Semmelweis University, Department of Organic Chemistry. Hatóanyagtervezés. Készítette: Mátyus Péter és Balogh Balázs január 19

Semmelweis University, Department of Organic Chemistry

Hatóanyagtervezés Készítette: Mátyus Péter és Balogh Balázs

2013. január 19. 1


TÉMAKÖRÖK Elektronikus irodalmazás a hatóanyag tervezésben Hatóanyag tervezés: bevezető Számítógépes kémiai módszerek alkalmazása a gyógyszerkutatásban (példák)

2


Elektronikus irodalmazás a hatóanyag tervezésben

3


Mi a célja a szakirodalmazásnak? Információ releváns munkákról - újdonság-vizsgálat - reprodukció -‘Addig járj az ismert úton ameddig csak lehet...’ - biológiai hatás/tulajdonság - új projekt Források : elektronikus (fizetős adatbázisok, internet!) hagyományos 4


IRODALMAZÁS TÉMAKÖRÖK I.

Bevezetés, alapfogalmak, tudományos cikk és szabadalom

II. Adatbázisok (kémiai, egyetemi, ingyenes) III. Kémiai nevezéktan és rajzoló programok IV. Fehérje adatbázisok

5


I. Bevezetés, alapfogalmak

6


Tudományos közlemény: folyóirat

• Cím • Szerzők • Kivonat (Abstract)

Ha forrásként hivatkozunk egy cikkre, mindig adjuk meg az alábbiakat: • a folyóirat címe (rövidítések!) • kötet száma, oldalszámok • a publikálás éve


Tudományos közlemény: folyóirat cikk Tudományos közlemény részei: • abstract (kivonat) • introduction (bevezetés) • materials and methods (alkalmazott anyagok és módszerek) • discussion (leíró rész) • conclusions (összefoglalás) • references (irodalmi hivatkozások) • Supplementary (kiegészítések)

Semmelweis University, Department of Organic Chemistry Példa 1: keressük meg az alábbi cikket Folyóirat (Journal): Tetrahedron, kötet (volume): 66, oldalszám(page): 2331

A teljes cikk lekérdezése abstract

Forrás: http://www.sciencedirect.com/

Semmelweis University, Department of Organic Chemistry Példa 2: keressük meg az alábbi cikket Kulcsszó (Terms): tert-amino effect, Abstract, Title, és szerző (Authors): Matyus



Impakt faktor és citáció Az impaktfaktor (hatástényező) a folyóiratok idézetelemzésen alapuló minősítője, valamely szakfolyóirat idézettségét jelző mutató, a folyóirat 2 egymás melletti évfolyamában közölt cikkeinek (a cikkek számával arányosított) átlagos idézettsége a rákövetkező 3. tárgyévben. 28.751

26.372

Az idézettség (citáció) egy adott publikációra mint forrásmunkára hivatkozó más publikációk száma. Egy kutató munkájának jelentőségét kifejezheti az, hogy műveire összesen hány mások által írott hivatkozást kap. Az önhivatkozásoknak (vagyis mikor a szerző egyik művében saját másik művére utal) e szempontból általában nem tulajdonítanak jelentőséget. Több helyen csak a független idézetek számát elemzik, ez esetben a citált mű szerzői és a citáló mű szerzői között egyetlen azonos személy sem lehet. Forrás: http://www.isiknowledge.com/

11


Szabadalom (patent) A szabadalom a találmányok egyik iparjogvédelmi oltalmi formája, csak az a találmány szabadalmazható, amely megfelel a szabadalmazható találmány valamennyi ismérveinek: új, feltalálói tevékenységen alapuló, iparilag alkalmazható műszaki megoldás. A szabadalmi oltalom azt jelenti, hogy a szabadalom jogosultjának kizárólagos joga van a találmányt hasznosítsa, illetve arra, hogy a hasznosításra másnak engedélyt (licenciát) adjon, időtartama a bejelentés napjától számított húsz év, tartalmát a szabadalmi bejelentésben foglalt igénypontok határozzák meg. Az eljárás a szabadalmi bejelentés benyújtásával indul, eljárásra kizárólagos hatáskörrel és illetékességgel Magyarországon a Szellemi Tulajdon Nemzeti Hivatala rendelkezik.


Szabadalom (patent) Szabadalom fejezetei: • bibliography (irodalmi adatok) • abstract (kivonat) • description (szabadalmi leírás) • claims (igénypontok) • search report (eredetiség vizsgálat) Publication number: the number assigned to a patent application on publication. Publication numbers are generally made up of a country code (two letters) and a serial number (variable, one to twelve digits).


Szabadalmi iroda (patent office) A Szellemi Tulajdon Nemzeti Hivatala (SZTNH), korábban Magyar Szabadalmi Hivatal (MSZH), Angol nyelvű elnevezése: Hungarian Intellectual Property Office (HIPO), a szellemi tulajdon védelméért (ezen belül a szerzői jogért és az iparjogvédelemért) felelős magyar kormányhivatal. Magyarország: SZTNH (HIPO) http://www.sztnh.gov.hu/ Európai unió: European Patent Office: http://www.epo.org/ USA: United States Patent and Trademark Office: http://www.uspto.gov/

Semmelweis University, Department of Organic Chemistry Példa 3: keressük meg az alábbi szabadalmat szabadalom száma (Publication number): WO9929655

forrás: http://www.epo.org/

Semmelweis University, Department of Organic Chemistry Példa 4: keressük meg az alábbi szabadalmat keresett kifejezés (Keyword): SSAO feltaláló (inventor): Mátyus

forrás: http://www.epo.org/


II.a Kémiai adatbázisok

17


Chemical Abstracts • Cég: Chemical Abstracts Service • Keresőprogram: Scifinder Scholar • Webcím: http://www.cas.org/ A világ egyik legnagyobb és leginkább használt kémiaitudományos információgyűjteménye, a kémiai tudomány, illetve a vegyipar teljes területét lefedi. A SciFinder bibliográfiai adatbázis nélkülözhetetlen az agrártudomány, biológia és élettudomány, mérnöktudomány, általános kémia, földtudomány, orvostudomány, fizika, élelmiszertudomány területén. A SciFinder Scholar a világ vezető tudományos keresőeszköze, amelynek segítségével pl. kémiai reakciók, adatok, vegyület-tulajdonságok kereshetők. 18

Forrás: http://www.cas.org


Mit csinál a Chemical Abstracts? CAS monitors, indexes, and abstracts the world's chemistry-related literature and patents, updates this information daily, and makes it accessible through state-of-the-art information services. CAS databases offer many scientific disciplines, including biomedical sciences, chemistry, engineering, materials science, agricultural science, and more… 19



A mai állás: Database Counter In addition to organic and inorganic substances, REGISTRY has: 64,296,104 sequences CAS RN 1417031-94-7 is the most recent CAS Registry Number CAS also provides specialized databases of chemical reactions, regulated chemicals, commercially available chemicals and Markush substance information. Specialized Substance Collections Count CASREACT(1) 62,195,098 Single and multi-step reactions, and synthetic preparations CHEMLIST 296,564 Inventoried/regulated substances CHEMCATS 72,613,024 Commercially available chemicals MARPAT 963,960 Searchable Markush structures

20



CAS adatbázisok Patent and journal references from all scientific disciplines

Substance information

Chemical synthesis information

CAplus > 32 million documents MEDLINE >18 million references

>53 million organic and inorganic substances >61 million sequences

>23 million single- and multistep reactions

CAplus - Journal articles and patent documents from chemistry and related sciences • Proteomics • Genomics • Biochemistry • Biochemical genetics • Organic • Macromolecular • Applied • Physical, inorganic, analytical MEDLINE - Produced by NLM, and covers all areas in the broad field of biomedicine

Information about the many different types of substances, including: • Synonyms • Molecular formulas • Nucleic acid and protein sequences • Ring analysis data • Structure diagrams • Experimental and calculated property data

Reaction information consisting of: • Structure diagrams for reactants and products • CAS Registry Numbers for all reactants products, reagents, solvents, and catalysts • Yields for many products • Textual reaction information


21


CAS adatbázisok Patent and journal references from all scientific disciplines CAplus 1907 to present, plus many records from earlier years More than 10,000 scient. journals Patents from 60 patent authorities • Conference proceedings • Technical reports • Books • Dissertations • Reviews • Meeting abstracts • Electronic-only journals • Web preprints

Substance information Complete coverage from 1957 to present Many substances back to the early 1900s New substances as identifiedby the CAS Registry System GenBank sequences Organic and inorganic substances including: • Alloys • Coordination • Compounds • Minerals • Mixtures • Polymers • Salts • Sequences

MEDLINE 1947 to present 4,800 biomedical journals 99% of references are from journal literature 1947-1965 from Forrás: http://www.cas.org

Chemical synthesis information 1840 to present Journals covered for Chemical AbstractsTM since 1985 Patents covered for CA from 1991 to present

22


CAS Registration number (CASRN) CAS Registry Numbers (often referred to as CAS RNs or CAS Numbers) are unique identifiers for chemical substances. A CAS Registry Number itself has no inherent chemical significance but provides an unambiguous way to identify a chemical substance or molecular structure when there are many possible systematic, generic, proprietary, or trivial names. CAS RN 1417031-94-7 is the most recent CAS Registry Number CAS Registry Numbers are used in many other public and private databases as well as chemical inventory listings and, of course, are included in all CAS-produced databases. 23



What is SciFinder?

SciFinder is a research discovery tool, suitable for both professional searchers and research scientists. You do not have to be an expert searcher to use SciFinder. Many organizations around the world use SciFinder to give their scientists direct access to CAS databases. 24



SciFinder főmenü

1. keresés kutatási téma alapján 2. keresés szerző neve alapján 3. keresés cég vagy intézmény neve alapján 4. dokumentum azonosító (pl. Accession number) 5. folyóirat (név, kötet, oldal, évszám) 6. szabadalom szám 1. keresés kémiai szerkezet alapján 2. keresés összegképlet alapján 3. keresés vegyület azonosító (pl. CASRN) alapján 1. keresés kémiai szerkezet alapján 2. keresés összegképlet alapján 3. keresés vegyület azonosító 25 (pl. CASRN) alapján


SciFinder – keresés kulcsszó alapján Lekérdezés elindítása A keresett kifejezés

1. Szűrési feltétel: megjelenés dátuma 2. Szűrési feltétel: közlemény típusa 1. azok a találatok, amelyek betűről-betűre tartalmazzák a keresett kifejezést

1.

2.

Tovább a találati listához

2. azok a találatok, amelyek kapcsolatba hozhatóak a 26 keresett kifejezéssel


SciFinder – keresés kulcsszó alapján 2.

találatok száma

3.

1.

Egy találat

1. Lementhetjük a találati listát a CAS szerverére (később visszatölthetjük) 2. Kinyomtathatjuk a találati listát (abstractokkal együtt vagy csak a címeket stb.) 27

3. Kiexportálhatjuk a találati listát a saját számítógépünkre (*.rtf / *.pdf stb.)


SciFinder – keresés kulcsszó alapján “Finomítás” (refine)

“Aanalízis”

Amennyiben túl sok találtunk van lehet a találati listánkat további kúlcsszavak, szerző név, a megjelenés dátuma, a dokumentum típusa stb. Alapján.

A találatainkat rendszerezhetjük pl. évszám, szerző nev, intézet, egyetem neve stb. alapján.

A Semmelweis egyetemen az elmúlt 10 évben publikált cikkek száma éves bontásban

28


SciFinder – keresés kulcsszó alapján

Cikk letöltése PDF formátumban

29


SciFinder – keresés szerkezet alapján

A SciFinder rendelkezik saját, beépített kémiai rajzoló programmal, de más programokkal (pl. ChemDraw, ChemWindow, SchmSketc) rajzolt szerkezeteket is használhatunk.

30


SciFinder – keresés szerkezet alapján 1. pontosan berajzolt szerkezet(ek) lekérdezése, csak az általunk kijelölt helyeken lehetnek más csoportok 2. az általunk berajzolt szerkezet(ek)et tartalmazza a lekérdezés, de bárhol lehetnek rajta(rajtuk) más csoportok is

• “R” csoportok definiálásával egy adott helyzetbe több különböző szubsztituenst is el tudunk helyezni • A “Variable” eszköz segítségével általános atomokat/csoportokat tudunk definiálni • Ha nem tudjuk vagy nem akarjuk megadni egy szubsztituens helyzetét, több 31 gyűrűatomhoz is hozzárendelhetjük (Markush-szerkezetek)


SciFinder – keresés szerkezet alapján találatok száma

1.

