ВИКОРИСТАННЯ МЕТОДІВ ДОСЛІДЖЕНЬ IN SILICO ДЛЯ ПРОГНОЗУВАННЯ ФАРМАКОКІНЕТИЧНИХ ВЛАСТИВОСТЕЙ ТА ПОШУКУ БІОЛОГІЧНО АКТИВНИХ РЕЧОВИН

Автор(и)

  • O. H. Zahrychuk Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України
  • U. O. Matyashchuk Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України
  • V. V. Korjovska Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України
  • I. I. Milian Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0002-8920-3941
  • D. O. Poliovyi Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0002-1036-9763
  • H. Ya. Zahrychuk Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0003-4361-1680
  • A. Ye. Demyd Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України https://orcid.org/0000-0001-8275-1307

DOI:

https://doi.org/10.11603/2312-0967.2024.3.14868

Ключові слова:

молекулярний докінг, дослідження in silico, віртуальний скринінг, афінність, міжмолекулярна взаємодія, сайт зв’язування, ліганд

Анотація

Мета роботи. Здійснити огляд й проаналізувати комп’ютерні програми,  програмні пакети та бази даних, які доцільно використати для проведення досліджень in silico з метою прогнозування фармакокінетичних властивостей та пошуку біологічно активних сполук.

Матеріали і методи. Загальнонауковий метод аналізу та синтезу англомовних наукових статей, опублікованих упродовж останнього десятиріччя з використанням баз даних «PubMed», «Google Scolar», «Elsevier», «ResearchGate»; методи систематизації, узагальнення та порівняльного аналізу баз даних комп’ютерних програм, програмних пакетів та даних для проведення досліджень in silicо; абстрактно-логічний метод використано при формуванні висновків.

Результати й обговорення. У статті описано використання комп’ютерних програм,  програмних пакетів та баз даних для проведення досліджень in silico – методів досліджень за допомогою комп’ютера або комп’ютерної симуляції, для застосування яких доцільно враховувати молекулярні механізми перебігу захворювання, пошук та аналіз біологічних мішеней для запропонованих лігандів, розрахунок фармакокінетичних параметрів, ідентифікацію сайтів метаболізму лігандів, моделювання міжмолекулярної взаємодії з метою визначення найкращої афінності ліганду з мішенню, що в цілому приводить до скорочення часових, фінансових та людський затрат під час пошуку біологічно активних сполук.  Завдяки молекулярному докінгу можна прогнозувати ефективність взаємодії ліганд-мішень на молекулярному рівні, а інші методи  дослідження in silico дозволяють окреслювати взаємозв’язки «структура-активність» (SAR-, QSAR-аналіз). Досягнення останніх років у галузі хемоінформатики дозволили дослідникам використовувати комп’ютерні програми,  програмні пакети та бази даних, які знаходяться у вільному доступі, для моделювання типів міжмолекулярних взаємодій, розрахунку енергії зв’язування, площі поверхні молекули, значень показників гідрофільності, ліпофільності, лікоподібності тощо.

Висновки. Дослідження in silico – це реальний інструмент для пошуку нових біологічно активних сполук, прогнозування поліфармакології та побічних реакцій для вже схвалених ліків, дослідження небажаної фармакокінетики та токсичності, для ефективного використання якого доцільно використовувати певні алгоритми, що складаються з наступних кроків: 1) вибір захворювання та ідентифікація мішені для біологічно активних сполук (target identification and validation); 2) дослідження природи та структури діючих речовин лікарських засобів (ЛЗ) та скринінговий аналіз сполук для виявлення нових сполук (Hit discovery) через високопродуктивний скринінг (HTS) або методи in silico, зокрема, віртуальний скринінг (VS); 3) моделювання лігандів із урахуванням властивостей ADME/Tox (Lead optimisation); 4) вибір цільового рецептора, його підготовка до дослідження in silico, вибір сайту зв’язування ліганду з рецептором; 5) пошук у базах даних хімічних сполук, ЛЗ, їх модифікація або віртуальне моделювання ліганду з урахуванням дескрипторів лікоподібності; 6) аналіз результатів взаємодії лігандів із рецептором, візуалізація результатів молекулярного докінгу.

