МОЛЕКУЛЯРНИЙ ДОКІНГ, ADMET-АНАЛІЗ ТА ВІРТУАЛЬНИЙ СКРИНІНГ У ДОСЛІДЖЕННІ ПРОТИДІАБЕТИЧНИХ АГЕНТІВ: ОГЛЯД СУЧАСНИХ ТЕНДЕНЦІЙ
DOI:
https://doi.org/10.11603/mcch.2410-681X.2026.i3.16536Ключові слова:
цукровий діабет; протидіабетичні агенти; дослідження in silico; молекулярний докінг; молекулярна динаміка; ADMET-аналіз; віртуальний скринінгАнотація
Вступ. Цукровий діабет 2-го типу залишається одним із найсерйозніших викликів для системи охорони здоров’я. Поширеність хвороби невпинно зростає, її ускладнення погіршують якість життя пацієнтів. Нині фармакотерапія цукровий діабет 2-го типу представлена широким спектром препаратів із різними механізмами дії, але їх використання часто обмежується небажаними побічними ефектами, не досить довготривалою ефективністю, що зумовлює пошук нових біологічно активних сполук із потенційними цукрознижувальними властивостями. Саме тому особливої актуальності набувають комп’ютерні методи моделювання, об’єднані поняттям “in silico”, які відкривають можливість аналізу, швидкого оцінювання цукрознижувального потенціалу великої кількості сполук, що здешевлює і спрощує трудомісткий процес пошуку біологічно активних речовин, зводять до мінімуму потреби в тестуванні на тваринах. Мета дослідження – проаналізувати й узагальнити сучасні підходи до застосування методів дослідження in silico, зокрема молекулярного докінгу, ADMETаналізу та віртуального скринінгу в пошуку нових біологічно активних сполук із потенційною цукрознижувальною активністю. Методи дослідження. Проведено критичний аналіз, систематизацію наукових даних щодо сучасних підходів до застосування методів дослідження in silico в пошуку нових біологічно активних сполук із потенційною цукрознижувальною активністю відповідно до мети дослідження. Для пошуку інформації було використано міжнародні наукові платформи (PubMed, Scopus, Web of Science, Google Scholar). Відбір здійснювався за ключовими словами: «цукровий діабет», «дослідження in silico», «молекулярний докінг», «ADMET-аналіз», «віртуальний скринінг». Для систематизації даних використовувалися методи контент-аналізу та тематичної класифікації. Результати й обговорення. Узагальнення літературних джерел засвідчує, що методи in silico відіграють ключову роль у пошуку нових біологічно активних сполук із потенційною цукрознижувальною активністю. Застосування молекулярного докінгу, ADMET-аналізу та віртуального скринінгу дозволяє прогнозувати взаємодію лігандів із молекулярними мішенями, ідентифікувати потенційні лікарські засоби, оптимізувати структуру сполук для досягнення високої афінності та специфічності. Комп’ютерне моделювання сприяє виявленню діагностичних маркерів і дослідженню фундаментальних біохімічних процесів. Перспективним напрямом досліджень in silico є поєднання віртуального скринінгу й ADMET-аналізу з експериментальними методами in vitro і in vivo для підтвердження фармакологічної активності потенційних протидіабетичних агентів. Висновки. Використання сучасних технологій in silico є стратегічно важливим інструментом у розробленні нових протидіабетичних препаратів, що дозволяє прискорити процес їх відкриття, знизити витрати та мінімізувати етичні проблеми, пов’язані з тестуванням на тваринах.
