Тип работы:
 Предмет:
 Язык работы:


Панельный докинг ингибиторов киназ

Работа №111882

Тип работы

Бакалаврская работа

Предмет

химия

Объем работы86
Год сдачи2022
Стоимость4225 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
15
Не подходит работа?

Узнай цену на написание


Введение 7
1 Литературный обзор 9
1.1 CADD - in silico дизайн лекарств 9
1.1.1 SBDD - дизайн лекарств, основывающийся на структуре 9
1.1.2 LBDD - дизайн лекарств, основывающийся на лиганде 21
1.2 Реальные кейсы 23
1.2.1 Панельный докинг 24
2 Результаты и их обсуждение 31
2.1 Сборка киномной панели 31
2.1.1 Выбор и подготовка мишеней 32
2.1.2 Валидация панели 33
2.2 Панельный докинг 39
3 Экспериментальная часть 44
3.1 Подготовка белковых молекул 44
3.2 Подготовка лигандов 44
3.3 Молекулярный докинг 45
3.3.1 Нативный докинг 45
3.3.2 Панельный докинг 45
Заключение 46
Список используемых источников 47
Приложение А. Результаты нативного докинга 55
Приложение Б. Результаты валидации 67
Приложение В. Результаты панельного докинга 75


Методы in silicoдизайна лекарств в настоящий момент являются важнейшим этапом практически любого проекта в области медицинской химии [1].
Молекулярный докинг - один из фундаментальных инструментов компьютерной химии - представляет собой способ молекулярного моделирования, позволяющий предсказать конформацию связывания малой молекулы в активном сайте белковой мишени и определить энергию их взаимодействия с помощью скоринговой функции [10].
Методология энергетического скоринга и молекулярной стыковки лежит в основе виртуального скрининга (VS) - in silicoальтернативы in vitro высокопроизводительного скрининга (HTS) [25].
VS дешевле, проще и быстрее своего классического аналога. К тому же позволяют охватить гораздо большее химическое пространство скринируемых соединений. Безусловно, in silicoвычисления все еще не могут продемонстрировать должный уровне точности и воспроизводимости, однако повсеместно используются в качестве хорошего дополнения к методам in vitro [25].
Потребность в скрининге виртуальной библиотеки соединений не на одной мишени, а на некоторой группе - панели - позволяет удовлетворить иная методология - обратный виртуальный скрининг (IVS), также именуемый панельным докингом [26, 27].
IVS используется для идентификации нецелевых взаимодействий биоактивного агента и может позволить предсказать нежелательные токсические и побочные эффекты или обеспечить новое направление для развития какого- либо соединения [49, 59].
Цель работы:
Сборка виртуальной панели протеинкиназ и проведение на ее основе панельного докинга библиотеки соединений, обладающих анти -ММ активностью, с целью идентифицировать механизм их цитотоксичности.
Задачи:
- подбор и ранжирование мишеней; подготовка белковых комплексов и финальная проверка качества структур с помощью нативного докинга;
- подготовка стандартной библиотеки и проведение валидации панели;
- проведение панельного докинга исследуемых соединений;
- анализ результатов панельного докинга.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

По результатам проделанной работы можно сделать следующие выводы:
- Был проведен подбор комплексов, содержащих различные киназы, их подготовка и оценка с помощью нативного докинга. Суммарно было подготовлено более 300 комплексов, содержащих 145 киназ;
- Проведена валидация и финальная оптимизация комплексов в составе панели. Киназная панель в таком виде может использоваться во всех дальнейших проектах Центра медицинской химии;
- Для соединений, обладающих анти-ММ активностью был проведен докинг на подготовленной панели с целью идентификации механизма и мишеней цитотоксичности. Его результаты указывают на низкие значения сродства к киназам.
- Дополнительно был подготовлена структура, содержащая CRBN- IKZF1(ZF). Был проведен докинг библиотеки исследуемых соединений в данный комплекс, значения скоринга указывают на отличные значения сродства. Таким образом, механизм цитотоксичности на клетках ММ человека можно предварительно объяснить деградацией IKZF1, то есть действием со-единений 17, 18 в качестве лигандов CRBN и молекулярных клеев. Подтверждение данной гипотезы необходимо подтвердить в дальнейшем в тестах на истощение уровней IKZF в присутствие данных соединений.