1. a vegyülettel kapcsolatos adatok lekérdezése

Lementhetjük/kinyomtathatjuk a teljes listát, vagy lekérdezhetjük az egyes vegyületekhez kapcsolódó cikkeket, analizálhatjuk / szűrhetjük őket

32


SciFinder – keresés szerkezet alapján A „rection tool” segítségével megadhatjuk, mi legyen az adott vegyület szerepe a reakcióban Vagy a “reaction arrow” behúzása után: Bal oldal: reagens/reaktáns Jobb oldal: termék Definiálhatunk kötés felszakadást/létesülést két atom között illetve a “map atoms” segítségével megadhatjuk, azt is hogy a kiindulási vegyület adott atomja a termékben hol helyezkedjen el. 33


SciFinder – keresés szerkezet alapján találatok száma Egy találat

A lekérdezés eredménye képen egy reakció-vázlat listát kapunk Az egyes reakciókhoz tartozóan általában fel van tüntetve: - milyen reagenseket, mely sorrendben adtak hozzá - reakcióidő - Hőmérséklet - katalizátorok

Lementhetjük/kinyomtathatjuk a teljes listát, vagy lekérdezhetjük az egyes 34 reakciókhoz kapcsolódó cikkeket, vagy új keresést indíthatunk a szerkezetek alapján


SciFinder – keresés vegyületnév alapján

Kapcsolódó közlemények száma

Lementhetjük/kinyomtathatjuk a teljes listát, vagy lekérdezhetjük az egyes 35 reakciókhoz kapcsolódó cikkeket, vagy új keresést indíthatunk a szerkezetek alapján


SciFinder – keresés vegyületnév alapján 5. 3.

1. 1. a vegyülettel kapcsolatos adatok lekérdezése 2. azon közlemények lekérdezése, amelyben a vegyület előfordul 3. a vegyületet forgalmazó cégek listája és elérhetőségeik 4. „regulated chemicals listing” 5. azon kémiai reakciók lekérdezése, melyekben szerepel a keresett vegyület 36

Semmelweis University, Department of Organic Chemistry Példa 5a: előállítást keresünk az alábbi szerkezethez

1.

legegyszerűbben a vegyületnévvel kereshető a szerkezet, majd ebből kiindulva az előállítás

3. 4.

a találati listában szerepel az irodalom.

2. 5. 6. 37


Reaxys adatbázis • Cég: Elsevier • Webcím: https://www.reaxys.com

A Reaxys az Elsevier Kiadó kémiai adatbázisa, gazdag kísérleti anyaggal és kémiai reakciók adatállományával. Kémiai reakciók, szerkezetek és elemek fizikai tulajdonságait tartalmazza, s teszi ezeket kereshetővé.

Forrás: https://www.reaxys.com

38

Semmelweis University, Department of Organic Chemistry Példa 5b: előállítást keresünk az alábbi szerkezethez

vagy név alapján is megkereshetjük

1a.

berajzolt szerkezet alapján kereshető a vegyület

3.

1b. 2.

Forrás: https://www.reaxys.com

a találati listában szerepel a hivatkozás


II.b Egyetemi adatbázisok

40


Egyetemi könyvtár: adatbázisok a Könyvtár adatbázis szolgáltatásai egyetemi IP tartományból érhetőek el, ha azonban regisztrálunk, VPN segítségével akár otthonról is elérhetjük ezeket

41

Forrás: http://www.lib.sote.hu


Egyetemi könyvtár: folyóirat katalógus

a Könyvtár folyóirat katalógusában név vagy rövidítés alapján kereshetünk folyóiratokra a zöld ikonnal jelzet folyóiratok cikkei elektronikus formában letölthetőek lekérdezhetjük az egyes folyóiratok impaktfaktorát 42

Forrás: http://www.lib.sote.hu


EISZ Az Elektronikus Információszolgáltatás (EISZ) nemzeti program célja, hogy a felsőoktatás és a tudományos kutatás számára nélkülözhetetlen elektronikus információforrásokat központilag, nemzeti licenc alapján vásárolja meg, melynek eredményeként az eddigieknél lényegesen több információt tud biztosítani. Az EISZ fontos része a felsőoktatási fejlesztési programnak, hiszen jelentősen megnöveli a magyar felsőoktatási intézmények és nonprofit kutatóhelyek versenyképességét a világ tudományos életében, és egyben elősegíti az információhoz való hozzáférés demokráciájának kiterjesztését is. Az EISZ az elektronikus tartalmak elérhetőségének fenntartására, a legszélesebb körben használt nagy értékű nemzetközi tudományos információkat tartalmazó adatbázisok beszerzésére, elérhetővé tételére jött létre. Az EISZ Nemzeti Program fenntartása a hazai kutatói szféra működése szempontjából nélkülözhetetlen. Az EISZ Alapprogram keretében nyújtott országos hatókörű adatbázis-szolgáltatás a kutatási infrastruktúra szerves része, ez tartalmazza a kurrens folyóiratok, szakcikkek, tudományos kiadványok bibliográfiai adatait és ’full text’ verzióit, a kutatásokhoz elengedhetetlen adatbázisokat. Forrás: http://www.eisz.hu

43


EISZ

Forrás: http://www.eisz.hu

44


EISZ: Web of Science A Web of Science (WoS) interdiszciplináris bibliográfiai adatbázis, amelynek heti frissességgel közreadott anyaga a tudomány egész területére kiterjed. A WoS szolgáltatása a citációs index, amely lehetővé teszi a tudománymetriai elemzéseket, mivel a cikkek bibliográfiai adatain kívül a szerzői hivatkozásokat is feltárja. tScience Citation Index Expanded & SciSearch: Természet- és műszaki tudományos index, amely több mint 150 tudományterületet ölel fel, és közel 8300 fontos, akadémiai és alkalmazott műszaki tudományos dokumentumot (folyóiratot) tartalmaz, 1900-tól. 2300 művészeti és humán folyóiratból, valamint több, mint 6000 természet-és társadalomtudományi folyóiratból nyújt lehetőséget a keresésre. 45 Forrás: http://www.springerlink.com/


EISZ: Nature A Nature Publishing Group (NPG) kiadásában megjelenő folyóirat portfólió tartalmazza az 1869 óta megjelenő Nature folyóiratot, a 2010 Journal Citation Reports Science Edition (Thomson Reuters, 2011) adatai szerint a világ legnagyobb idézettséggel bíró interdiszciplináris lektorált folyóiratát. Impakt faktora 36,101. Nature Chemistry: 2009 óta, havonta megjelenő folyóirat, a kémiai tudományok minden területéhez kapcsolódva. Impakt faktora 17,927 a 2010 Journal Citation Reports szerint, amivel a multidiszciplináris kémiai folyóiratok között az első helyet foglalja el. IF: 20.524

IF: 22.432 Forrás: http://www.nature.com/

46


EISZ: Science Nemzetközi tudományos hetilap, az American Association for the Advancement of Science (AAAS) kiadványa. 1995-ben indult a Science Online, melynek egyik legfontosabb része a Science Magazine, mely full-text folyóiratokat tartalmazó adatbázis.1999 és 2004 között a magazin a legmagasabb impakt faktorral rendelkezett az alábbi hat tudományterületen: molekuláris biológia és genetika, fizika, biológia és biokémia, növény- és állattan, űrtudomány, immunológia. Cikkei folyamatosan a világ leginkább idézett kutatásai között vannak. IF: 31.201 Forrás: http://www.sciencemag.org/

47


EISZ: ScienceDirect A ScienceDirect az Elsevier tudományos kiadó fulltext adatbázis szolgáltatása. Fő profilja a természettudományos, műszaki és orvosi folyóiratok nyomtatott és elektronikus formában való terjesztése. Teljes szövegű változatban csak az előfizetett, a listában zöld lappal jelzett folyóiratok cikkei tölthetők le (azok közül is csak az 1995-ben és az azóta megjelentek), ezek száma több mint 9,5 millió.

IF: 9.850

IF: 3.628

IF: 3.346

IF: 3.351


IF: 3.332 48


EISZ: Springerlink A SpringerLink a világ egyik legszéleskörűbb online gyűjteménye természettudományos, technológiai és orvosi folyóiratokból. A szolgáltatás keretében jelenleg közel 2600 folyóirat érhető el 1997től teljes szöveggel, többek között az élettudományok, kémia, és orvostudomány területén.

OVID Medline Több mint 4500 e-könyv és gyűjtemény, több mint 1300 folyóirat teljes szövegű bibliográfiák és adatbázisok az orvostudomány területén.

Forrás: http://www.springerlink.com/

49


II.c Ingyenes adatbázisok

50


Elektronikus irodalmazás adatbázisok ingyenes adatbázisok Public Medline (PUBMED): •Cég: U.S. National Library of Medicine •Webcím: http://www.pubmed.gov/ •A világhálón keresztül mindenki számára szabadon hozzáférhető

51


PubMed: biomedical literature PubMed comprises approximately 20 million citations for biomedical literature from MEDLINE, life science journals, and online books. PubMed citations and abstracts include the fields of medicine, nursing, dentistry, veterinary medicine, the health care system, and preclinical sciences. PubMed also provides access to additional relevant Web sites and links to the other NCBI molecular biology resources. PubMed is a free resource that is developed and maintained by the National Center for Biotechnology Information (NCBI), at the U.S. National Library of Medicine (NLM), located at the National Institutes of Health (NIH). Publishers of journals can submit their citations to NCBI and then provide access to the full-text of articles at journal Web sites using LinkOut. Forrás: http://www.pubmed.gov

52


PubMed: Genome Project

Forrás: http://www.pubmed.gov

53

Semmelweis University, Department of Organic Chemistry Példa 6: keressük meg az alábbi betegség mely génekkel hozható kapcsolatba Kulcsszó: hemophilia (vérzékenység) Genom: Homo Sapiens (ember)

Forrás: http://www.pubmed.gov 54


PubMed: Pubchem Project

PubChem provides information on the biological activities of small molecules. It is a component of NIH's Molecular Libraries Roadmap Initiative. PubChem includes substance information, compound structures, and BioActivity data in three primary databases, Pcsubstance, Pccompound, and PCBioAssay, respectively. 55 Forrás: http://pubchem.ncbi.nlm.nih.gov/

Semmelweis University, Department of Organic Chemistry Példa 6: keressük meg az alábbi betegség mely génekkel hozható kapcsolatba Kulcsszó: hemophilia (vérzékenység) Genom: Homo Sapiens (ember)

Forrás: http://www. pubchem.ncbi.nlm.nih.gov

56

Semmelweis University, Department of Organic Chemistry Példa 7: keressük meg az alábbi vegyületnévhez tartozó szerkezetet Vegyületnév: clonidine

57


Semmelweis University, Department of Organic Chemistry Példa 7: keressük meg az alábbi vegyület milyen célponton hat Vegyületnév: clonidine

Biokémia / hatásmechanizmus szerkezet


58

Semmelweis University, Department of Organic Chemistry Példa 7: keressük az alábbi vegyületet tartalmazó gyári készítményeket Vegyületnév: clonidine gyári készítmények

DailyMed adatbázis linkek:

Clinical pharmacology – terápiás hatás Adverse Reactions – mellékhatások Indication & Usage – klinikai felhasználás


59

Semmelweis University, Department of Organic Chemistry Példa 7: keressük az alábbi vegyületet tartalmazó IUPAC nevet Vegyületnév: clonidine

kémiai név 60



III. Kémiai nevezéktan és rajzoló programok

61


IUPAC

Az International Union of Pure and Applied Chemistry (Tiszta és Alkalmazott Kémia Nemzetközi Uniója) rövidítése, amelynek célja világszerte a kémiai tudományok aspektusainak fejlesztése és közreműködés a kémiának az emberiség szolgálatába történő állításában. Fő feladatai közé tartozik az egységes nemzetközi kémiai nómenklatúra (nevezéktan) kialakítása, melyet az alábbi kiadványokban - u.n. "színes" könyvekben - publikálnak: • • • • • • • •

A kémiai terminológia kompendiuma (Arany könyv) Fizikai kémiai nevezéktan (Zöld könyv) Szervetlen kémiai nevezéktan (Piros könyv) Szerves kémiai nevezéktan (Kék könyv) Makromolekuláris nevezéktan kompendiuma (Bíbor könyv) Analitikai nevezéktan kompendiuma (Narancs könyv) Klinikai laboratóriumi tudományok nevezéktanának kompendiuma (Ezüst könyv) Biokémiai nevezéktan (Fehér könyv)

Ezeken kívül az alábbi folyóiratokat is a IUPAC adja ki: • Pure and Applied Chemistry • IUPAC Information Bulletin • Technical Reports Forrás: http://www.iupac.org/

62

Semmelweis University, Department of Organic Chemistry Példa 8: keressük az alábbi fogalomhoz tartozó definíciót Fogalom: axial chirality (axiális kiralitás)

Forrás: http://goldbook.iupac.org/

63


Kémiai szerkezet kódolása ASCIIkarakterekkel: SMILES

A SMILES betűszó, az angol simplified molecular input line entry specification (egyszerűsített, begépelhető molekula-leíró rendszer) rövidítéséből ered, Arthur és David Weininger fejlesztette ki az 1980as években1,2. Széles körben használt leíró nyelv a molekulák ASCII-karakterekkel történő tömör kódolására. A legtöbb molekula-rajzoló és kémiai adatbázis program elfogadja bemenetként a SMILES kódokat, és képes azokat kétdimenziós rajzokká.