Біографії авторів

O. H. Zahrychuk, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

студентка 3 курсу медичного факультету

U. O. Matyashchuk, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

студент 4 курсу фармацевтичного факультету

V. V. Korjovska, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

студентка 5 курсу фармацевтичного факультету

I. I. Milian, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

кандидат фармац. наук, доцент кафедри загальної хімії

D. O. Poliovyi, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

кандидат хім. наук, доцент кафедри загальної хімії

H. Ya. Zahrychuk, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

кандидат хім. наук, доцент, завідувач кафедри загальної хімії

A. Ye. Demyd, Тернопільський національний медичний університет імені І. Я. Горбачевського МОЗ України

кандидат хім. наук, доцент кафедри загальної хімії

Посилання

Pinzi L, Rastelli G. Molecular Docking: Shifting Paradigms in Drug Discovery. Int J Mol Sci. 2019;20(18):4331. DOI: 10.3390/ijms20184331.

Wang Q, Pang YP. Preference of small molecules for local minimum conformations when binding to proteins. PLoS ONE. 2007;2(9):e820. DOI: 10.1371%2Fjournal.pone.0000820.

Eweas A, Namarneh M. Advances in molecular modeling and docking as a tool for modern drug discovery. Der Pharma Chemica. 2014;6(6):211-28.

Chang Y, Hawkins BA, Du JJ, Groundwater PW, Hibbs DE, Lai F. A Guide to In Silico Drug Design. Pharmaceutics. 2022;15(1):49. DOI: 10.3390/pharmaceutics15010049.

Sun D, Gao W, Hu H, Zhou S. Why 90% of clinical drug development fails and how to improve it? Acta Pharm Sin B. 2022;12(7):3049-62. DOI: 10.1016/j.apsb.2022.02.002.

Kuhn M, Letunic I, Jensen LJ, Bork P. The SIDER database of drugs and side effects. Nucleic Acids Res. 2016;4(44):1075-9. DOI: 10.1093/nar/gkv1075.

Dong J, Wang NN, Yao ZJ, Zhang L, Cheng Y, Ouyang D, Lu AP, Cao DS. ADMETlab: a platform for systematic ADMET evaluation based on a comprehensively collected ADMET database. J Cheminform. 2018;10(1):29. DOI: 10.1186/s13321-018-0283-x.

Daina A, Michielin O, Zoete V. SwissADME: a free web tool to evaluate pharmacokinetics, drug-likeness and medicinal chemistry friendliness of small molecules. Sci Rep. 2017;42717. DOI: 10.1038/srep42717.

Pires DE, Blundell TL, Ascher DB. pkCSM: Predicting Small-Molecule Pharmacokinetic and Toxicity Properties Using Graph-Based Signatures. J Med Chem. 2015;58(9):4066-72. DOI: 10.1021/acs.jmedchem.5b00104.

Verdonk ML, Cole JC, Hartshorn MJ, Murray CW, Taylor RD. Improved protein-ligand docking using GOLD. Proteins. 2003;52(4):609-23. DOI: 10.1002/prot.10465.

PreADMET. Available from: https://preadmet.webservice.bmdrc.org/.

Hughes TB, Miller GP, Swamidass SJ. Modeling Epoxidation of Drug-like Molecules with a Deep Machine Learning Network. ACS Central Science, 2015;1(4):168-80. DOI: 10.1021/acscentsci.5b00131.

Hughes TB, Swamidass SJ. Deep Learning to Predict the Formation of Quinone Species in Drug Metabolism. Chem. Res. Toxicol. 2017;30(2):642–56. DOI: 10.1021%2Facs.chemrestox.6b00385.

Hughes TB, Miller GP, Swamidass SJ. Site of Reactivity Models Predict Molecular Reactivity of Diverse Chemicals with Glutathione. Chemical Research in Toxicology. 2015;28(4):797-809. DOI: 10.1021/acs.chemrestox.5b00017.

Hughes TB, Dang NL, Miller GP, Swamidass SJ. Modeling Reactivity to Biological Macromolecules with a Deep Multitask Network. ACS Cent. Sci. 2016;2(8):529-37. DOI: 10.1021/acscentsci.6b00162.

