Biotechnologia.pl
łączymy wszystkie strony biobiznesu
Koszt wprowadzenia nowego leku na rynek waha się – w zależności od źródła danych i przyjętej metody szacowania – od setek milionów do miliardów dolarów. Nawet przy założeniu, że jest on rozłożony na 10‑20 lat, a obciążenie nie jest stałe w czasie, wydaje się być kwotą niebagatelną, nawet dla największych firm farmaceutycznych. Nieustający wzrost mocy obliczeniowej komputerów, rozwój strukturalnych baz danych białek, kwasów nukleinowych oraz małych molekuł, jak również oprogramowania bioinformatyczne sprawiają, że komputerowe wspomaganie projektowania leków (ang. Computer Aided Drug Design) staje się coraz częściej stosowanym narzędziem badawczym.

Współcześnie dostępne oprogramowanie do modelowania molekularnego pozwala m.in.: na szybkie przeszukiwanie baz danych cząsteczek, analizę i porównanie konfiguracji przestrzennej badanych molekuł, identyfikację konformacji aktywnej, analizę oddziaływań ligand‑receptor, przewidywanie mechanizmów działania leków, projektowanie nowych związków o określonych właściwościach, optymalizację badanej molekuły pod kątem oddziaływań z receptorem.

Co prawda, dostępne obecnie metody nie zastępują w pełni badań laboratoryjnych i nie pozwalają na jednoznaczne i pewne przewidzenie struktury nowego, bezpiecznego i skutecznego leku, niemniej jednak stosowanie ich pozwala na znaczne obniżenie kosztów oraz czasu trwania projektowania nowego związku, a co za tym idzie, na szybszą identyfikację potencjalnych kandydatów na leki, które trafiają do badań przedklinicznych. Ryc. 1. prezentuje schemat stosowanych metod modelowania komputerowego (łac. in silico) na etapie wstępnych prac nad projektowaniem nowych związków o potencjalnym znaczeniu terapeutycznym. Punktami krytycznymi, przyczyniającymi się do wzrostu potencjalnego niepowodzenia w przypadku modelowania molekularnego, są zastosowane algorytmy oraz jakość danych wejściowych. Przykładowo, generując cząsteczki ligandów de novo, częściej otrzymuje się molekuły niemogące stać się lekami, niż w przypadku modyfikacji znanego ligandu, tzw. związku wiodącego (ang. lead compound). Innym przykładem jest konieczność zbudowania modelu receptora (brak danych doświadczalnych), co powoduje przyjęcie dodatkowych założeń i przybliżeń, za czym idzie większe prawdopodobieństwo uzyskania nieprawidłowych wyników.

Pierwszym etapem w projektowaniu leków jest stworzenie modelu farmakoforu lub modelu miejsca wiążącego, opisującego ich właściwości fizyko‑chemiczne oraz geometryczne. W zależności od wiedzy, jaką badacz dysponuje, przystępując do badań, możliwe są dwa podstawowe podejścia, tj. projektowanie w oparciu o strukturę znanych ligandów (ang. ligand based design) oraz projektowanie w oparciu o znaną strukturę receptora (ang. receptor based design).

Podejście pierwsze obejmuje budowę farmakoforu, analizę QSAR (ang. Quantitative Structure – Activity Relationships) i budowę pseudo-receptora.

Podejście drugie obejmuje analizę zmienności konformacyjnej miejsca wiążącego, analizę receptora i konstrukcję więzów farmakoforycznych. Możliwa jest też sytuacja, kiedy na wejściu znana jest, zarówno struktura receptora (np. z danych krystalograficznych), jak i grupa ligandów o przebadanej aktywności. Wówczas projektowanie bazujące na strukturze receptora uzupełnia się o analizę farmakoforu i QSAR.


Projektowanie w oparciu o strukturę znanych ligandów
Farmakofor to model zawierający relacje przestrzenne pomiędzy elementami wspólnymi dla grupy ligandów oddziałujących z danym receptorem. W sytuacji, kiedy znanych jest co najmniej kilka aktywnych ligandów, a nieznana jest struktura receptora, stworzenie farmakoforu jest kluczowym etapem.

Obecnie dostępnych jest wiele programów do generowania farmakoforów na podstawie grupy ligandów (np. Pharmer, Catalyst, PharmaGist). Niezależnie od stosowanych algorytmów, kolejne etapy budowania farmakoforu są następujące:

  • Przygotowanie danych wejściowych, tj. struktury chemicznej znanych, aktywnych ligandów danego receptora.
  • Przeszukiwanie przestrzeni konformacyjnej analizowanych molekuł.
  • Wybór elementów istotnych (np. wybór typów atomów, chemicznych grup funkcyjnych, atomu lub grupy atomów o określonych właściwościach fizykochemicznych (np. donor wiązania wodorowego, grupa hydrofilowa).