1Weininger,

D. (1988), SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules, J. Chem. Inf. Comput. Sci. 28, 31-36. D.; Weininger, A.; Weininger, J.L. (1989) SMILES. 2. Algorithm for generation of unique SMILES notation J. Chem. Inf.64 Comput. Sci. 29, 97-101.

2Weininger,


Kémiai szerkezet kódolása ASCIIkarakterekkel: InChI

Az InChI betűszó az angol International Chemical Identifier (nemzetközi kémiai azonosító) rövidítéséből ered, az IUPAC és az NIST fejlesztette ki az 2000 és 2005 között1. Arra tervezték, hogy segítségével a molekuláris információt standardizált és ember által is könnyen értelmezhető módon kódolják. Az InChI Key rögzített hosszúságú (25 karakter), tömör, digitális leképezése az InChI-nek, amely azonban ember által már nem értelmezhető. H3C

InChI=1/C2H6O/c1-2-3/h3H,2H2,1H3 OH InChI Key=LFQSCWFLJHTTHZ-UHFFFAOYAB HO O

HO HO

1 McNaught,

O InChI=1/C6H8O6/c7-1-2(8)5-3(9)4(10)6(11)12-5/h2,5,7-10H,1H2/t2-,5+/m0/s1 InChI Key=CIWBSHSKHKDKBQ-JLAZNSOCBT OH

Alan (2006). "The IUPAC International Chemical Identifier:InChl". Chemistry International (IUPAC) 28 (6). http://www.iupac.org/publications/ci/2006/2806/4_tools.html. Retrieved on 2007-09-18.

2

65 The IUPAC International Chemical Identifier (InChI)". IUPAC. 5 September 2007. http://www.iupac.org/inchi/release102.html. Retrieved on 2007-09-18.

Semmelweis University, Department of Organic Chemistry Példa 9: szerkezetet alapján SIMILES- és InChi kódok meghatározása

Cég: ACD Labs Rajzolóprogram: ChemSketch „Advanced Chemistry Development (ACD/Labs) has donated free ChemSketch licenses to numerous academic institutions.”

66

Forrás: http://www.acdlabs.com/

Semmelweis University, Department of Organic Chemistry Példa 10: szerkezethez IUPAC név Cég: Chemaxon Rajzolóprogram: MarvinSketch „ Our free Academic License program aims to give schools and universities the basic tools to develop interactive chemistry teaching resources and advanced tools to enable students and staff to perform original research from within a single platform.”

67

Forrás: http://www.chemaxon.com/


IV. Fehérje adatbázisok

68


Hatóanyag tervezés szempontjából fontos makromolekulák: fehérje, DNS, RNS …molecules of life that are found in all organisms including bacteria, yeast, plants, flies, other animals, and humans… …understanding the shape of a molecule helps to understand how it works… …can be used to help deduce a structure's role in human health and disease, and in drug development… …range from tiny proteins and bits of DNA to complex molecular machines like the ribosome…

Forrás: http://www.pdb.org/

69


A fehérjék általános felépítése ∼ 100 - több száz (esetleg több ezer) aminosavból álló polipeptidlánc, viszonylagosan stabil konformáció (a felületi hurkok, oldalláncok mozgékonyak, a vázelemek is elmozdulhatnak egymás mellett) 1. Elsődleges szerkezet: aminosav sorrend (szekvencia), meghatározása DNS szekvenálással, MS. 2. Másodlagos szerkezet: periodikusan rendezett szakaszok 3. Harmadlagos szerkezet: gombolyagszerkezet: periodikusan és nem periodikusan rendezett (“rendezetlen”) szakaszokból áll Szerkezeti típusok: - fonal (fibrilláris) - gombolyag (globuláris) - membránfehérje, transzmembrán szakasz(ok) 4. Negyedleges szerkezet: több gombolyagból álló fehérje asszociátum 70


71


72

Semmelweis University, Department of Organic Chemistry January 2010 Molecule of the Month: 70S Ribosomes In 2000, structural biologists Venkatraman Ramakrishnan, Thomas A. Steitz and Ada E. Yonath made the first structures of ribosomal subunits available in the PDB, and in 2009, they each received a Nobel Prize for this work. …the next step in ribosome structure research was to determine the structure of the whole ribosome…


…these structures are so large that they don't fit into a single PDB file--for instance, the structure shown here was 73 split into PDB entries 2wdk and 2wdl.


PDB identification code

Every molecular model (atomic coordinate file) in the Protein Data Bank (PDB) has a unique accession or identification code. These codes are always 4 characters in length. The first character is a numeral, while the last three characters can be either numerals or letters. There are over 400,000 possible 4-character PDB identification codes (419,904 or 466,560 if "0" is allowed as the first character). Thus, the 51,000 entries in 2008 have used up less than 12% of the available codes. Examples: •1mbn - a 1973 model of myoglobin, the first protein structure solved •1tna - a 1975 model of yeast phenylalanine transfer RNA, the first RNA structure solved •1bna - the first full turn of a B-form DNA double helix solved by crystallography. Solved in 1980 (this confirmed, 27 years later, the 1953 theoretical model of Watson & Crick). •2hhd - human hemoglobin, deoxy. 74 •9ins - insulin. Forrás: http://www.proteopedia.org

Semmelweis University, Department of Organic Chemistry A .pdb fáljformátum

The Protein Data Bank (pdb) file format is a textual file format describing the 3D structures of molecules held in the Protein Data Bank. Most of the information in that database pertains to proteins, and the pdb format accordingly provides for rich description and annotation of protein properties. However, proteins are often crystallized in association with other molecules or ions such as water, ions, nucleic acids, drug molecules and so on, which therefore can be described in the pdb format as well. Forrás: http://www.pdb.org/

75


Fehérje adatbázisok: Uniprot és PDB Org •Webcím1: http://www.uniprot.com/ •Webcím2: http://www.pdb.org/ •A világhálón keresztül mindenki számára szabadon hozzáférhető

76


UniProt fehérje adatbázis The UniProt Knowledgebase (UniProtKB) is the central hub for the collection of functional information on proteins, with accurate, consistent and rich annotation. In addition to capturing the core data mandatory for each UniProtKB entry (mainly, the amino acid sequence, protein name or description, taxonomic data and citation information), as much annotation information as possible is added. This includes widely accepted biological ontologies, classifications and crossreferences, and clear indications of the quality of annotation in the form of evidence attribution of experimental and computational data.

Forrás: http://www.uniprot.org/

77


RCSB fehérje adatbázis

The Protein Data Bank (PDB) archive is the single worldwide repository of information about the 3D structures of large biological molecules, including proteins and nucleic acids. These are the molecules of life that are found in all organisms including bacteria, yeast, plants, flies, other animals, and humans. Understanding the shape of a molecule helps to understand how it works. This knowledge can be used to help deduce a structure's role in human health and disease, and in drug development. The structures in the archive range from tiny proteins and bits of DNA to complex molecular machines like the ribosome. 78


Semmelweis Egyetem, Szerves Vegytani Intézet

Hatóanyag tervezés: bevezető


MEDICINAL CHEMISTRY „A chemistry-based discipline, also involving aspects of biological, medical and pharmaceutical sciences. It is concerned with the invention, discovery, design, identification and preparation of biologically active compounds, the study of their metabolism, the interpretation of their mode of action at the molecular level and the construction of structure-activity relationship."

C. G. Wermuth, C. R. Ganellin, P. Lindberg and L.A. Mitscher. Glossary of Terms used in Medicinal Chemistry. Pure & Appl. Chem. 1998, 70, 1129-1143.


Challenges for Medicinal Chemistry Classical: Ligand design for ligand–one receptor interaction Current: Improve the productivity of drug research hit-lead-drug efficiency ligands with multiple actions ligand targeting safety (ADMET) identify new routes

3


Chemical Space Arithmetic Chemical space » Consider only C, H, N, O, S » allow branching » allow exo double bond systems » eliminate unfeasible multiple bonds ~1023 » allow for rings at all branch points ~1063 » eliminate unfeasible rings & unfeasible ring systems

1060

1011-1012 stars in our galaxy 1011-1012 galaxies 1022-1024 stars in the universe McMartin C. et. al, Med.Res. Rev. 16, 3-50 (1996)

4


Property-based design, a new tool for the medicinal chemist synthetic organic chemistry

biochemistry

1950s

pharmacology

computational chemistry

60s

physical organic chemistry

70s

biophysics

combinatorial chemistry

80s

structurebased design

high-throughput screening

90s

molecular biology, benomics

H. Van de Waterbeemd et al. J. Med. Chem. 44, 1313-1333 (2001)

2000

propertybased design


Motto: Fighting the clock

PATIENCE Drug development takes about 15 years

6.5 years Discovery and preclinical testing

1.5 years 2 years

3.5 years

1.5 years

Phase I

Phase III

FDA review Phase IV (postmarketing testing)

Phase II Clinical trials

Total costs: $ 0.8 - 1 billion $ 1 million lost for every extra day


The three phases that govern the activity of a drug Phase Pharmaceutical phase

Pharmacokinetic phase

Pharmacodynamic phase

Events involved

Objectives

Selection of the administration route

Optimize distribution

Preparation of the most appropriate pharmaceutical formulation

Facilitate absorption

Fate of the drug in the organism:

Eliminate unwanted organoleptic properties

absorption, distribution metabolism, excretion (’ADME’)

Control the bioavailability, i.e. the ratio of the administered dose to the concentration at the site of action, as a function of time

Quality of the drug-receptor interaction

Maximal activity

Nature and intensity of the biological response

Maximal selectivity Minimal toxicity


Drug Discovery pharmacophore

type of activity (selectivity, toxicity)

molecular structure physicochemical properties & pharmacokinetic properties

degree of activity & duration of action


„Despite dramatic increases in R and D investment, the promise of the genomics revolution, and the remarkable array of new technical tools available to the discovery scientists, the record of industry productivity over the past decade as measured by approvals has, if anything, declined.” Ann. Rep. Med. Chem., 38, 383 (2003)


FDA Drug Approvals: 1996-2009 The FDA (USA) approved 19 new molecular entities and 6 biologic license applications in 2009

Nature Rev. Drug. Discov. 3, 89-92 (2010)

10


Attrition (lemorzsólódás) MAIN REASONS: - Efficacy/PK - Safety pharmacology & toxicity

REMEDY STRATEGY - Fail early, fail fast Think first, predict, measure fast, and don’t fail Kola I., Landis J., Nature Reviews Drug Discovery 3, 711-716 (2004)


What is going on? Possible answers: • NOT due to the lack of investment • all the easy problems have only be solved • the new technologies will bear fruit in time given enough further investment It is rather due to other reasons: 1. Biomedical science and hence pharmaceutical science, has taken a wrong turn in its relationship to human disease 2. The industry’s changing attitude D. F. Horrobin, Nature Reviews/Drug Discovery 2, 151 (2003)


What is a HIT and LEAD? HIT: confirmed structure and purity; reproducible activity; selectivity; chemically tractable, patentable structure. LEAD: additional studies on SAR and ADMET, which may provide the drug candidate.