Dang NL, Hughes TB, Miller GP, Swamidass SJ. Computationally Assessing the Bioactivation of Drugs by N-Dealkylation. Chem Res Toxicol. 2018;31(2):68-80. DOI: 10.1021/acs.chemrestox.7b00191.

Hughes TB, Swamidass SJ. Deep Learning to Predict the Formation of Quinone Species in Drug Metabolism. Chem. Res. Toxicol. 2017;30(2):642-56. DOI: 10.1021/acs.chemrestox.6b00385.

Dang NL, Matlock MK, Hughes TB, Swamidass SJ. The Metabolic Rainbow: Deep Learning Phase I Metabolism in Five Colors. Journal of Chemical Information and Modeling, 2020;60(3):1146-64. DOI: 10.1021/acs.jcim.9b00836.

Dang NL, Hughes TB, Krishnamurthy V, Swamidass SJ. A Simple Model Predicts UGT-Mediated Metabolism. Bioinformatics. 2016;32(20):3183-89. DOI: 10.1093/bioinformatics/btw350.

Kabir A, Muth A. Polypharmacology: The science of multi-targeting molecules. Pharmacol Res. 2022;176:106055. DOI: 10.1016/j.phrs.2021.106055.

Minie M, Chopra G, Sethi G, Horst J, White G, Roy A, Hatti K, Samudrala R. CANDO and the infinite drug discovery frontier. Drug Discov Today. 2014;19(9):1353-63. DOI: 10.1016/j.drudis.2014.06.018.

Saini M, Parihar N, Soni S, Sharma V. Drug Repurposing: An Overviev. Asian Journal of Pharmaceutical Research and Development. 2020;8(4):194-212. DOI: 10.22270/ajprd.v8i4.634.

Kinnings SL, Liu N, Tonge PJ, Jackson RM, Xie L, Bourne PE. A machine learning-based method to improve docking scoring functions and its application to drug repurposing. J. Chem. Inf. Model. 2011;51:408-19. DOI: 10.1021/ci100369f.

How to pick the best PDB structure for your target protein: A Comprehensive Guide. Available from:

https://drugmarvel.wordpress.com/2023/10/20/how-to-pick-the-best-pdb-structure-for-your-target-protein-a-comprehensive-guide/.

Gan JH, Liu JX, Liu Y, Chen SW, Dai WT, Xiao ZX, Cao Y. DrugRep: an automatic virtual screening server for drug repurposing. Acta Pharmacol Sin. 2023;44(4):888-896. DOI: 10.1038/s41401-022-00996-2.

Hussein HA, Borrel A, Geneix C, Petitjean M, Regad L, Camproux AC. PockDrug-Server: a new web server for predicting pocket druggability on holo and apo proteins. Nucleic Acids Res. 2015;43(W1):W436-42. DOI: 10.1093/nar/gkv462

Bender BJ, Gahbauer S, Luttens A, Lyu J, Webb CM, Stein RM et al. A practical guide to large-scale docking. Nat Protoc. 2021;16(10):4799-4832. DOI: 10.1038/s41596-021-00597-z.

Purnawan P. Docking Tutorial Using Autodock Vina version 1.2.3 (2021) and AutoDock-GPU Version 1.5.3. ResearchGate. 2022. DOI:10.13140/RG.2.2.23334.60483.

Irwin JJ, Tang KG, Young J, Dandarchuluun C, Wong BR, Khurelbaatar M, Moroz YS et al. ZINC20-A Free Ultralarge-Scale Chemical Database for Ligand Discovery. J Chem Inf Model. 2020;60(12):6065-73. DOI: 10.1021/acs.jcim.0c00675.

Sterling T, Irwin JJ. ZINC 15--Ligand Discovery for Everyone. J Chem Inf Model. 2015;55(11):2324-37. DOI: 10.1021/acs.jcim.5b00559.

Hann MM, Oprea TI. Pursuing the leadlikeness concept in pharmaceutical research. Curr Opin Chem Biol. 2004;8(3):255-63. DOI: 10.1016/j.cbpa.2004.04.003.