Посилання
1. Grosdani, S., Bertolani, A., Reggiardo, G., Cosentino, N., Marenzi, G., Agostoni, P., Pompilio, G., Pani A., & Scatigna, M. (2026). Phase I clinical trials for cardiovascular diseases in Europe: analysis of trends, distribution, and regulatory context. Front Pharmacol, 17, 1774988. https://doi: 10.3389/fphar.2026.1774988 DOI: https://doi.org/10.3389/fphar.2026.1774988
2. Nag, S., Stany, B., Mishra, S., Kumar, S., Mohanto, S., Ahmed, M.G., Mathew, B., & Subramaniyan, V. (2024). Multireceptor Analysis for Evaluating the Antidiabetic Efficacy of Karanjin: A Computational Approach. Endocrinol Diabetes Metab, 7 (4), e509. https://doi: 10.1002/edm2.509 DOI: https://doi.org/10.1002/edm2.509
3. Ogurtsova, K., Guariguata., L., Barengo, N. C., Ruiz, P. L. D., Sacre, J. W., & Karuranga, S. (2022). IDF diabetes Atlas: Global estimates of undiagnosed diabetes in adults for 2021. Diabetes Res Clin Pract, 183 (109118). https://doi: 10.1016/j.diabres.2021.109118 DOI: https://doi.org/10.1016/j.diabres.2021.109118
4. American Diabetes Association Professional Practice Committee. (2024). 2. Diagnosis and Classification of Diabetes: Standards of Care in Diabetes-2024. Diabetes Care, 47 (Suppl 1), S20–S42. https://doi: 10.2337/dc24-S002 DOI: https://doi.org/10.2337/dc24-S002
5. Orlova, N. M., Tkachenko, О. V., Herasymiuk, K. Kh., Palamar, I. V., & Sereda, N. K. (2026). Epidemiological situation of type 2 diabetes mellitus in Ukraine: challenges and priorities for public health management. Ukraine. Nation’s Health, 1 (83), 28–37. DOI: https://doi.org/10.32782/2077-6594/2026.1/03
6. Zhabotynska, N. V., & Memetova, S. M. (2025). The role of pharmacies in implementing modern protocols for the pharmacotherapy of type 2 diabetes mellitus. Social Pharmacy in Healthcare, 11 (2), 33–40. https://doi.org/10.24959/sphhcj.25.357 [in Ukrainian]. DOI: https://doi.org/10.24959/sphhcj.25.357
7. Várkonyi, T., Kupai, K., Kang, H. L., Matusovits-Varga, D., Priksz, D., Várkonyi, Á., Lengyel, C., & Pósa, A. (2026). Sodium-Glucose Cotransporter-2 Inhibitors in Type 2 Diabetes: From Metabolic Mechanisms to International Guidelines. Antioxidants (Basel), 15 (5), 553. https://doi: 10.3390/antiox15050553 DOI: https://doi.org/10.3390/antiox15050553
8. DeFronzo, R. A., Ferrannini, E., Groop, L., Henry, R. R., Herman, W. H., Holst, J. J., Hu, F. B., Kahn, C. R., Raz, I., Shulman, G. I., Simonson, D. C., Testa, M. A., & Weiss, R. (2015). Type 2 diabetes mellitus. Nat Rev Dis Primers, 1, 15019. https://doi: 10.1038/nrdp.2015.19 DOI: https://doi.org/10.1038/nrdp.2015.19
9. Ivanets, L. M., & Popovych, M.P. (2026). In silico study of physicochemical properties and drug-likeness of O,O-diarylthiophosphoric acid hydrazide molecules. Medical and Clinical Chemistry, 28 (1), 101–105. https://doi.org/10.11603/mcch.2410-681X.2026.i1.15982 [in Ukrainian]. DOI: https://doi.org/10.11603/mcch.2410-681X.2026.i1.15982
10. Golovenko, M.Ya. (2026). In cerebro methods: a new research paradigm in medicinal chemistry and drug design. Medical and Clinical Chemistry, 28 (2), 121–127. https://doi.org/10.11603/mcch.2410-681X.2026.i2.16362 [in Ukrainian]. DOI: https://doi.org/10.11603/mcch.2410-681X.2026.i2.16362
11. Kirchmair, J., Göller, A. H., Lang, D., Kunze, J., Testa, B., Wilson, I. D., Glen, R. C., & Schneider, G. (2015). Predicting drug metabolism: experiment and/or computation? Nature Reviews Drug Discovery, 14 (6), 387–404. https://doi:10.1038/nrd458 DOI: https://doi.org/10.1038/nrd4581
12. Hetényi, C., & van der Spoel, D. (2002). Efficient docking of peptides to proteins without prior knowledge of the binding site. Protein Sci, 11 (7), 1729–1737. https://doi:10.1110/ps.0202302 DOI: https://doi.org/10.1110/ps.0202302