13


Lead Optimization Leadlike properties and druglike properties, although not mutually exclusive, are significantly different.

Drug Likeness (many definitions) Having functionalities to interactions with receptor, property profile similar to known drugs. 14

Semmelweis Egyetem, Szerves Vegytani Intézet Stages in the drug discovery process beginning with HTS Lead identification Active

HV

Some activity

Confirmed hit Not artifact Identity OK Purity OK Good dose-response

HV - hit validation HTL - hit to lead LO - lead optimization.

HTL

Lead

LO

Optimized lead

Properties: Potency Too many to list! Selectivity ADME not horrible Patentable Cellular activity

15

Semmelweis Egyetem, Szerves Vegytani Intézet Lead Optimization versus HTL Lead Optimization (LO) stage - modifying the structures of compounds to improve various properties - is methodologically no different from the earlier Hit-to-Lead (HTL) phase. Some of the properties involved will be the same but will need to meet stricter criteria. Potency and selectivity sufficient to declare a compound or series to be a lead (a successful conclusion to HTL) will probably not be sufficient for a potential clinical candidate (the aim of LO). 16

Semmelweis Egyetem, Szerves Vegytani Intézet Some differences between the HTL and LO stages in a drug discovery project Factor

HTL

LO

Focus:

potency, structural novelty

PK and in vivo properties

maybe 3 or 4

probably 10 or more

hundreds

thousands

many

fewer

lead series

potential clinical candidate

Number of chemists: Number of compounds: Number of scaffolds: Desired outcome:

17


II. Hatóanyag tervezés: bevezető

• Natural products • Existing drugs • Clinical observations of side effects


Natural product H3C O O

H3C

O

O OH CH3 CH3

O

HN

CH3

OH O

H O

HO O

O O

O CH3

Taxol

Isolated from the pacific yew tree

Paclitaxel is a mitotic inhibitor used in cancer chemotherapy. It was discovered in a National Cancer Institute program at the Research Triangle Institute in 1967 when Monroe E. Wall and Mansukh C. Wani isolated it from the bark of the Pacific yew tree, Taxus brevifolia and named it 'taxol'. When it was developed commercially by Bristol-Myers Squibb (BMS) the generic name was changed to 'paclitaxel' and the BMS compound is sold under the trademark 'Taxol'.


Existing drugs S

S

N

N

Cl

CH3 N H3C

CH3

N

CH3

CH3

Promethazine

Chlorpromazine

The antihistamine promethazine, which provided a lead to chlorpromazine giving rise to revolution in psychiatric medicine.


Clinical observations of side effects O H3C

N O

N

CH3 N

HN

N

S N

O O

CH3 CH3

Sildenafil Sildenafil (compound UK-92,480) was synthesized by a group of pharmaceutical chemists working at Pfizer's Sandwich, Kent research facility in England. It was initially studied for use in hypertension (high blood pressure) and angina pectoris (a form of ischaemic cardiovascular disease). Phase I clinical trials under the direction of Ian Osterloh suggested that the drug had little effect on angina, but that it could induce marked penile erections.


Számítógépes kémiai módszerek alkalmazása a gyógyszerkutatásban Balogh Balázs, Mátyus Péter

2013. január 19. 1


1.

Számítógépes kémia bevezetés

2.

Farmacokinetikai predikciók ADME és In silico Toxikológia

3.

Ligand alapú modellezés farmakofór és QSAR

4.

Szerkezet alapú modellezés szerkezet alapú farmakofór and dokkolás 2


I. Számítógépes kémia bevezetés

3


Számítógépes kémia Computational chemistry, molecular modelling, stb. Az elméleti kémia és a kvantumkémia egyik ága Célja: a molekulák tulajdonságainak kiszámítása, modellezése matematikai megközelítésekkel, számítógépes programok segítségével Segítségével számítható például: teljes energia, töltés, dipólusmomentum, molekula felszínek, átmeneti állapotok, HOMOés LUMO pályák energiái, NMR-, IR-, UV-vis spektrumok stb. 4


Kísérleti kémia és számítógépes kémia Kísérleti

Számítógépes Probléma definiálása ?

A megfelelő modell megválasztása és felépítése

A kísérlet menetének megtervezése és a kísérleti apparátus összeszerelése A kísérlet végrehajtása

A számítások lefuttatása Az eredmények értékelése

5


Teoretikus modellek 1.Klasszikus (Newtoni) mechanikán alapuló módszerek (MM = “molekulamechanika”) 2. Kvantummechanikán (QM) alapuló (“Kvantumkémiai”) módszerek:

a Schrödinger egyenlet megoldása elhanyagolásokkal • Szemi-empírikus módszerek • Ab Initio módszerek • Density Functional Theory (DFT) módszerek 6


Klasszikus (Newtoni) mechanikán alapuló módszerek (MM = “molekulamechanika”) Erőtér (force field) módszerek: (MM2, MMFF, Amber, Sybyl, UFF stb.) a Hooke törvényen, van der Waals kölcsönhatásokon, elektrosztatikán stb. alapulnak A modellek experimentális adatok alapján vannak parametrizálva A molekula mechanika a molekula energiáját az “ideálishoz” képes történő torzulás függvényeként írja le (az érték pozitív) A Schrodingerben a MacroModel modul segitsegevel 7


Erőtér módszerek (“molekulamechanika”) E = Ecovalent + Enoncovalent Ebond + Eangle + Etorsion

Eelectrostatic + Evan der Waals

Distance distortion

Angle distortion van der Waals + q2

Hooke törvény: F = - k x x – a rugó elmozdulása F – a rugó által kifejtett erő k – a rugó állandó (erő állandó) Coulomb törvény: F = ke

q1q2 r2

F – a két töltés között fellépő erő q1 és q2 – a töltések nagysága r – a töltések közti távolság Ke – a Coulomb-féle arányossági tényező

Dihedral distortion electrostatic q2

8


Kvantummechanikán (QM) alapuló módszerek (“Kvantumkémiai”) A kvantummechanika a molekula energiáját az elektronok és az atommagok közötti kölcsönhatások függvényében írja le a Schrödinger egyenlet alapján. Potenciál energia Teljes energia

Kinetikus energia

A rendszert leíró hullámfüggvény

A Schrödinger egyenlet azonban csak egy elektronos rendszerekre alkalmazható, 9 több elektron esetén különböző egyszerűsítéseket, elhanyagolásokat (approximation) alkalmazunk.

Semmelweis University, Department of Organic Chemistry Potenciál energia felszín / Potential Energy Surface (PES) Matematikai összefüggés egy bizonyos geometriai szerkezet és a hozzá tartozó (single point) energia között. 2D v. 3D grafikonok segítségével szokás ábrázolni, ahol a függőleges tengely az energia, a vízszintes tengely(ek) pedig a szabadsági fok(ok). Segítségükkel megfigyelhetjük, hogy a geometria változása hogyan hat a rendszer energiájára.

Kitüntetett pontok: • lokális minimum • globális minimum • nyereg (saddle) pontok

10


Kvantumkémiai módszerek Schrödinger egyenlet HΨ = EΨ Az atommag

nem mozog

Born-Oppenheimer Közelítés

“Elektron” Schrödinger egyenlet Az elektronok egymástól függetlenül mozognak

Hartree-Fock Közelítés

Hartree-Fock Molekula pálya módszerek

Ab initio Hartree-fock modellek

Nincs kölcsönhatás az atompályák között + parametrizálás

Az elektronok mozgásának magyarázata az atomi pályák kombinációjával

Szemi-empírikus modellek

Korrelációs modellek

Megbecsülni, hogy az elektronok hogyan befolyásolják egymást az idealizált állapothoz képest LCAO Közelítés

parametrizálás

Density Functional 11 Theory modell


Kvantummechanikán (QM) alapuló módszerek (“Kvantumkémiai”) • Szemi-empírikus módszerek: (MNDO, AM1, PM3 etc)

a Hartree-Fock féle “self-consistent” (HF-SCF) erőtéren alapuló módszerek, jelentős elhanyagolásokat használ, csak a vegyérték elektronokkal számol, experimentális parametrizálást is használ MOPAC MODUL

• Ab Initio módszerek: (nem empirikus módszerek)

szintén HF-SCF erőtéren alapuló módszerek, csak kevés elhanyagolást használ, az összes elektronnal számol JAGUAR MODUL • számos módszer és elmélet sorolható ide (pl. korrelációs módszerek is: MollerPlesset)

• Density Functional Theory (DFT) módszerek:

hullámfüggvények helyett az elektronsűrűséggel mint mennyiséggel számol, parametrizálást is használ JAGUAR MODUL 12


Báziskészletek (Basis Set) A számítógépes kémiában a molekulapályákat függvények lineáris kombinációjával hozunk létre. Báziskészletnek az ehhez felhasznált függvény készletet nevezzük. • Molekula mechanika: nem kvantumkémiai módszer - nincs • Szemi-empírikus módszerek: Slater-féle bázikészlet Maga a “módszer” a báziskészlet MNDO: a legtöbb főcsoport elem + Zn AM1: főcsoport elemek + Zn PM3: főcsoport elemek + átmeneti fémek

• Ab Initio módszerek / Density Functional Theory:

STO-3G “Minimal” báziskészlet – megbízhatalan energiák 3-21G(*) “Split-valence / Double Zeta” – kiválló eredmények 6-31G* “Polarized” báziskészlet – nagyon pontos 6-311+G** “Extended” báziskészlet – nagyon pontos

13


Milyen módszert (báziskészletet) használjunk? “Choose your method wisely, and interpret your results with care”

CPU idő / memória

A szerkezet (és egyébb tulajdonságok) legpontosabb meghatározása, nem szokványos szerkezetek, átmeneti állapotok, gerjesztett állapotok vizsgálata Korrelációs módszerek Ab initio - DFT Szemi-empírikus Molekula mechanika

A szerkezet pontosabb meghatározása, NMR spektrumok, izomerek relatív energiája, reakciók, átmeneti állapotok kvalitatív leírása A szerkezet / kötésmód alapvető meghatározása, rezgési spektrumok, kiindulási geometria további számításokhoz A szerkezetet érintő alapvető kérdések megválaszolása, konformáció analízis, kiindulási geometria további számításokhoz,

Molekula méret (atomszám)

14


Számítási feladatok a SPARTAN-ban Single point energy:

az általunk választott módszerrel kiszámítja az adott szerkezethez vagy szerkezetekhez (profile) tartozó energiát (a szerkezet változatlan marad)

Optimalizálás/minimalizálás:

az aktuális konformációból kiindulva meghatározza az ahhoz legközelebb eső, legalacsonyabb energiájú konformert (lokális minimum) Átmeneti állapot keresés: Egy reakció során kialakuló, a reakció koordináta egy adott pontjához tartozó konformáció meghatározása

Konformáció keresés:

több különböző konformerből (randomizáció vagy szisztematikus keresés) kiindulva meghatározza a molekula számára legkedvezőbb, legalacsonyabb energiájú konformert (globális minmum), de a keresés eredménye lehet több, alacsony energiájú konformer is (Library/Distribution) 15


Atomok ábrázolása a SPARTAN-ban

16


Molekula ábrázolás módjai a SPARTAN-ban Az atomok középpontját egyenes vonalak kötik össze, a vonal színe megegyezik az atom színével. Az atomokat gömbökkel is szokták jelölni (ball & wire). Minden gömb sugara egyforma (nem van der Waals sugár)!

Csövek (tube) / ball & sticks:

Az atomok középpontját megvastagított vonalak (csövek) kötik össze, végük lekerekített. Az atomokat gömbökkel is szokták jelölni (ball & wire). A gömb sugara arányos a van der Waals sugárral.

Térkitöltő (Space Filling):

Az atomok átmérője megfelel a van der Waals sugárnak, az így kapott alakzat közel megfelel az elektronsűrűség felszínnek (lásd később).

