65.
12. Zhou Y, Zhang Y, Lian X, Li F, Wang C,
Zhu F, et al. Therapeutic target database update
2022: facilitating drug discovery with enriched
comparative data of targeted agents.
2022;50(D1):D1398-D407.
13. Radaeva M, Ton A-T, Hsing M, Ban F,
Cherkasov AJDDT. Drugging the ‘undruggable’.
Therapeutic targeting of protein–DNA interactions
with the use of computer-aided drug discovery
methods. 2021;26(11):2660-79.
14. Flannick J, Florez JCJNRG. Type 2
diabetes: genetic data sharing to advance complex
disease research. 2016;17(9):535-49.
15. Abi Hussein H, Geneix C, Petitjean M,
Borrel A, Flatters D, Camproux A-CJDDT. Global
vision of druggability issues: applications and
perspectives. 2017;22(2):404-15.
16. Calahorrano AZ, Fernández EJMU.
Diabetes mellitus tipo 2 en el Ecuador: revisión
epidemiológica. 2018;2(4):3-9.
17. Cirillo E, Kutmon M, Gonzalez
Hernandez M, Hooimeijer T, Adriaens ME, Eijssen
LM, et al. From SNPs to pathways: Biological
interpretation of type 2 diabetes (T2DM) genome
wide association study (GWAS) results.
2018;13(4):e0193515.
18. Doncheva NT, Morris JH, Gorodkin J,
Jensen LJJJopr. Cytoscape StringApp: network
analysis and visualization of proteomics data.
2018;18(2):623-32.
19. Elseginy SAJJoBS, Dynamics. Virtual
screening and structure-based 3D pharmacophore
approach to identify small-molecule inhibitors of
SARS-CoV-2 Mpro. 2021:1-17.
20. Fuchsberger C, Flannick J, Teslovich TM,
Mahajan A, Agarwala V, Gaulton KJ, et al. The
genetic architecture of type 2 diabetes.
2016;536(7614):41-7.
21. Ghemrawi R, Battaglia-Hsu S-F, Arnold
CJC. Endoplasmic reticulum stress in metabolic
disorders. 2018;7(6):63.
22. Gutiérrez-Rodelo C, Roura-Guiberna A,
Olivares-Reyes JAJGMM. Molecular mechanisms
of insulin resistance: An update. 2017;153(2):214-
28.
23. Jin B, Liu R, Hao S, Li Z, Zhu C, Zhou X,
et al. Defining and characterizing the critical
transition state prior to the type 2 diabetes disease.
2017;12(7):e0180937.
24. King A. Animal models of type 1 and type
2 diabetes mellitus. Animal models for the study
of human disease: Elsevier; 2017. p. 245-65.
25. Legeay M, Doncheva NT, Morris JH,
Jensen LJJF. Visualize omics data on networks
with Omics Visualizer, a Cytoscape App. 2020;9.
26. Lohohola PO, Mbala BM, Bambi S-MN,
Mawete DT, Matondo A, Mvondo JGMJIJoTD, et
al. In Silico ADME/T properties of quinine
derivatives using SwissADME and pkCSM
webservers. 2021;42(11):1-12.
27. Prahasti AE, Yuanita T, Rahayu RPJJoID,
Research M. Computer Aided Drug Discovery
Utilization in Conservative Dentistry.
2022;15(2):899-903.
28. Reddy KA, Ashma M, Jyothi V, Jyostna
TSJWJoPS. Molecular Properties Prediction of
Phenothiazine Derivatives by Using Swiss ADME,
PkCSM, Lazar and Protox. 2019:65-71.
29. Tripathi A, Misra KJJC. Molecular
docking: A structure-based drug designing
approach. 2017;5(2):1042-7.
30. Wang X, Song K, Li L, Chen LJCTiMC.
Structure-based drug design strategies and
challenges. 2018;18(12):998-1006
