Введение в эволюционную и медицинскую геномику, часть II ФББ МГУ, весна 2008 Лекция 6.

Slides:



Advertisements
Similar presentations
L. Brillet (CEA) – ANR meeting – META08 Hammamet 1/18 validation ANR meeting - 28/10/2008 CEA Grenoble - DSV/iRTSV/CMBA.
Advertisements

Analysis of High-Throughput Screening Data C371 Fall 2004.
Everardo Macias, Patrick Tomboc Eamonn F. Healy, Chemistry Department,
Improving enrichment rates A practical solution to an impractical problem Noel O’Boyle Cambridge Crystallographic Data Centre
Jürgen Sühnel Institute of Molecular Biotechnology, Jena Centre for Bioinformatics Jena / Germany Supplementary Material:
Establishing a Successful Virtual Screening Process Stephen Pickett Roche Discovery Welwyn.
Инновационные разработки в области новых методов лечения заболеваний Проф. О.С.Медведев ФФМ, МГУ им. М.В.Ломоносова.
Summary Molecular surfaces QM properties presented on surface Compound screening Pattern matching on surfaces Martin Swain Critical features Dave Whitley.
Структура белка Как предсказать вторичную структуру белка? Как найти и анализировать пространственную структуру, если она известна? Что можно делать, если.
Quantitative Structure-Activity Relationships (QSAR) Comparative Molecular Field Analysis (CoMFA) Gijs Schaftenaar.
Structural biology and drug design: An overview Olivier Taboureau Assitant professor Chemoinformatics group-CBS-DTU
Predicting Highly Connected Proteins in PIN using QSAR Art Cherkasov Apr 14, 2011 UBC / VGH THE UNIVERSITY OF BRITISH COLUMBIA.
GGAGATTCTGGGCCACTTTGGTTCCCCATGAGCCAAGACGGCACTTCTAATTTGCATTCCCTACCGGAGTCCCTGTCTGTAGCCAGCCTGGCTTTCAGCTGGTGCCCAAAGTGACAAATGTATCTGCAATGACAAAGGTAC CCTGGAAGGGCTCGCCCTCTGCGGAATTTCAGTTCATGCAGGCCTTGGTGCTTCCACATCTGTCCAAGGGCCTTTCAAATGTGACTTTTAACTCTGTGGATTGATTTGCCCGG
Computational Techniques in Support of Drug Discovery October 2, 2002 Jeffrey Wolbach, Ph. D.
Cédric Notredame (30/08/2015) Chemoinformatics And Bioinformatics Cédric Notredame Molecular Biology Bioinformatics Chemoinformatics Chemistry.
Molecular Descriptors
Combinatorial Chemistry and Library Design
Asia’s Largest Global Software & Services Company Genomes to Drugs: A Bioinformatics Perspective Sharmila Mande Bioinformatics Division Advanced Technology.
Introduction to Chemoinformatics Irene Kouskoumvekaki Associate Professor December 12th, 2012 Biological Sequence Analysis course.
De novo Protein Design Presented by Alison Fraser, Christine Lee, Pradhuman Jhala, Corban Rivera.
Designing a Tri-Peptide based HIV-1 protease inhibitor Presented by, Sushil Kumar Singh IBAB,Bangalore Submitted to Dr. Indira Ghosh AstraZeneca India.
Faculté de Chimie, ULP, Strasbourg, FRANCE
Use of Machine Learning in Chemoinformatics Irene Kouskoumvekaki Associate Professor December 12th, 2012 Biological Sequence Analysis course.
20/03/2008 Dept. of Pharmaceutics 1. Use of BIOINFORMATICS in Pharmaciutics 2  Presented By  Shafnan Nazar  Hamid Nasir 
Modern Tools of Drug Discovery
3D- QSAR. QSAR A QSAR is a mathematical relationship between a biological activity of a molecular system and its physicochemical parameters. QSAR attempts.
1 John Mitchell; James McDonagh; Neetika Nath Rob Lowe; Richard Marchese Robinson.
In silico discovery of inhibitors using structure-based approaches Jasmita Gill Structural and Computational Biology Group, ICGEB, New Delhi Nov 2005.
Ligand-based drug discovery No a priori knowledge of the receptor What information can we get from a few active compounds.
SAR vs QSAR or “is QSAR different from SAR”
QSAR Study of HIV Protease Inhibitors Using Neural Network and Genetic Algorithm Akmal Aulia, 1 Sunil Kumar, 2 Rajni Garg, * 3 A. Srinivas Reddy, 4 1 Computational.
Altman et al. JACS 2008, Presented By Swati Jain.