17

Grafikai igénybevétel

Drótváz (wire) / ball & wire:


Elektronsűrűség

Az elektronsűrűség a tér egy pontjában található elektronok száma. Mennyisége röntgen-diffrakciós módszerrel mérhető, segítségével lokalizálhatjuk az atomok helyzetét, mivel a legtöbb elektron szorosan kötődik az atomokhoz. Az elektron (hullám természetéből adódóan) sűrűség azonban a térben sehol nem nulla, ezért a molekulának nincsen valódi értelemben vett felszíne. Definiálhatunk olyan felszíneket, ahol a sűrűség állandó.

18


Van der Waals felszín A legfontosabb elektronsűrűség felszín az elektronok többségét magában foglaló van der Waals felszín (ez durván megfelel az u.n. „térkitöltő modellnek”). Általában ezt a felszínt szoktuk egyszerűen elektronsűrűség felszínnek nevezni, ez adja meg a molekula „alakját” és „méretét” valamint a sztérikus „akadályt” más molekulákkal szemben.

19


2. Farmakokinetikai predikciók ADME és In silico toxikológia

20


QuickProp: ADME/Tox parameter predictor • • • • •

ADME/Tox prediction module of Schrödinger program developed by the research group of Professor W. L. Jorgensen (Yale University) based on experimental data for more than 700 compounds provides ranges for comparing a particular molecule’s properties with those of 95% of known drugs the number of property or descriptor values that fall outside this range are denoted with asterisks (*) in the output file

21

QikProp, version 3.4, Schrödinger, LLC, New York, NY, 2011


QuickProp leírók 1.

MW = molcular weight, azaz molekulatömeg: gyógyszervegyületek esetében ez általában 150 – 500 g/mol, ennél nagyobb molekulák általában már nehezen jutnak át a sejtmembránon, ennél kisebb vegyületek meg nem fognak szelektíven csak egy (vagy néhány) célponthoz kötődni (DE: antibitokimok)

2.

Volume, azaz térfogat: általában az „oldószer számára hozzáférhető” (solvent-accessible ) térfogatot értjük alatta, ez gyógyszervegyületek esetében általában 500 – 2000 Å3

3.

Felszín: poláros felszín, azaz PSA (polar surfce area) általában a poláros N és O atomok Van der Waals felszínének összegét értjük ez alatt, gyógyszervegyületek esetében ez általában 7 – 200 Å3 Számos változata létezik (SASA, FOSA, FISA, PISA, WPSA stb.)

4.

Hidrogén donor/akceptor (donorHB/ accptrHB) atomok száma: a receptor-ligandum szempontjából ez a legjelentősenn kölcsönhatás gyógyszervegyületek esetében általában 0 – 6 illetve 2 – 20

Semmelweis Egyetem, Szerves Vegytani Intézet PSA (Polar Surface Area) számítása



Predicted aqueous solubility, azaz vízoldhatóság (QPlogS): gyógyszervegyületek esetében ez általában -6.5 – 0.5 mol / dm3, ennél a telített (kristályos anyaggal egyensúlyban lévő) koncentráció, létezik u.n. „konformációtól független” formája is

6.

Octanol/water partition coefficient, azaz oktanol-víz megoszlási hányados logaritmusa (QPlogPo/w): egy adott anyag koncentrációjának a hányadosa két, egymással határos fázisban (ez lehet két különböző folyadék vagy folyadék-gáz), tehát azt fejezi ki, hogy az adott anyag hogyan oszlik meg a két fázis között gyógyszervegyületek esetében általában a víz-oktanol rendszert szokták vizsgálni (az oktanol lipofilitása nagyjából megegyezik a membránlipid kettősréteg belsejében található lipofilitással), ennek értéke -2.0 – 6.5

7.

HumanOralAbsorption, azaz orális felszívódás : általában százalékban szokták megadni, azt fejezi ki, hogy egy adott anyag mekkora hányad szívódik fel a gyomor-bél traktusból. 80% felett jónak, 25% alatt gyengének tekintjük.

Semmelweis Egyetem, Szerves Vegytani Intézet Oktanol-víz megoszlási hányados meghatározása A megoszlási hányados (logP) értéke a két fázisban mért koncentráció megmérése után az alábbi képlet alapján számítható:

A megoszlási hányados klasszikus módszere a rázótölcséres módszer, a korszerű HPLC és elektrokémiai módszerek azonban gyorsabbak és pontosabbak. A számítógépes kémiai becslés a 2D szerkezet alapján, atom- vagy fragmensek alapján lehetséges.



Predicted apparent Caco-2 cell permeability, azaz Caco sejt permeabilitás (QPCaco): a Caco (Carcinom Colon) sejt monolayert régóta használják vagyületek membránon való áthaladásának sebességének (permeabilitás) meghatározása, általában cm /sec vagy nm /sec értékben szokták megadni, utóbbiban kifejezve < 25 gyengének, > 500 jónak tekinthető

9.

Predicted apparent MDCK cell permeability, azaz MDK sejt permeabilitás (QPCaco): egy másik sejtvonal monolayer, nm /sec értékben kifejezve < 25 gyengének, > 500 jónak tekinthető Bidirectionnal transport studies using Caco-2 cells on transwell insert

Caco2 cell morphology and spreading. Morphological features of Caco2 cells cocultured on top of confluent MIC 216 control and transfected cell lines. Phase-contrast microscopy shows living cocultures grown for 4 days MIC 216. Magnification: ×200.


Lipinski 5-ös szabály (rule of 5) Általánosnak tekinthető „ökölszabály” amelyet Christopher A. Lipinski dolgozott ki 1997-ben, a „gyógyszerszerűség” (druglikeness) meghatározására. Számos gyógyszervegyületet megvizsgálva arra a következtetésre jutott, hogy ezek általában relatíve kis méretűek és lipofil jellegűek. Tapasztalatait NÉGY pontban összegezte: 1. 2. 3. 4.

hidrogéndonor atomok száma (donorHB) ≤ 5 hidrogénaceptor atomok száma (acptHB) ≤ 10 a molekulatömeg (MW) < 500 dalton (vagy g / mol) az oktanol-víz megoszlási hányados (logP) < 5

Ezek mindegyikében szerepel az ÖTÖS szám (vagy annak többszöröse), és állítása szerint egy vegyület csak akkor lehet gyógyszer, ha az ezek közül legalább HÁROM teljesül. Azóta számtalanpélda igazolja, hogy ezek a szabályok nem tekinthetők általános érvényűnek, sokan tettek kísérletet a szabályok pontosítására / finomítására.


Jorgensen 3-as szabály (rule of 3) Egy hasonló szabály „ökölszabály” annak eldöntésére, hogy vélhetően orálisan alkalmazható-e egy vegyület 1. Vízoldhatóság (logS) > -5,7 2. Caco membrán penetráció > 22 nm / s 3. Elsődleges metabilitok száma < 7 A nanotechológia megjelenésével és elterjedésével már olyan (pl. vízben oldhatatlan) anyagok is formulálhatóak, amelyekről ez korábban elképzelhetetlennek tűnt.

J.Leukocyte.Biol. 2005, 78, 3 585-594


Példa: vér-agy gát (BBB, blood brain barrier) Az erek falait bélelő endotélsejtek a központi idegrendszerben a szokásosnál szorosabban illeszkednek egymáshoz (ún. tight junction), és a vérben oldott anyagok közül kevesebbet engednek át, mint más szövetek esetében. Ez különösen nehézzé teszi a gyógyszerek agyba történő bejuttatását. A logBB (log(brain/blood) a gyógyszermolekula vérben illetve agyban mért koncentráció hányadosainak logaritmusa. Értéke gyógyszervegyületek esetében általában -2,00 és +1,00 között változik.

C brain log BB = C blood

Azok a vegyületek, amelyeknél logBB > 0,3 könnyedén átlépik a vér-agy gátat. Azonban logBB < -1,0 esetében már alig jutnak be az agyba.

Semmelweis Egyetem, Szerves Vegytani Intézet Vegyületek vér-agy gáton történő átjutásának modellezése Több módszer létezik a logBB számítógépes kémiai módszerekkel történő becslésére, ezek közül az egyik legelterjedtebb az alábbi összefüggés: logBB = -0.0148 x PSA + 0.152 x ClogP + 0.139 PSA (Polar Surface Area): a poláros atomok feletti felszín összege (általában oxigén és nitrogén), ideértve a hozzájuk kapcsolódó hidrogénatomokat is. A klasszikus módszerek alapján 3D szerkezet alapján számítható, de léteznek 2D szerkezeten alapuló módszerek is. Átlagos értéke gyógyszervegyületek esetében >90, központi idegrendszeren ható szereknél >60 Å2 logP (log P oct/wtr): az oktanol-víz megoszlási hányados (Partition coefficient). A 2D szerkezet alapján számítható.

Clark, D. E. J. Pharm. Sci., 1999, 88, 815.


BBB modellvegyületek 19 vegyület: N

NH

N

O

O

CH3

HN

NH2

10,11-epoxycarbamazepine

N

N

O

icotidine

CH3

CH3

N Br

NH

cimetidine O

CH3

N

O O

N H

H3C

N

H3C

N

O

risperidone

-0.02

N H3C

+

O

carbamazepine

CH3

ranitidine

H N

NH

-1.23

N H

clonidine NH

0.11

mianserin

0.99

despramine

1.00

impramine

1.05

O N

S

O

N

N

N

lupitidine

O

H3C

zolantidine

0.14

N

OH

CH3

HN

CH

N N

-1.06

H N

O O

H

Cl

domperidone F

-0.78

O

CH3

H

H H

CH3

tibolone

0.40 N

CH3

H3C

N N

O

0.98

N

Cl

N

H3C

N

amitriptyline

N

CH3

S

N

0.53

N

HN

HO

mirtazapine

H3C

NH

N

0.49

CH3

CH3

0.00

Cl

H N

S

H N

N

-1.42

N

O

pyrilamine

NH2 N

N

CH3

N

N N

-1.88

N

S

N H3C

N

N

temelastine

O

NH

O

CH3

N

CH3

H3C

O

-0.33

F

H N

NH

N

-2.00

N

N H3C

O

9-hydroxyrisperidone

-0.67

N CH3

J. Kelder et al, Pharmaceutical Res, 16, 1514(1999)


LogBB becslés A „Project Table Calculator” segítségével az előző dián bemutatott egyenletbe behelyettesítve a PSA és a logP alapján kiszámíthatjuk a logBB értéket: Table → Calculator… → Execute

Hasonlítsuk össze a mért (Exp_logBB) paramétereket a program által számított (QPlogBB)és az általunk (Pred _logBB) számított értékekkel:


Számítógépes Toxikológia Computational Toxicology: the application of the tools of computational biology to assess the risk chemicals pose to human health and the environment. Computational toxicology, an applied science, utilizes the latest advances in mathematics, biology, chemistry, and computer technologies. Integrating all of these sciences into a biologically based computational model enables the researcher to numerically investigate, either pharmacokinetically and/or pharmacodynamically, the impact of exposure to environmental chemicals on people.