Przyjmując założenie, że wszystkie ligandy oddziałujące z zadanym miejscem wiązania do receptora muszą mieć jeden wspólny farmakofor, konstruuje się tzw. farmakofor maksymalny. Podejście to nie zawsze sprawdza się w praktyce. Znane są ligandy, które nie zawierają wszystkich elementów farmakoforu. Innym podejściem jest poszukiwanie najmniejszego zbioru cech farmakoforycznych (elementów i relacji między nimi), który ma co najmniej zadane „n” cech wspólnych z każdym badanym ligandem. Tym samym nie jest wymagane, aby każda molekuła zawierała dokładnie wszystkie elementy farmakoforu. Analizując wyniki uzyskane w powyższych 3 etapach, poszukuje się jednego farmakoforu wspólnego dla wszystkich analizowanych cząsteczek.

Zbudowany farmakofor może być użyty do: (a) generowania ligandów de novo, (b) przeszukiwania baz danych czy (c) optymalizacji struktury molekuły wiodącej. Analiza zależności pomiędzy aktywnością biologiczną grupy ligandów danego receptora a ich cechami fizykochemicznymi to tzw. analiza QSAR (ang. Quantitative Structure-Activity Relationships). Pozwala ona na zbadanie, które właściwości analizowanych ligandów mają najistotniejszy wpływ na ich aktywność.

Na tej podstawie konstruowany jest matematyczny model niniejszej zależności – równania QSAR, którego znajomość pozwala:

  • Oszacować aktywność nowych, nieprzebadanych dotąd związków (kandydatów na lek).
  • Zaproponować modyfikacje struktury związku kandydata, najkorzystniejsze z punktu widzenia jego potencjalnej aktywności biologicznej.
  • Wnioskować o mechanizmach oddziaływań ligand-receptor.
  • Klasyfikować ligandy względem ich właściwości fizyko‑chemicznych w postaci liczb, do czego służą tzw. deskryptory. Deskryptory odnoszą się do rozmaitych właściwości, m.in. strukturalnych (np. masa molowa, pole powierzchni, objętość cząsteczkowa), termodynamicznych (np. hydrofobowość grup bocznych) czy elektronowych (np. moment dipolowy, polaryzowalność).

 

Projektowanie w oparciu o strukturę receptora
Wiedza na temat struktury przestrzennej receptora, a w szczególności miejsca wiążącego na receptorze, ma istotne znaczenie w procesie projektowania nowych związków o znaczeniu terapeutycznym. W przypadku, kiedy nie dysponuje się strukturą pozwalającą jednoznacznie zidentyfikować miejsce wiążące, a jedynie znana jest sekwencja aminokwasowa białka będącego receptorem bądź znana jest jedynie forma natywna receptora (bez związanego ligandu), poszukuje się miejsca wiążącego dla naturalnych ligandów, korzystając z metod homologicznych, metod opartych na siatkach czy modelu solwatacyjnym. Należy zwrócić uwagę, że nawet poprawne wytypowanie miejsca wiązania nie daje gwarancji powodzenia, bowiem receptor pod wpływem wiązania się ligandu może ulegać znacznym zmianom konformacyjnym.

Kolejne kroki projektowania nowych leków: przeszukiwanie molekularnych baz danych, generowanie nowych ligandów, dokowanie mogą przebiegać w podobny sposób, niezależnie od wyżej opisanych etapów początkowych, wynikających z danych wejściowych, którymi dysponował badacz.

Przeszukiwanie molekularnych baz danych pozwala z milionów dostępnych cząsteczek wybrać te, które spełniają zadane kryteria, a tym samym ograniczyć ilość analizowanych molekuł w kolejnych, bardziej kosztownych obliczeniowo etapach, jak np. dokowanie, którego celem jest znalezienie właściwej konformacji ligandu w miejscu wiązania na receptorze oraz ocena siły tego wiązania.


Podsumowanie
Modelowanie komputerowe odgrywa istotną rolę w procesie projektowania nowych związków o znaczeniu medycznym. Nie jest możliwe, by cały ten proces odbywał się in silico zamiast w laboratorium eksperymentalnym, jednak bezsprzecznym jest, iż modelowanie molekularne istotnie może wspomóc poszukiwania nowych leków, przyczyniając się do obniżenia kosztów oraz skrócenia czasu wstępnego etapu projektowania nowych związków o znaczeniu terapeutycznym.

 

 

Autor:
Dr Katarzyna Kulczycka-Mierzejewska,
Konsultant naukowy, Biovirtus research Site

 

 

 

 

KOMENTARZE
news

<Luty 2018>

pnwtśrczptsbnd
29
30
31
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
1
2
3
4
Newsletter