Virtual Screening C371 Fall INTRODUCTION Virtual screening – Computational or in silico analog of biological screening –Score, rank, and/or filter.
Bioinformatics MEDC601 Lecture by Brad Windle Ph# Office: Massey Cancer Center, Goodwin Labs Room 319 Web site for lecture:
Hierarchical Database Screenings for HIV-1 Reverse Transcriptase Using a Pharmacophore Model, Rigid Docking, Solvation Docking, and MM-PB/SA Junmei Wang,
Computer-aided drug discovery (CADD)/design methods have played a major role in the development of therapeutically important small molecules for several.
R L R L L L R R L L R R L L water DOCKING SIMULATIONS.
BREED: Generating Novel Inhibitors through Hybridization of Known Ligands (A. C. Pierce, G. Rao, and G. W. Bemis) Richard S. L. Stein CS 379a February.
Structure- based Structure-based computer-aided drug discovery (SB-CADD) approach: helps to design and evaluate the quality, in terms of affinity, of series.
Catalyst TM What is Catalyst TM ? Structural databases Designing structural databases Generating conformational models Building multi-conformer databases.
Introduction to Chemoinformatics and Drug Discovery Irene Kouskoumvekaki Associate Professor February 15 th, 2013.
Use of Machine Learning in Chemoinformatics
Surflex: Fully Automatic Flexible Molecular Docking Using a Molecular Similarity-Based Search Engine Ajay N. Jain UCSF Cancer Research Institute and Comprehensive.
Identification of structurally diverse Growth Hormone Secretagogue (GHS) agonists by virtual screening and structure-activity relationship analysis of.
CoMFA Study of Piperidine Analogues of Cocaine at the Dopamine Transporter: Exploring the Binding Mode of the 3  -Substituent of the Piperidine Ring Using.
Computational Approach for Combinatorial Library Design Journal club-1 Sushil Kumar Singh IBAB, Bangalore.
Molecular mechanics Classical physics, treats atoms as spheres Calculations are rapid, even for large molecules Useful for studying conformations Cannot.
Molecular Modeling in Drug Discovery: an Overview
TIDEA Target (and Lead) Independent Drug Enhancement Algorithm.
Nehad A. El Sayed, Amal A. H. Eissa, Reem K. Arafa and Ghada F. El Masry* Department of Pharmaceutical Chemistry, Faculty of Pharmacy, Cairo University.
Designing Drugs Virtually P14D461P - Arni B. Hj. Morshidi P14D389P - Anisah Bt Ismail P14D397P - Syarifah Rohaya Bt Wan Idris P14D394P - Dayang Adelina.
SMA5422: Special Topics in Biotechnology Lecture 11: Computer aided drug design: QSAR approach. SMA5422: Special Topics in Biotechnology Lecture 11: Computer.
Natural products from plants
Structural Bioinformatics Elodie Laine Master BIM-BMC Semester 3, Genomics of Microorganisms, UMR 7238, CNRS-UPMC e-documents:
Page 1 Computer-aided Drug Design —Profacgen. Page 2 The most fundamental goal in the drug design process is to determine whether a given compound will.
Simplified picture of the principles used for multiple copy simultaneous search (MCSS) and for computational combinatorial ligand design (CCLD). Simplified.
APPLICATIONS OF BIOINFORMATICS IN DRUG DISCOVERY
DATA MINING FOR SMALL MOLECULE ALLOSTERIC INHIBITORS
Ligand-Based Structural Hypotheses for Virtual Screening
Computer-aided Drug Design
Virtual Screening.
“Structure Based Drug Design for Antidiabetics”
Ligand Docking to MHC Class I Molecules
Flexible alignment in 3D & applications
Structure-based drug design: progress, results and challenges
Reporter: Yu Lun Kuo (D )
Mr.Halavath Ramesh 16-MCH-001 Dept. of Chemistry Loyola College University of Madras-Chennai.
Mr.Halavath Ramesh 16-MCH-001 Dept. of Chemistry Loyola College University of Madras-Chennai.
Mr.Halavath Ramesh 16-MCH-001 Dept. of Chemistry Loyola College University of Madras-Chennai.
Mr.Halavath Ramesh 16-MCH-001 Dept. of Chemistry Loyola College University of Madras-Chennai.
Presentation transcript:

Введение в эволюционную и медицинскую геномику, часть II ФББ МГУ, весна 2008 Лекция 6

Процесс разработки нового лекарства

Молекулярная биология: получение мишеней Фармакология: скрининг -- измерение активности и аффинности синтезированных лигандов на мишенях Моделирование: построение моделей мишеней, предсказание структур лигандов Медицинская химия: синтез лигандов Фармакологический цикл

Подготовка белка-мишени Выбор -Биохимия, молекулярная биология, геномика-биоинформатика Синтез -Молекулярная биология Проверка: есть ли связь с фенотипом? -Нокаут, RNA-antisense -Инактивация антителами -Облучение модифицированной хромофором мишени лазером -Ингибирование Определение пространственной структуры -Кристаллография, ЯМР

А зачем, кстати, нужен мутагенез мишени?.. -Полиморфизм мишени? -Штаммы (для патогенов)? -Роль отдельных остатков в связывании?

Комбинаторная химия и скрининг Скрининг: автоматизированная процедура, в результате которой большое количество химических соединений (> 10,000) проверяется на аффинность или активность по отношению к тестовой (имитирующей биологическую) системе * Diversity screening: оптимизация разнообразия * Focused screening: поиск оптимального варианта

Комбинаторная химия и скрининг // А что, собственно, скринить? -Производные уже известных ингибиторов -Коммерчески доступные библиотеки -Комбинаторные библиотеки -Все вещества (каков размер хим. простр-ва??)

SC R2 SC - скаффолд (неизменная часть молекулы) R1 ~ 500 вариантов заместителей R2 ~2000 вариантов заместителей R3 ~ 500 вариантов заместителей Библиотека содержит ~ (500 x 2000 x 500) веществ Имеющиеся ~ 500 библиотек в совокупности содержат ~ 2x10 13 веществ R3 R1 Сборка синтезируемых веществ из комбинаторных библиотек. «Комбинаторный взрыв».

SC R2 R3 Сборка синтезируемых веществ из комбинаторных библиотек. «Комбинаторный взрыв». SC - скаффолд (неизменная часть молекулы) R1 ~ 500 вариантов заместителей R2 ~2000 вариантов заместителей R3 ~ 500 вариантов заместителей Библиотека содержит ~ (500 x 2000 x 500) веществ Имеющиеся ~ 500 библиотек в совокупности содержат ~ 2x10 13 веществ R1

SC Сборка синтезируемых веществ из комбинаторных библиотек. «Комбинаторный взрыв». SC - скаффолд (неизменная часть молекулы) R1 ~ 500 вариантов заместителей R2 ~2000 вариантов заместителей R3 ~ 500 вариантов заместителей Библиотека содержит ~ (500 x 2000 x 500) веществ Имеющиеся ~ 500 библиотек в совокупности содержат ~ 2x10 13 веществ R3 R1 R2

SC Сборка синтезируемых веществ из комбинаторных библиотек. «Комбинаторный взрыв». SC - скаффолд (неизменная часть молекулы) R1 ~ 500 вариантов заместителей R2 ~2000 вариантов заместителей R3 ~ 500 вариантов заместителей Библиотека содержит ~ (500 x 2000 x 500) веществ Имеющиеся ~ 500 библиотек в совокупности содержат ~ 2x10 13 веществ R3 R1 R2

SC Сборка синтезируемых веществ из комбинаторных библиотек. «Комбинаторный взрыв». SC - скаффолд (неизменная часть молекулы) R1 ~ 500 вариантов заместителей R2 ~2000 вариантов заместителей R3 ~ 500 вариантов заместителей Библиотека содержит ~ (500 x 2000 x 500) веществ Имеющиеся ~ 500 библиотек в совокупности содержат ~ 2x10 13 веществ R3 R1 R2

SC SC - скаффолд (неизменная часть молекулы) R1 ~ 500 вариантов заместителей R2 ~2000 вариантов заместителей R3 ~ 500 вариантов заместителей Библиотека содержит ~ (500 x 2000 x 500) веществ Имеющиеся ~ 500 библиотек в совокупности содержат ~ 2x10 13 веществ R3 R1 R2 Сборка синтезируемых веществ из комбинаторных библиотек. «Комбинаторный взрыв».