Lipinski CA. Drug-like properties and the causes of poor solubility and poor permeability. J Pharmacol Toxicol Methods. 2000;44(1):235-49. DOI: 10.1016/s1056-8719(00)00107-6.

David R, Armstrong B, Matthew C, Alice C, Deepti G, Abhik M. Protein Structure Databases. Encyclopedia of Bioinformatics and Computational Biology. Ranganathan S, Gribskov M, Nakai K, Schönbach C, editors. Academic Press; 2019. p. 460-71. DOI: 10.1016/B978-0-12-809633-8.20280-X.

Godnow RA, Jr P, Bleicher K. Chemoinformatic tools for library and the hit-to-lead process: a user’s perspective. OPREA, T.1. (ed.) Willey-VCH, Weinheim; 2004. P. 381-435.

Skinnider MA, Stacey RG, Wishart DS. Chemical language models enable navigation in sparsely populated chemical space. Nat Mach Intell; 2021;3:759-70. DOI: 10.1038/s42256-021-00368-1.

Irwin JJ, Shoichet BK. ZINC--a free database of commercially available compounds for virtual screening. J Chem Inf Model. 2005;45(1):177-82. DOI: 10.1021/ci049714+.

Zdrazil B, Felix E, Hunter F, Manners EJ, Blackshaw J, Corbett S, de Veij M et al. The ChEMBL Database in 2023: a drug discovery platform spanning multiple bioactivity data types and time periods. Nucleic Acids Res. 2024;52(D1):D1180-92. DOI: 10.1093/nar/gkad1004.

United National Library of Medicine, National Institutes of Health, Hazardous Substance Data Bank (HSDB), Toxicology Data Network®, Bethesda, MD. Available from: http://toxnet.nlm.nih.gov.

Bayne K, Laws M. Regulations and Policies Relating to the Care and Use of Nonhuman Primates in Biomedical Research. In: Abee K, Mansfield K, Tardif S, Morris T, editors. American College of Laboratory Animal Medicine, Nonhuman Primates in Biomedical Research (2-nd Ed.), Academic Press; 2012. p. 35-56. DOI: 10.1016/B978-0-12-381365-7.00002-9.

Knox C, Law V, Jewison T, Liu P, Ly S, Frolkis A, Pon A et al. DrugBank 3.0: a comprehensive resource for 'omics' research on drugs. Nucleic Acids Res. 2011;39:D1035-41. DOI: 10.1093/nar/gkq1126.

Knox C, Law V, Jewison T, Liu P, Ly S, Frolkis A, Pon A et al. DrugBank 3.0: a comprehensive resource for 'omics' research on drugs. Nucleic Acids Res. 2011;39:D1035-41. DOI: 10.1093/nar/gkq1126.

Wang Y, Bolton E, Dracheva S, Karapetyan K, Shoemaker BA, Suzek TO, Wang J et al. An overview of the PubChem BioAssay resource. Nucleic Acids Res. 2010;38:D255-66. DOI: 10.1093/nar/gkp965.

Shivanyuk A, Ryabukhin S, Bogolyubsky AV, Mykytenko DM. Enamine real database: Making chemical diversity real. Chimica Oggi. 2007;25:58-59.

Chen JH, Linstead E, Swamidass SJ, Wang D, Baldi P. ChemDB update--full-text search and virtual chemical space. Bioinformatics. 2007 Sep 1;23(17):2348-51. DOI: 10.1093/bioinformatics/btm341.

Seiler KP, George GA, Happ MP, Bodycombe NE, Carrinski HA, Norton S, Brudz S et al. ChemBank: a small-molecule screening and cheminformatics resource database. Nucleic Acids Res. 2008;36:D351-9. DOI: 10.1093/nar/gkm843.

Rio A, Barbosa AM, Caporuscio F. CoCoCo: a free suite of multiconformational chemical databases for high-throughput virtual screening purposes. Mol. BioSyst. 2010;6(11):2122-28. DOI:10.1186/1758-2946-3-S1-P2.

Chen H, Kogej T, Engkvist O. Cheminformatics in Drug Discovery, an Industrial Perspective. Mol Inform. 2018;37(9-10):e1800041. DOI: 10.1002/minf.201800041.