13. Ferreira, L. G., Dos Santos, R. N., Oliva, G., & Andricopulo, A. D. (2015). Molecular docking and structurebased drug design strategies. Molecules, 20 (7), 13384–13421. https://doi: 10.3390/molecules200713384 DOI: https://doi.org/10.3390/molecules200713384
14. Dos Santos, R. N., Ferreira, L. G., & Andricopulo, A. D. (2018). Practices in Molecular Docking and Structure-Based Virtual Screening. Methods Mol Biol, 1762, 31–50. https://doi: 10.1007/978-1-4939-7756-7_3 DOI: https://doi.org/10.1007/978-1-4939-7756-7_3
15. Meng, X. Y., Zhang, H. X., Mezei, M., & Cui, M. (2011). Molecular docking: a powerful approach for structurebased drug discovery. Curr Comput Aided Drug Des, 7 (2), 146–57. https://doi: 10.2174/157340911795677602 DOI: https://doi.org/10.2174/157340911795677602
16. Morris, G. M., & Lim-Wilby, M. (2008). Molecular docking. Methods Mol Biol, 443, 365–382. https://doi: 10.1007/978-1-59745-177-2_19 DOI: https://doi.org/10.1007/978-1-59745-177-2_19
17. Pagadala, N. S., Syed, K., & Tuszynski, J. (2017). Software for molecular docking: a review. Biophys Rev, 9 (2), 91–102. https://doi: 10.1007/s12551-016-0247-1 DOI: https://doi.org/10.1007/s12551-016-0247-1
18. Li, J., Wei, L., Tong, H. H. Y., & Zou Q. (2026). Quantum computing applications in drug discovery. Brief Bioinform, 27 (3), bbag274. https://doi: 10.1093/bib/bbag274 DOI: https://doi.org/10.1093/bib/bbag274
19. Lionta, E., Spyrou, G., Vassilatis, D. K., & Cournia, Z. (2014). Structure-based virtual screening for drug discovery: principles, applications and recent advances. Curr Top Med Chem, 14 (16), 1923–1938. https://doi: 10.2174/1568026614666140929124445 DOI: https://doi.org/10.2174/1568026614666140929124445
20. Altharawi, A., & Alqahtani, S. M. (2026). Integrative Computational Chemistry Approaches in Modern Drug Discovery: Advances in Docking, Pharmacophore Modeling, Molecular Dynamics, and Virtual Screening. Pharmaceutics, 18 (5), 565. https://10.3390/pharmaceutics18050565 DOI: https://doi.org/10.3390/pharmaceutics18050565
21. Shahcheraghi, S. H., Aljabali, A. A. A., Al Zoubi, M. S., Mishra, V., Charbe, N. B., Haggag, Y. A., Shrivastava, G., Almutary, A. G., Alnuqaydan, A. M., Barh, D., Dua, K., Chellappan, D. K., Gupta, G., Lotfi, M., Serrano-Aroca, Á., Bahar, B., Mishra, Y. K., Takayama, K., Panda, P. K., Bakshi, H. A., Tambuwala, M. M. (2021). Overview of key molecular and pharmacological targets for diabetes and associated diseases. Life Sci, 278, 119632. https://doi: 10.1016/j.lfs.2021.119632 DOI: https://doi.org/10.1016/j.lfs.2021.119632
22. Tundis, R., Loizzo, M.R., & Menichini, F. (2010). Natural products as alpha-amylase and alpha-glucosidase inhibitors and their hypoglycaemic potential in the treatment of diabetes: an update. Mini Rev Med Chem, 10 (4), 315–331. https://doi: 10.2174/138955710791331007 DOI: https://doi.org/10.2174/138955710791331007
23. Farwa, U., & Raza, M. A. (2022). Heterocyclic compounds as a magic bullet for diabetes mellitus: a review. RSC Adv, 12 (35), 22951–22973. https://doi: 10.1039/d2ra02697j DOI: https://doi.org/10.1039/D2RA02697J
24. Liu, Z., Chai, Q., Li, Y. Y., Shen, Q., Ma, L. P., Zhang, L. N., Wang, X., Sheng, L., Li, J. Y., Li, J., Shen, J. K. (2010). Discovery of novel PTP1B inhibitors with antihyperglycemic activity. Acta Pharmacol Sin, 31 (8): 1005–1012. https://doi: 10.1038/aps.2010.81 DOI: https://doi.org/10.1038/aps.2010.81
25. Kong, J., & Long, Y.Q. (2022). Recent advances in the discovery of protein tyrosine phosphatase SHP2 inhibitors. RSC Med Chem, 13 (3), 246–257. https://doi: 10.1039/d1md00386k DOI: https://doi.org/10.1039/D1MD00386K
26. Miao, R., Zhang, B., Zhou, D., Kang, M., Tian, J., Zhao, L., Tong, X. (2025). Clinical Efficacy of Curcumin, Resveratrol, Silymarin, and Berberine on Cardio-Metabolic Risk Factors Among Patients with Type 2 Diabetes Mellitus: A Systemic Review and Bayesian Network Meta-Analysis. Phytother Res, 39(12), 5617–5633. DOI: 10.1002/ptr.8431 DOI: https://doi.org/10.1002/ptr.8431