Процесс разработки нового лекарства

Конструирование ФАВ in silico Если 3D-структура мишени неизвестна: Данные: структура гомологов мишени Метод: моделирование структуры мишени по гомологии Данные: структура уже известных лигандов Метод: QSAR (Quantitative Structure-Activity Relationship) «Структура определяет свойства»: QSAR represents an attempt to correlate structural or property descriptors of compounds with activities. These physicochemical descriptors, which include parameters to account for hydrophobicity, topology, electronic properties, and steric effects, are determined empirically or, more recently, by computational methods

Конструирование ФАВ in silico Если 3D-структура мишени неизвестна: Для циклического пептида уротензина II (внизу слева) определена трехмерная структура методом ЯМР спектроскопии водного раствора (вверху слева). Пространственное взаиморасположение аминокислотных остатков мотива Trp-Lys-Tyr, являющегося важным для биологической функции, было использовано для построения модели фармакофора (вверху справа). В результате виртуального скрининга найдено новое соединение, демонстрирующее биологическую активность (внизу справа). // Flohr et al., J. Med. Chem. (2002) 45,

Конструирование ФАВ in silico Если 3D-структура мишени известна: Данные: структура мишени и лиганда Метод: молекулярный докинг, молекулярная динамика Трудности докинга: “Traditional” atom-atom scoring functions (knowledge-based or empirical): not accurate enough More adequate physical models (e.g., Quantum Mechanical Polarizable Force Field ): too complicated for direct computation Трудности ММ: очень медленно

 Search for binding site in known protein 3D structure  De novo ligand construction from a chemical space  Ligand self-docking : positioning of a known ligand in a binding site of a protein  Virtual screening of a set of known ligands against a target protein binding site  Ligand optimization : search for replacement for a certain chemical group of a ligand Конструирование ФАВ in silico Если 3D-структура мишени известна:

Ligand virtual screening: performance evaluation on the HSV-1 thymidine kinase Target: 990 drug-like molecules + 10 real inhibitors screened vs. HSV-1 thymidine kinase (PDB ID 1kim) Performance evaluation: A number of real inhibitors in a certain top fraction of the energy scores SURFLEX software: 8 true hits in top-50 [Bissantz et al., J Med Chem 2000;43: ] AlgoComb: 10 true hits in top-25 [Ramensky et al., Proteins 2007]

Ligand optimization: problem definition Given (1) known ligand, (2) its position in the binding site (known from X-ray or docking), (3) ligand “side group” (fragment) to be replaced, Find a small number (~10-100) of replacing side groups aimed at the improvement of (a) binding affinity, or (b) synthesizeability, (c) solubility, (d) side effects, etc., depending on the type of the optimized feature

Ligand optimization: example Human protein-tyrosine phosphatase 1B (PTP-1B) Methoxy IC 50 = 138  M PDB: 2bge, T2D IC 50 = 1608  M Phenyl IC 50 = 132  M Methyl IC 50 = 203  M

Перспективные задачи  Ингибиторы белок-белкового взаимодействия  Терапевтические антитела  Индивидуальная медицина (аллельные формы, фармакокинетика)  Селективность ФАВ (побочные эффекты)

Селективность ФАВ – способность к избирательному связыванию только со своей мишенью * Белок- мишень Белок 1 Белок 2 Белок N … ***

Селективность ФАВ – способность к избирательному связыванию только со своей мишенью Белок- мишень Белок 1 Белок 2 Белок N …

Регулирование селективности ФАВ ФАВ узкого спектра действия: * Минимизация побочных эффектов * Избирательное действие только на мишень патогена * Учет индивидуальных особенностей пациентов ФАВ широкого спектра действия: * Борьба с устойчивостью у патогенов * Нивелирование индивидуальных особенностей пациентов