Khalfaoui A, Noumi E, Belaabed S, Aouadi K, Lamjed B, Adnan M, Defant A et al. LC-ESI/MS-Phytochemical Profiling with Antioxidant, Antibacterial, Antifungal, Antiviral and In Silico Pharmacological Properties of Algerian Asphodelus tenuifolius (Cav.) Organic Extracts. Antioxidants (Basel). 2021;10(4):628. DOI: 10.3390/antiox10040628.

Roche O, Guba W. Computational chemistry as an integral component of lead generation. Mini Rev Med Chem. 2005;5(7):677-83. DOI: 10.2174/1389557054368826.

Buckley ME, Ndukwe ARN, Nair PC, Rana S, Fairfull-Smith KE, Gandhi NS. Comparative Assessment of Docking Programs for Docking and Virtual Screening of Ribosomal Oxazolidinone Antibacterial Agents. Antibiotics (Basel). 2023;12(3):463. DOI: 10.3390/antibiotics12030463.

Morris GM, Goodsell DS, Halliday RS. Automated docking using a La-marckian genetic algorithm and an empirical binding free energy function. J. Comput. Chem. 1998;19(14):1639-62.

Ewing TJ, Makino S, Skillman AG, Kuntz ID. DOCK 4.0: search strategies for automated molecular docking of flexible molecule databases. J Comput Aided Mol Des. 2001;15(5):411-28. DOI: 10.1023/a:1011115820450.

Verdonk ML, Cole JC, Hartshorn MJ, Murray CW, Taylor RD. Improved protein-ligand docking using GOLD. Proteins. 2003;52(4):609-23. DOI: 10.1002/prot.10465.

Warren GL, Andrews CW, Capelli AM, Clarke B, LaLonde J, Lambert MH, Lindvall M et al. A critical assessment of docking programs and scoring functions. J Med Chem. 2006;49(20):5912-31. DOI: 10.1021/jm050362n.

Friesner RA, Banks JL, Murphy RB, Halgren TA, Klicic JJ, Mainz DT, Repasky MP et al. Glide: a new approach for rapid, accurate docking and scoring. 1. Method and assessment of docking accuracy. J Med Chem. 2004;47(7):1739-49. DOI: 10.1021/jm0306430.

McGann M. FRED and HYBRID docking performance on standardized datasets. J Comput Aided Mol Des. 2012;26(8):897-906. DOI: 10.1007/s10822-012-9584-8.

Chen R, Li L, Weng Z. ZDOCK: an initial-stage protein-docking algorithm. Proteins. 2003;52(1):80-7. DOI: 10.1002/prot.10389.

Lohning AE, Levonis SM, Williams-Noonan B, Schweiker SS. A Practical Guide to Molecular Docking and Homology Modelling for Medicinal Chemists. Curr Top Med Chem. 2017;17(18):2023-2040. DOI: 10.2174/1568026617666170130110827.

Ali J, Camilleri P, Brown MB, Hutt AJ, Kirton SB. In silico prediction of aqueous solubility using simple QSPR models: the importance of phenol and phenol-like moieties. J Chem Inf Model. 2012;52(11):2950-7. DOI: 10.1021/ci300447c.

Burlacu A. Computational Drug Discovery and Design. 2nd ed. Humana press. 2023. 356 p.

##submission.downloads##

Опубліковано

2024-09-30

Як цитувати

Zahrychuk, O. H., Matyashchuk, U. O., Korjovska, V. V., Milian, I. I., Poliovyi, D. O., Zahrychuk, H. Y., & Demyd, A. Y. (2024). ВИКОРИСТАННЯ МЕТОДІВ ДОСЛІДЖЕНЬ IN SILICO ДЛЯ ПРОГНОЗУВАННЯ ФАРМАКОКІНЕТИЧНИХ ВЛАСТИВОСТЕЙ ТА ПОШУКУ БІОЛОГІЧНО АКТИВНИХ РЕЧОВИН. Фармацевтичний часопис, (3), 53–67. https://doi.org/10.11603/2312-0967.2024.3.14868

Номер

Розділ

ОГЛЯДИ