27. Cicero, A. F., & Tartagni, E. (2012). Antidiabetic properties of berberine: from cellular pharmacology to clinical effects. Hosp Pract (1995). 2012; 40 (2): 56–63. DOI: 10.3810/hp.2012.04.970 DOI: https://doi.org/10.3810/hp.2012.04.970
28. Liang, Y., Xu, X., Yin, M., Zhang, Y., Huang, L., Chen, R., Ni, J. (2019). Effects of berberine on blood glucose in patients with type 2 diabetes mellitus: a systematic literature review and a meta-analysis. Endocr J, 66 (1), 51–63. https://doi: 10.1507/endocrj.EJ18-0109 DOI: https://doi.org/10.1507/endocrj.EJ18-0109
29. Di, S., Han, L., An, X., Kong, R., Gao, Z., Yang, Y., Wang, X., Zhang, P., Ding, Q., Wu, H., Wang, H., Zhao, L., Tong, X. (2021). In silico network pharmacology and in vivo analysis of berberine-related mechanisms against type 2 diabetes mellitus and its complications. J Ethnopharmacol, 276, 114180. DOI: https://doi.org/10.1016/j.jep.2021.114180
30. Maulana, A. F., Sriwidodo, S., Maksum, I. P., & Rukayadi, Y. (2026). In silico based exploration of natural and synthetic antidiabetic compounds: A comprehensive review of computational approaches. ADMET DMPK, 14, 3070. DOI: 10.5599/admet.3070 DOI: https://doi.org/10.5599/admet.3070
31. Olaokun, O. O., & Zubair, M. S. (2023). Antidiabetic Activity, Molecular Docking, and ADMET Properties of Compounds Isolated from Bioactive Ethyl Acetate Fraction of Ficus lutea Leaf Extract. Molecules, 28 (2023) 7717. https://doi.org/10.3390/molecules28237717 DOI: https://doi.org/10.3390/molecules28237717
32. Hollingsworth, S. A., & Dror, R. O. (2018). Molecular Dynamics Simulation for All. Neuron, 99 (6), 1129–1143. https://doi: 10.1016/j.neuron.2018.08.011 DOI: https://doi.org/10.1016/j.neuron.2018.08.011
33. Bhimanwar, R. S., & Mittal, A. (2021). TGR5 agonists for diabetes treatment: a patent review and clinical advancements (2012-present). Expert Opin. Ther. Pat, 32 (2), 191–209. https://doi:10.1080/13543776.2022.1994551 DOI: https://doi.org/10.1080/13543776.2022.1994551
34. Enejoh, O. A., Okonkwo, C. H., Nortey, H., Kemiki, O. A., Moses, A., Mbaoji, F. N., Yusuf, A. S., & Awe, O. I. (2024). Machine learning and molecular dynamics simulations predict potential TGR5 agonists for type 2 diabetes treatment. Frontiers in Chemistry, 12, 1503593. https://doi.org/10.3389/fchem.2024.1503593 DOI: https://doi.org/10.3389/fchem.2024.1503593
35. Liu, M., Li, S., Zhou, X., Duan, X., Fu, X., Xing, S., & Han, W. (2026). Virtual screening and validation of dipeptidyl peptidase-IV inhibitory peptides from goat milk: Insights from molecular dynamics simulations and in vitro experiment. J Dairy Sci, 109 (6), 5869–5888. https://doi:10.3168/jds.2025-27580 DOI: https://doi.org/10.3168/jds.2025-27580
36. Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G., Li, B., Madabhushi, A., Shah, P., Spitzer, M., & Zhao, S. (2019). Applications of machine learning in drug discovery and development. Nat Rev Drug Discov, 18 (6), 463–477. https://doi:10.1038/s41573-019-0024-5 DOI: https://doi.org/10.1038/s41573-019-0024-5
37. Casey, R., Adelfio, A., Connolly, M., Wall, A., Holyer, I., & Khaldi, N. (2021). Discovery through Machine Learning and Preclinical Validation of Novel Anti-Diabetic Peptides. Biomedicines, 9 (3), 276. https://doi:10.3390/biomedicines9030276 DOI: https://doi.org/10.3390/biomedicines9030276
38. Odugbemi, A. I., Nyirenda, C., Christoffels, A., & Egieyeh S. A. (2024). Artificial intelligence in antidiabetic drug discovery: The advances in QSAR and the prediction of α-glucosidase inhibitors. Comput Struct Biotechnol J, 23, 2964–2977. https://doi:10.1016/j.csbj.2024.07.003 DOI: https://doi.org/10.1016/j.csbj.2024.07.003
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