2.1 Computational toxicology methods I.

Data driven systems: derive predictions from a training set of experimentally determined data (QSAR models are typical examples for data driven systems)

II. In silico ADME-Tox approaches (structure alerts): prediction of toxicity by the identification of certain pharmacophoric elements (Adsorption, Distribution, Metabolism, Elimination) III. Expert systems (human knowledge based methods): techniques that mimic human reasoning about toxicological phenomena IV. Molecular modeling techniques (target base approaches): methods that model biochemical events that are relevant for toxicity


QuickProp toxicity and metabolism predictions QPlogHERG:

Predicted IC50 value for blockage of HERG K+ channels

#metab:

Number of likely metabolic reactions: • alpha hydroxylation of carbonyl • aromatic OH oxidation • alpha, beta dehydrogenation at carbonyl • enol oxidation • benzylic-like H → alcohol • thiol SH → SSR, SR • allylic H → alcohol • para hydroxylation of aryl • secondary alcohol → ketone • aryl sulfide → S=O • primary alcohol → acid • reduction of aryl nitro to amine • tertiary alcohol E1 or SN1 • oxidative deamination of primary amine • amine dealkylation • ether dealkylation • pyridine C2 hydroxylation • aniline NH → NOH or NCOR • low IP—easily oxidized • alpha hydroxylation of cyclic ether • sulfoxide → sulfone QikProp, version 3.4, Schrödinger, LLC, New York, NY, 2011

35

Semmelweis University, Department of Organic Chemistry Example: an In silico ADME-Tox model in cardiovascular safety pharmacology hERG (potassium chanel) blockers Prolongation of the QT interval An adverse drug reaction, may also lead to arrhythmia and potentially lethal Torsades de pointes (TdP) • anti arrhythmic drugs (Quinidine, Amiodarone, Sotalol, Procainamide, Ranolazine) • antihistamines (Terfenadine, Astemizole) • macrolide antibiotics (Erythromycin) • certain Fluoroquinolone antibiotics • major tranquilizers • tricyclic antidepressants • gastrointestinal motility agents (Cisapride, Domperidone)

Semmelweis University, Department of Organic Chemistry Example: an In silico ADME-Tox model in cardiovascular safety pharmacology hERG (potassium channel) blockers Regulatory authorities issued recommendations for the establishment of cardiac safety during preclinical drug development: ICH S7B Mechanism of action: • blocking the rapidly activating component of the delayed rectifier potassium current, termed IKr • ion channel protein is encoded by the human ether-a-go-go related gene (hERG) • drugs that induced TdP in patients were shown to be potent hERG blockers, but not all hERG blockers prolong the QT-interval and induce TdP in humans

Ether-a-go-go gene found in the Drosophila fly and named in the 1960s by William D. Kaplan Flies with mutations in this gene are anaesthetized with ether, their legs start to shake, like the dancing then popular at the Whisky A GoGo nightclub in West Hollywood, California

Preclinical hERG studies should be accomplished in GLP environment by: • In Vitro electrophysiology studies (whole-cell patch-clamp assays) • In Vivo studies (intact animal models) Finlayson, K. et al. (2004) Acquired QT interval prolongation and HERG: implications for drug discovery and development. Eur. J. Pharmacol. 500, 129–142

Semmelweis University, Department of Organic Chemistry Example: an In silico ADME-Tox model in cardiovascular safety pharmacology hERG (potassium chanel) blockers

Prolongation of the QT interval is associated with the presence of protonable Nitrogen atom (N) and another Nitrogen or oxigen atom (Z). If the distance of N and Z falls within a critcal treshold, the compounds are considered az possible hERG threat. The distance of these groups can be measured with Xray crystallography or calculated via conformer generation. Current Medicinal Chemistry, 2004, 11, 2691-2706

Semmelweis University, Department of Organic Chemistry Molecular modeling in silico tox techniques (target base approaches): Cytochrome P450 (CYP) site of metabolism predictor • P450 Site of Metabolism (SOM) workflow combines induced-fit docking (IFD) for the determination of accessibility to the reactive center with a rule-based approach to intrinsic reactivity • Three isoforms: 2C9, 2D6, and 3A4 are available (for 3A4, only the intrinsic reactivity is calculated) • For the 3A4 isoform of cytochrome P450, ligand-based reactivity models have been shown to be highly predictive (highly flexible binding site, lack of orientational preference of ligands) • For 2C9 and 2D6 isoforms, degree of reactivity highly depends on in the accessibility to the reactive heme iron center of the enzyme

QikProp, version 3.4, Schrödinger, LLC, New York, NY, 2011

39

Semmelweis University, Department of Organic Chemistry Molecular modeling in silico tox techniques (target base approaches): Cytochrome P450 (CYP) site of metabolism predictor • Fe-accessibility (from IFD) — natural logarithm of the number of poses for the atom in which the atom was within 5 Å of Fe3+ (larger values indicate greater accessibility) • Intrinsic reactivity — calculated with Hammett and Taft methodology (positive values are more, negative are less reactive) • Overall SOM score — linear combination of the accessibility and the intrinsic reactivity Results are displayed as green circles, in which the radius is proportional to the score, larger scores mean higher reactivity.

40

Semmelweis University, Department of Organic Chemistry Site of Metabolism results for MAO-B inhibitors CYP2C Overall score

• • •

Fe-accessibility

Intrinsic score

Fe-accessibility (from IFD) — natural logarithm of the number of poses for the atom in which the atom was within 5 Å of Fe3+ (larger values indicate greater accessibility) Intrinsic reactivity — calculated with Hammett and Taft methodology (positive values are more, negative are less reactive) Overall SOM score — linear combination of the accessibility and the intrinsic reactivity

Semmelweis University, Department of Organic Chemistry Site of Metabolism CYP2C9 poses for SZV-558

Docked SZV-558 poses (orange), active Hem ring (torquise) withe Fe3+ (red)


3. Ligand alapú modellezés farmakofór és QSAR

43


3.1 Pharmacophore modelling • Phase pharmacophores • Examples: antimalarial benzo-δ-carbolines, MAO-B 3.2 Quantitative Structure Activity Realtionship (QSAR) • Field based QSAR: CoMFA/CoMSIA and Phase • Examples: antimalarial benzo-δ-carbolines

44


Ligand-based modelling „You don’t know the structure of your target? No problem!” When to use ligand-based techniques? 1. 3D structure of the target protein is unknown • GPCRs • Ion channels • Poorly resolved/low-resolution structures 2. Chemistry of active compounds is known Strengths: Fast, effective, and capable of finding similar bioactive compounds BUT remember: Ligand-based drug discovery does NOT use a 3D model of your receptor (or enzyme) structure, therefore docking is NOT a Ligand-based drug discovery. Ligand-based drug discovery is NOT homology modeling.

45


Ligand-based modelling „If there’s no receptor structure, how does it work?” Many methods, but one fundamental assumption: Chemical structure dictates chemical activity. 1. 2. 3. 4.

Begin with active compounds. Describe what chemistry those compounds have in common. Find new compounds that match this description. Compounds that match the description will also be active.

BUT remember: Every method must describe what makes a compound active … so any method is only as good as its description! Every method must describe how active compounds are similar to each other. Different methods have different ways of describing similarity. 46


3.1 Pharmacophore modelling Paul Ehrlich: „a molecular framework that carries (phoros) the essential features responsible for a drug’s (=pharmacon's) biological activity” (Ehrlich. Dtsch. Chem. Ges. 1909, 42: p.17) Peter Gund: „a set of structural features in a molecule that is recognized at a receptor site and is responsible for that molecule's biological activity” (Gund. Prog. Mol. Subcell. Biol. 1977, 5: p. 117–143)

By definition, a pharmacophore modell is a spatial arrangement of chemical features that confers activity toward a given target. • • •

Remember, a pharmacophore model is a specific arrangement of chemical features in space. So it’s not enough to know that all your active compounds have (for example) specific features in common… You need to know where these features are in relation to one another.

Jargon: Pharmacophore features = Chemical features Pharmacophore sites = Specific feature on a specific molecule Pharmacophore hypothesis = Any pharmacophore

47


Pharmacophore modelling Question: If a molecule is flexible, how do you know where the features go in relation to one another? Answer: You need to look at more than just different ligands. You need to look at different conformations of different ligands. Two main conformer search methods are present in Phase: MCMM and ConfGen MCMM (Monte Carlo Molecular Mechanics): • Goal: Exhaustively search conformational space. Find all energetically accessible ligand conformers. • Creates large conformer sets. • Exhaustive searching means one of the conformers is almost always “correct.” ConfGen (conformer generator?) • Goal: Reproduce bioactive conformation. • Goal: Produce as few non-bioactive conformations as possible. • Creates much smaller conformer sets than MCMM. • Gets close to the “correct” conformation, but not as close as MCMM.

48


Pharmacophores in Phase (N) Negative) / (P) Positive (A) Acceptor / (D) Donor

OH OH N

(R) Aromatic ring / (H) Hydrophobic

CH3 OH H3C O

Fexofenadine is a third generation antihistamine (H1) drug used in the treatment of hayfever, allergy symptoms, and urticaria Trade names: Allegra, Telfast, Fastofen, Tilfur, Vifas, Telfexo, Allerfexo) Phase, version 3.3, Schrödinger, LLC, New York, NY, 2011.

49

Semmelweis University, Department of Organic Chemistry Example: antimalarial models for Benzo-δ-carbolines

DPRR.1

PRRR.1

RRRR.3 ID

Survival

Malaria is still one of the most dangerous infectious disease on the world. Despite the efforts toward to develop new agents, only a very few effective synthetic and natural antimalarial drugs were discovered in the past years, while the spread of resistance makes the old and cheap antimalarial agents ineffective.

HRRR.45 Site

Vector

Volume

Selectivity

# Matches

RRRR.3

3.800

0.970

0.993

0.835

1.246

9

DPRR.1

3.795

1.000

1.000

0.800

1.768

6

DRRR.1

3.742

0.990

0.999

0.749

1.270

6

HRRR.45

3.585

0.860

0.995

0.728

1.473

7

The main alkaloid of Cryptolepis sanguinolenta is cryptolepine (which constitutes about 1% of dried roots). Other quindoline structure based alkaloids were also isolated from this plant, they also shoved strong (IC50 1-100 µM) antiplasmodial activity agains P. Falciparum chloroquine-resistant strains, while quindoline was somehow less active.

Arzel et al., New Synthesis of Benzo-δ-carbolines, Cryptolepines, and Their Salts. J. Med. Chem. 2001, 44, 949-

Semmelweis University, Department of Organic Chemistry Example: MAO-B inhibitor pharmacophore models R – aromatic H – hydroph. P – posive D – donor

DHPR 60 Surv.: = 3.448 Sel.: 1.914

DHPR 111 Surv.: = 3.411 Sel.: 1.915

HHPR 109 Surv.: = 3.330 Sel.: 1.912

DHPR 109 Surv.: = 3.339 Sel.: 1.918

51


3.2 Quantitative Structure Activity Realtionship (QSAR) Quantitative Structure-Activity Realtionship (QSAR) is mathematical equation based on molecular descriptors and/or substructural molecular attributes (X variables)that are correlated with biological data (Y variable) with a suitable algorithm (MLR, PLS, NN etc.)

y = a + x1w1 + x2w2 + … + xnwn QSAR is used as a predictive technique to estimate biological data of new chemicals based upon a model of a training set of chemicals with known activity and a defined chemical space. The most commonly modeled biological data by QSAR are EC50/IC50 and Ki , always the (negative) logarithms (pEC50/pIC50 pKi) are used.

QSAR is sometimes QSPR: quantitative structure-PROPERTY relationship


A simple QSAR model „In a traditional sense, a QSAR can be performed without a computer.” Early example that many believe led to the modern day concept of QSARs for pharmacology: relationship between the 1-octonal and water partition coefficients with the structures of 203 mono- and di-substituted benzenes. log (1/C) = kπ − k’π2 + ρσ + k” → log (1/C) = 4.08π − 2.14π2 + 2.78σ + 3.36 π - the difference in the log of the octanol–water partition coefficient of the analogue (as compared with the unsubstituted compound) σ - is the Hammett constant referred to the ortho position on the aromatic ring

However, with the advent of computer-assisted QSARs, higher computational power, higher throughput, and discovery of new molecular features (descriptors), a higher versatility in quantifying the SAR relationship has been attained. Hansch C, Maloney PP, Fujita T, Muir RM. Correlation of biological activity of phenoxyacetic acids with Hammett substituent constants and partition coefficients. Nature 1962, 194:178–180.


The Basics of Field-Based QSARs

X Variable Table Compound 1 Compound 2 ... ... ... Compound n

+0.015 -0.008 -0.011 . . . -0.019 . . . +0.011 -0.003 -0.008 . . . -0.028 . . . ... . . . Field Type A Field Type B . ... +0.009 -0.020 +0.032 . . . -0.014 . . .

Number of X columns >> Number of compounds • System is highly underdetermined • Use Partial Least Squares (PLS) regression to fit activities Y in terms of orthogonal factors Pk: Y = b0 + b1XP1 + b2XP2 ⋅ ⋅ ⋅ • Similar to PCA regression, except that the PLS factors are deliberately constructed to correlate with Y Phase, version 3.3, Schrödinger, LLC, New York, NY, 2011.

Semmelweis University, Department of Organic Chemistry The dimensionality of QSAR approaches Dimensio n

Descriptors, data

1D-QSAR

Affinity correlates with global molecular properties of ligands (pKa, logP, PSA, ect.)

2D-QSAR

Affinity correlates with structural patterns (connectivity, 2-D pharmacophore ect.) without consideration of an explicit 3D representation of these properties

3D-QSAR

Affinity correlates with the tree-dimensional structure of the ligands

4D-QSAR

Ligands are represented as an ensemble of potential binding modes (different conformations, orientations, protonation states, tautomers, stereoisomers)

5D-QSAR

4D-QSAR + explicit representation of different induced-fir models

6D-QSAR

5D-QSAR + different solvation scenarios


The Alignment Problem Build by hand, keeping common backbone aligned • The preferred method for minimizing noise in the QSAR model • Extremely tedious for large data sets Use co-crystallized structures • Usually not an option • Induced fit effects add noise to alignments • What about compounds that don’t bind? Flexible superposition • The easiest approach • May or may not be practical, depending on the method used Pharmacophore based aligment • How can you be sure that the pharmacophore model is relevant? A QSAR based on molecular descriptors DOES NOT need aligment, they are often refered as ‘alignemnt free QSARs’.


Judging the quality of QSAR models The success of any QSAR model depends on: • accuracy of the input data • selection of appropriate descriptors and statistical tools • validation of the developed model Different aspects of validation of QSAR models that need attention includes methods of selection of training set compounds, setting training set size and impact of variable selection for training set models for determining the quality of prediction. Development of novel validation parameters for judging quality of QSAR models is also important.

57


Validation of QSAR models Validation is the process by which the reliability and relevance of a procedure are established for a specific purpose. 1. 2. 3. 4.

cross-validation using training set like LOO, LMO (leave one/multiple out) validation by dividing the data set into training and test compounds true external validation by application of model on external data and with data randomization (Y-scrambling, shuffle test)

Leave one-out (LOO) cross-validation generally leads to an overestimation of predictive capacity, and even with external validation, no one can be sure whether the selection of training and test sets was manipulated to maximize the predictive capacity of the model being published. Dividing data set means less data is used for model building. Often hard to find additional data with equal quality for external validation.

58


Statistical parameters used by QSAR models

Phase, version 3.3, Schrödinger, LLC, New York, NY, 2011.


Field-Based QSARs Comparative Molecular Field Analysis (CoMFA) was developed by Trypos Inc. and maybe the most widespread QSAR modelling tool. It was developed into a new package called CoMSIA by using Gaussian fields. Phase was the original, pharmacophore based QSAR program package of Schrodinger, (Gaussian) field based QSAR has been integrated recently. CoMFA Force fields • Steric (Lennard-Jones 6-12) • Electrostatic (1/r2)

CoMSIA / Gaussian fields • Steric • Electrostatic • Hydrophobic • H-bond acceptor • H-bond donor


Steric Force Fields • An sp3 carbon probe is placed at each grid point (xi, yi, zi), with 1 Å spacing by default • The field at (xi, yi, zi) is the sum of OPLS 2005 Lennard-Jones interactions between the probe and all atoms j in the structure: FS (xi, yi, zi) = 4Σjsqrt(ɛiɛj)[(σiσj/rij)12-(σiσj/rij)6] • If | FS (xi, yi, zi) | > 30 kcal, it is set to 30 kcal • If (xi, yi, zi) is within 2Ǻ of any atom in a training set compound, the X variable associated with FS (xi, yi, zi) is eliminated • If the standard deviation of FS (xi, yi, zi) evaluated over the training set is less than 0.01, the X variable associated FS (xi, yi, zi) is eliminated



Electrostatic Force Fields • A +1 point charge probe is placed at each grid point (xi, yi, zi) • The field at (xi, yi, zi) is the sum of electrostatic interactions between the probe and all atoms j in the structure, using a distance-dependent dielectric and OPLS 2005 partial atomic charges qj : FE (xi, yi, zi) = 332.06Σjqj/rij2 • FE(xi, yi, zi) is thresholded at 30 kcal and the associated X variable is retained or eliminated according to the rules described for steric fields



Gaussian Steric Fields • A dummy probe is placed at each grid point (xi, yi, zi) • The field at (xi, yi, zi) is the sum of Gaussian terms that contain a cubic dependence on the vdW radius Rj of each atom j in the structure: FS (xi, yi, zi) = ΣjRj3exp(-αrij2) • Since Gaussian fields are well behaved near atoms, thresholding is not done, and grid points are not eliminated if they are too close to an atom. • If the standard deviation of FS (xi, yi, zi) evaluated over the training set is less than 0.01, the X variable associated with FS (xi, yi, zi) is eliminated



Gaussian Steric Fields • An acceptor/donor probe is placed at each grid point (xi, yi, zi) • The field at (xi, yi, zi) is the sum of Gaussian terms arising from each projected acceptor point Ai or each projected donor point Diin the structure: FA (xi, yi, zi) = ΣAjexp(-αrij2) FD (xi, yi, zi) = ΣDjexp(-αrij2) • The associated X variable is retained or eliminated according to the standard deviation rule


Semmelweis University, Department of Organic Chemistry PÉLDA: antimalarial δ-kinolidin CoMFA model Model

q2

n SDEP r2

A

0.557 2 0.662 0.775 0.472 48.341a

1.111(0.559) 0.876(0.411)

B

0.643 3 0.606 0.871 0.363 61.010b

1.523(0.538) 1.306(0.462)

AR

0.647 3 0.603 0.843 0.401 48.477b

1.318(0.596) 0.893(0.404)

BR

0.698 3 0.557 0.882 0.348 67.482b

1.96(0.594)

s

F

ste

Refined A model (non-cross-validated)

1

1

0.5

0.5

-0.5

0.5

1.5

-0.5

-1

log Ki (calculated)

log Ki (calculated)

-1.5

1.5

y = 0.8824x - 0.1145 2 R = 0.8827

0 -2.5

1.021(0.406)

Refined B model (non-cross-validated)

1.5

y = 0.8433x - 0.1512 2 R = 0.8443

Ele

0 -2.5

-1.5

-0.5

0.5 -0.5

-1

-1.5

-1.5

-2

-2

-2.5 log Ki (measured)

Sybyl 7.2 CoMFA

-2.5 log Ki (measured)

1.5

Semmelweis University, Department of Organic Chemistry PÉLDA: antimalarial δ-kinolidin CoMFA contur maps 7

35 b

7

35 b

Sybyl 7.2 CoMFA

7

35 b

7

35 b

Semmelweis University, Department of Organic Chemistry PÉLDA: antimalarial δ-kinolidin PHASE model

ID

# Factors

SD 0.472 7 0.340

Rsquared

F

P 2.203e007

Stabilit y

RMSE

Qsquared

PearsonR 67


4. Szerkezet alapú modellezés szerkezet alapú farmakofór és dokkolás

68


4.1 Gyógyszer-receptor kölcsönhatások 4.2 Szerkezetalapú farmakofór modell 4.2 Dokkolás

69


Drug-Receptor Interactions Models of ligand (L) binding to a receptor: Receptor

Receptor

L

Lock and key.

L

Receptor

L

Receptor

Receptor

L

Induced fit

Induced fit.

L

Receptor

Stabilization of confor -mational ensembles.

Receptor

Receptor

Receptor

L

Receptor

L 70


Drug-Receptor Interactions Thermodynamics

D+R D+R

DR Kas

DR

DR* KDR

DRG*

response response

Ki = [ligand] [receptor] / [ligand·receptor] Ki = 10-9 M = 1 nM

ΔG = -51 kJ/mol

The interaction of most ligands with their binding sites can be characterized in terms of a binding affinity (Ki). Binding affinity is most commonly determined using a radiolabeled ligand, known as hot ligand. Homologous competitive binding experiments involve binding-site competition between a hot ligand and a cold ligand (untagged ligand). Binding free energy ΔGb (Gibbs free energy) is enthalpy minus the product of thermodynamic temperature and entropy. It was formerly called free energy or free 71 enthalpy.


Drug-Receptor Interactions PRODUCTIVE

DG = DH - TDS = -RTlnKas

1. Electrostatic interactions q iq j er 2. Inductive interactions a) in ligand or receptor b) between ligand and receptor a a ~ 4 ~ 6 r r 3. Non-polar interactions a1a2 I1 I2 I1+I2 r4 4. Hydrogen bond 5. Hydrophobic interactions

COSTS 1. Entropic

2. Enthalpic - desolvation - higher energy conformation

72


Drug-Receptor Interactions ∆Srt ∆HDW ∆Sint

∆HRW

∆SW

∆Svib ∆HDR

73


Drug-Receptor Interactions

ΔG = TΔSr,t + nDOFEDOF + nxEx TΔSr,t represents the unfavourable entropy term for a ligand binding to its

receptor, assumed to be constant, and estimated to be 14 kcal mol-1

nDOF represents the internal degrees of conformational freedom, rotatable bonds in the ligand

EDOF represents the average entropy loss on binding per rotatable bond nx

represents the number of times that the functional group X appears in the ligand

Ex

represents the derived average intrinsic binding energy for group X. 74


Drug-Receptor Interactions The binding energies EX are associated with each functional group X, when nx functional groups are present in the drug. EX incorporates a number of terms: • the enthalpy of interaction between the functional group and its corresponding binding site in the receptor, • the enthalpy changes associated with the removal of water of hydration from the functional group and its target site and the subsequent formation of bonds between the displaced water molecules, and • the corresponding entropy terms associated with the displacement and subseqent bonding of water molecules, • the binding energy may also include a contribution due to the low-frequency vibrational entropy associated with the bonds formed between the functional group and its partner. 75


Drug-Receptor Interactions The role of stereoisomerism H

H

S-enantiomer

R-enantiomer

OH

C Me

CO 2H

C Me

CO 2H

Enzyme

OH

Enzyme 76


Structure-based pharmacophore modelling Ligand Scout 3.0 (DEMO), a structure- and ligand-based pharmacophore model generator was used • PDB files downloaded from RCSB database • structure-based pharmacophores were generated with macromolecule environment (excluded volumes) • 3D pharmacophore databases were generated for SZV-ICES compounds with Phase (up to 100 conformers / compound) • pharmacophore models were imported into Maestro • Candidates were selected via Pharmacophore based in silico screening 77

Semmelweis University, Department of Organic Chemistry 1,1'-(1E)-but-1-ene-1,4-diyldibenzene (1PB)

Structure Based Ligand Scout model for 2V5Z

J.Med.Chem. 2007 50: 5848, resolution: 1.6 Å; inhibitor: Safinamide

78


Structure-based pharmacophore models

2VZ2 (J.Med.Chem. 2008. 51: 8019), resolution: 2.2 Å; inhibitor: Mofegiline H – hydroph. and aromatic These modells were used for P – posive and domor the identification of active D – donor and positive MAO-B inhibitor candidates during the in silico HTS.

2XFQ (J.Biol.Chem. 2010 285: 36849), resolution: 2.2 Å; inhibitor: Rasagiline (R)

2BYB (Proc.Nat.Acad.Sci. 2005 102: 12864), resolution: 2.2 Å; inhibitor: Selegiline (R)


Docking Softwares Schrödinger: Glide

http://www.schrodinger.com/

AutoDock

http://autodock.scripps.edu/

GOLD

http://www.ccdc.cam.ac.uk/products/life_sciences/gold/

MOE (Chemical Computing group): FlexX http://www.chemcomp.com/software-sbd.htm

Discovery Studio (Accelrys):

http://accelrys.com/products/discovery-studio/ Glide, version 5.7, Schrödinger, LLC, New York, NY,


Methods for of determining protein structures 1. X-ray chrystallography

2. 1H-NMR (Proton Nuclear Magnetic Resonance)

Remember: Most protein structures are determined by X-ray chrystallography X-ray chrystallography structures contains coordinates for heavy atoms (including waters’ Oxygen atoms), BUT does not contains coordinates for Hydrogen atoms or bond orders A typical resolution for an X-ray structure is between 2-4 Å. 81


Protein databeses 1. Research Collaboratory for Structural Bioinformatics (RCSB): http://www.rcsb.org

Aworldwide repository of information about the 3D structures of large biological molecules, including proteins and nucleic acids.

2. Protein Data Bank Europe (PDBe): http://www.ebi.ac.uk/pdbe/

European resource for the collection, organisation and dissemination of data on biological macromolecular structures.

3. The UniProt Knowledgebase (UniProtKB): http://www.uniprot.org/

Central hub for the collection of functional information on proteins, with accurate, consistent and rich annotation.

4. National Center for Biotechnology Information (NCBI) protein: http://www.ncbi.nlm.nih.gov/protein

82


Protein preparation before docking A typical PDB structure file consists only of heavy atoms, can contain waters, cofactors, and metal ions, and can be multimeric. The structure generally has no information on bond orders, topologies, or formal atomic charges. Terminal amide groups can also be misaligned, because the X-ray structure analysis cannot usually distinguish between O and NH2. Ionization and tautomeric states are also generally unassigned. Typical steps for Protein Preparation Wizard procedure: 1. Import from database 2. Simplify multimeric complexes 3. Locate any waters you want to keep, then delete all others 4. Adjust the protein, metal ions, and cofactors 5. Adjust the ligand bond orders and formal charges 6. Run a restrained minimization of the protein structure 7. Review the prepared structures Prime version 2.3,Schrödinger, LLC, New York, NY, 2011.


Docking (computational) Docking is a molecular modeling method which predicts the preferred orientation of a smaller (ligand) molecule to greater (target) molecule when bound to each other to form a stable complex. The knowledge of the preferred orientation (pose) in turn may be used to predict the strength of association or binding affinity between two molecules using for example scoring functions. Typical targets for docking are mostly proteins • receptors (with agonists or antagonists as ligands) • enzymes (with substrates or inhibitors as ligands) The scoring function takes a pose as input and returns a number indicating the likelihood that the pose represents a favorable binding interaction. Most scoring functions are physics-based molecular mechanics force fields that estimate the energy of the pose; a low (negative) energy indicates a stable system and thus a likely binding interaction.


Glide (Grid-based Ligand Docking with Energetics Glide searches for favorable interactions between one or more ligand molecules and a receptor moleculeand automatically generates conformations for each input ligand. The combination of position and orientation of a ligand relative to the receptor, along with its conformation in flexible docking, is referred to as a ligand pose. The ligand poses that Glide generates pass through a series of hierarchical filters that evaluate the ligand’s interaction with the receptor. The initial filters test the spatial fit of the ligand to the defined active site, and examine the complementarities of ligand-receptor interactions using a grid-based method patterned after the empirical ChemScore function. Poses that pass these initial screens enter the final stage of the algorithm, which involves evaluation and minimization of a grid approximation to the OPLS-AA non-bonded ligandreceptor interaction energy. Final scoring is then carried out on the energy-minimized poses. By default, Schrödinger’s proprietary GlideScore multi-ligand scoring function is used to score the poses. Glide, version 5.7, Schrödinger, LLC, New York, NY,

Semmelweis Egyetem, Szerves Vegytani Intézet A „Grid” létrehozása Glide program segítségével Példa: humán MAO-B enzim 2V5Z Alapértelmezett beállítás: a kötőhelyet magába foglaló dobozt (enclosing box) az együtt kristályosított ligandum alapján határozzuk meg

A nagyobbik doboz azt a térrészt jelöli, amelyen belül a ligand elmozdulhat A kisebbik dobozon belül kell maradnia a ligandum mértani középpontjának


The Glide docking hierarchy The ligand poses that Glide generates pass through a series of hierarchical filters that evaluate the ligand’s interaction with the receptor. The initial filters test the spatial fit of the ligand to the defined active site, and examine the complementarity of ligandreceptor interactions using a grid-based method patterned after the empirical ChemScore function.

Glide, version 5.7, Schrödinger, LLC, New York, NY,


Definition of core and rotamer groups

Glide, version 5.7, Schrödinger, LLC, New York, NY, 2011.

Conformational flexibility is handled in Glide by an extensive conformational search, augmented by a heuristic screen that rapidly eliminates unsuitable conformations, such as conformations that have long-range internal hydrogen bonds.


Glide dokkolási szintek Három szint van: • HTVS: nagy adatbázisok in silicio szűrésére (gyors de pontatlan) • SP: kisebb ligandszettek dokkolására teljesítmény ~ pontosság • XP: nagy pontosságú de nagy számítási kapacitás igényű módszer Három metódus közül választhatunk: • a ligandum flexibilis (konformer generálás történik!) • a ligandum merev (rigid docking) • csak „finomítjuk” a ligandum helyzetét (refinement docking) • dokkolás nélkül az adott helyzetet pontozzuk (scoreing)


Schrödinger Glide dock Scoring GScore = 0.065*vdW + 0.130*Coul + Lipo + Hbond + Metal + BuryP + RotB + Site vdW Coul Lipo Hbond Metal

BuryP RotB Site

Van der Waals energy. Calculated with reduced net ionic charges on groups with formal charges, such as metals, carboxylates, and guanidiniums. Coulomb energy. Calculated with reduced net ionic charges on groups with formal charges, such as metals, carboxylates, and guanidiniums. Lipophilic term derived from hydrophobic grid potential. Rewards favorable hydrophobic interactions. Hydrogen-bonding term. Separated into differently weighted components that depend on whether the donor and acceptor are neutral, one is neutral and the other is charged, or both are charged. Metal-binding term. Only the interactions with anionic or highly polar acceptor atoms are included. If the net metal charge in the apo protein is positive, the preference for anionic or polar ligands is included; if the net charge is zero, the preference is suppressed. Penalty for buried polar groups. Penalty for freezing rotatable bonds. Polar but non-hydrogen-bonding atoms in a hydrophobic region are rewarded. 90 Glide, version 5.7, Schrödinger, LLC, New York, NY, 2011.


Other options: Induced Fit Docking Glide docking uses the basic assumption of a rigid receptor. Scaling of van der Waals radii of nonpolar atoms, which decreases penalties for close contacts, can be used to model a slight “give” in the receptor or the ligand or both, and specified hydroxyl groups can be allowed to reorient to optimize hydrogen bonding. This may not be sufficient to treat systems where ligand binding induces substantial conformation changes in the receptor (“induced fit”). Schrödinger has developed a procedure for such cases which uses Prime and Glide to perform induced fit docking.



Other options: QM-Polarized Ligand Dockin The QM-Polarized Ligand Docking protocol aims to improve the partial charges on the ligand atoms in a Glide docking run by replacing them with charges derived from quantum mechanical calculations on the ligand in the field of the receptor. In this way the polarization of the charges on the ligand by the receptor is accounted for, and re-docking of the ligands with these new charges can result in improved docking accuracy.



Példa: MAO-B enzim inhibitorok dokkolása (Glide)

93

Semmelweis University, Department of Organic Chemistry Docking Process (Schrödinger: Glide) • Standard Precision (SP) dockings, standard settings • 0.8 van der Waals radii scaling (for ligands), cutoff 0.15 • Up to 10 best poses were saved for each ligands

Glide version 5.7, Schrödinger, LLC, New York, NY, 2011.

94


Example: MAO-B X-Ray structures with reversible inhibitors H

• 1OJB (Proc.Natl.Acad.Sci. 2001 102: 12864), resolution: 2.3 Å; inhibitor: 1,1'(1E)-but-1-ene-1,4-diyldibenzene

H

H3C

• 2BK3 (J.Biol.Chem. 2005 280: 15761), resolution: 1.8 Å; inhibitor: Farnesol • 2V5Z (J.Med.Chem. 2007 50: 5848), resolution: 1.6 Å; inhibitor: Safinamide • 3PO7 (J.Med.Chem. 2011 54: 909), resolution: 1.8 Å; inhibitor: Zonisamide

H3C

OH

H3C

H3C

F

H

OH

CH3

NH

N O H

O N O S

NH2

O

95


MAO-B REVERSIBLE inhibitor dockings 1,1'-(1E)-but-1-ene -1,4-diyldibenzene

Safinamide

ΔGExp = 6.0 Farnesol ΔGCalc = 8.7-9.3

ΔGExp = 8.6 Zonisamide ΔGCalc = 8.8-11.2

ΔGExp = 7.7 ΔGCalc = 3.9-5.0

ΔGExp = 7.5 ΔGCalc = 7.5-8.2

Docking of known reversible inhibitors was a success, although scoring was not highly accurate: safinamide and butenediyldibenzene was overscored, while farnesol was underscored.

96


Example: MAO-B X-Ray structures with irreversible inhibitors CH3

• 2BYB (Proc.Nat.Acad.Sci. 2005 102: 12864), resolution: 2.2 Å; inhibitor: Selegiline (R)

CH N H3C

• 2XFQ (J.Biol.Chem. 2010 285: 36849), resolution: 2.2 Å; inhibitor: Rasagiline (R) (and 1S2Q/1S2Y, 2BK4, 2C72-2C76)

NH CH

F

• 2VZ2 (J.Med.Chem. 2008. 51: 8019), resolution: 2.2 Å; inhibitor: Mofegiline (withouth vinyl-F) • 2BXR (PNAS 2005. 102: 12864), resolution: 3.0 Å; inhibitor: Clorgyline

NH2

F

CH Cl O

N

Cl

97

CH3


X-ray structure 2XFQ with rasagline (and allosteric inh Covalent bond: C ↔ N 1.45 Å

H-bond: N ↔ N 3.09 Å

A couple of MAO-B X-ray structures with rasagiline inhibitor are available in the literature, 2XFQ is the latest and the only with an allosteric imidazoline inhibitor. 98

Bonivento et al, J Biol Chem. 285:36849-36856, 2010


X-ray structure 2XFQ with rasagline (and allosteric inh co-cryst. rasagline co-cryst. 2-(1-benzofuran-2-yl)-1H-imidazole

H-bond: N ↔ O 3.01 Å

Imidazole – Rasagiline distance: ~ 5.50 Å

O ↔ N 2.89 Å

99

Bonivento et al, J Biol Chem. 285:36849-36856, 2010


Constrains

H-bond constrain on the Nitrogen atom of Gln206 sidechain

Distance constrain (maximum) on the (No. 5) Nitrogen atom of FAD cofactor

Using constrains increased the number of poses in the active site withouth decreasing score values. Constrains are often used in in silico HTS in order to 100 enhance the selectivity of screening.

Semmelweis University, Department of Organic Chemistry Comparison of rasagline X-ray structure with re-docked stru Rasagiline X-ray (2XFQ)

Gln 206 FAD Tyr 60 Phe 168 Leu 171 Cys 172 Ile 198 Ile 199 Tyr 326 Leu 328 Met 341 Phe 343 Tyr 398 Tyr 435

3.087 1.449 4.540 5.034 3.992 3.495 3.992 4.251 3.818 4.651 5.537 3.904 / 3.733 3.576 5.265

2.842 2.649 4.694 5.245 3.650 3.800 4.237 4.458 3.611 4.690 5.265 3.621 / 2.936 2.844 4.874

docking score -7.00 -6.93 -6.75 -6.42 -6.35 -6.17 -6.03 -5.96 -5.85 -5.82

lipo -3.25 -3.35 -3.35 -3.33 -3.49 -3.33 -3.23 -3.37 -3.16 -3.13

Rasagiline re-docking pose 2

hbond -0.32 -0.31 -0.24 -0.21 0.00 -0.03 -0.15 -0.01 -0.06 -0.01

metal rewards 0.00 -2.55 0.00 -2.66 0.00 -2.65 0.00 -2.62 0.00 -2.60 0.00 -2.70 0.00 -2.44 0.00 -2.54 0.00 -2.62 0.00 -2.52

evdw -24.13 -22.13 -19.12 -14.13 -23.85 -20.05 -15.54 -15.83 -20.19 -22.27

ecoul -4.83 -3.71 -4.08 -4.01 -0.78 -1.10 -3.31 -2.00 -0.43 -0.71

erotb 1.05 1.05 1.05 1.05 1.05 1.05 1.05 1.05 1.05 1.05

esite 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

emodel -39.98 -36.95 -30.55 -27.39 -34.49 -30.98 -28.81 -28.22 -29.60 -31.80

energy einternal -28.96 3.02 -25.84 2.60 -23.21 9.48 -18.14 4.46 -24.63 3.01 -21.15 2.45 -18.85 1.68 -17.83 0.59 -20.63 3.02 -22.98 3.21

101

Semmelweis University, Department of Organic Chemistry Comparison of rasagline X-ray structure with re-docked stru

Ligand Interaction Diagrams were used to identify interactions between inhibitors and side chain atoms within the active site

102

Semmelweis University, Department of Organic Chemistry. Hatóanyagtervezés. Készítette: Mátyus Péter és Balogh Balázs január 19

Recommend Documents