I. Oglic D. Active Search for Computer-aided Drug Design / D. Oglic // Molecular Informatics. - 2018. - № 37. - P. 1¬
2. Kapetanovic I. M. Computer aided darug discovery and development: in silico-chemico-biological approach / I.M. Kapetanovic // Chem. Biol. Interact. - 2008. - № 171. - P. 165-176.
3. Seifollah N. Modern analytical techniques in failure analysis of aero-space, chemical, and oil and gas industries / N. Seifollah // Handbook of Materials Failure Analysis with Case Studies from the Oil and Gas Industry. - 2016. - №
4. Jumper J. Highly accurate protein structure prediction with AlphaFold /J. Jumper, R. Evans // Nature. - 2021. - № 596. - P. 583-589.
5. Wang X. Structure-Based Drug Design Strategies and Challenges / X. Wang // Current Topics in Medicinal Chemistry. - № 18. - P. 998-1006.
6. Хёльтье Х.-Д., Зиппль В., Фолькерс Г., Роньян Д. Молекулярное моделирование. М.: БИНОМ. Лаборатория знаний, 2010, 124 c.
7. Devereux J. A comprehensive set of sequence analysis programs for the VAX / J. Devereux, P. Haeberli, O. Smithies // Nucleic Acids Research. - 1984. - № 12. - P. 387-395.
8. The universal protein resource / A. Bairoch, R. Apweiler, C. Wu et al. // Nucleic Acids Research. - 2005. - № 33. - P. 59-154.
9. The Protein Data Bank / H.M. Berman, J. Westbrook, Z. Feng et al. // Nucleic Acids Research. - 2000. - № 28. - P. 235-242.
10. Yan C. Comprehensive Medicinal Chemistry III. - 3rd ed. - Universi¬ty of Missouri, Columbia, MO, United States, 2017, 319-328 p.
II. Хёльтье Х.-Д., Зиппль В., Фолькерс Г., Роньян Д. Молекулярное моделирование. М.: БИНОМ. Лаборатория знаний, 2010, 11 c.
12. Friesner R. A. A New Approach for Rapid, Accurate Docking and Scoring. 1. Method and Assessment of Docking Accuracy / R.A. Friesner // J. Med. Chem. - 2004. - № 47. - P. 1739-1749.
13. Хёльтье Х.-Д., Зиппль В., Фолькерс Г., Роньян Д. Молекулярное моделирование. М.: БИНОМ. Лаборатория знаний, 2010, 25 с.
14. Equation of state calculations by fast computing machines / N. Me-tropolis, A.W. Rosenbluth, M.N. Rosenbluth et al. // J. Chem. Physic. - 1953. - №
21. - P. 1087-1092.
15. Chang G. An internal coordinate Monte-Carlo method for searching conformational space / G. Chang // J. Am. Chem. Soc. - 1989. - № 111. - P. 4879-4886.
16. Saunders M. Stochastic exploration of molecular mechanics energy SU faces - hunting for the global minimum / M. Saunders // J. Am. Chem. Soc. - 1987. - № 109. - P. 3150-3152.
17. Saunders M. Stochastic Search for the Conformations of Bicyclic Hydrocarbons / M. Saunders // J. Comp. Chem. - 1989. - № 10. - P. 203-208.
18. Saunders M. Conformations of cyelohepta-decane-a comparison of methods for conformational searching / M. Saunders, K.N. Houk // J. Am. Chem. Soc. - 1990. - № 112- P. 1419-1427.
19. Smellie A. Analysis of conformational coverage. Applications of con-formational models. / A. Smellie // J. Chem. Inf. Comput. Sci. - 1995. - № 35. - P. 295-304.
20. Eldridge M. D. Empirical scoring functions: I. The development of a fast empirical scoring function to estimate the binding affinity of ligands in recep¬tor complexes / M.D. Eldridge // J. Comput.-Aided Mol. Des. - 1997. - № 11. - P. 425-445.
21. Murphy R. B. Glide: A New Approach for Rapid, Accurate Docking and Scoring. 2. Enrichment Factors in Database Screening / R.B. Murphy // J. Med. Chem. - 2004. - № 47. - P. 1750-1759.
22. Babine R. E. Molecular recognition of proteinligand complexes: Ap-plications to drug design / R.E. Babine, S.L. Bender // Chem. Rev. - 1997. - № 97. - P. 1359-1472.
23. Whittaker M. Design and therapeutic application of matrix metallo-proteinase inhibitors / M. Whittaker // Chem. Rev. - 1999. - № 99. - P.2735-2776.
24. Bell I. M. 3-Aminopyrrolidinone farnesyltransferase inhibitors: de¬sign of macrocyclic compounds with improved pharmacokinetics and excellent cell potency / I.M. Bell // J. Med. Chem. - 2002. - № 45. - P. 2388-2409.
25. Surabhi S. Computer aided drug design: an overview / S. Surabhi, B. Singh // J. Drug Deliv. Ther. - 2018. - № 8. - P. 504-509.
26. Hamza A. Ligand-Based Virtual Screening Approach Using a New Scoring Function / A. Hamza , N.-N. Wei, C.-G. Zhan // J. Chem. Inf. Model. -
2012. - № 52. - P. 963-974.
27. Sass P. Antibiotics. Methods and Protocols. - 1st ed. - New York: Springer, 2017, 85-106 p.
28. Santana K. Applications of Virtual Screening in Bioprospecting: Facts, Shifts, and Perspectives to Explore the Chemo-Structural Diversity of Natu¬ral Products/ K. Santana // Front. Chem. - 2021. - № 9. - P. 662-688.
29. Horvath D. A virtual screening approach applied to the search for trypanothione reductase inhibitors. / D. Horvath // J. Med. Chem. - 1997. - № 2623. - P. 2412-2423.
30. Octopus: a platform for the virtual high-throughput screening of a pool of compounds against a set of molecular targets. / E.H. Maia, V.A. Campos, B. dos Reis Santos B et al. // J. Mol. Model. - 2017. - № 23. - P. 23-26.
31. Liu J. On classification of current scoring functions. / J. Liu, R. Wang // J. Chem. Inf. Model. - 2015. - № 55. - P. 475-482.
32. Molecular docking: a powerful approach for structure-based drug dis-covery / X.-Y. Meng, H.-X. Zhang, M. Mezei et al. // Curr. Comput. Aided. Drug Des. - 2011. - № 7. - P. 146-157.
33. Kuntz I. A geometric approach to macromolecule-ligand interactions / I. Kuntz // J. Mol. Biol. - 1982. - № 161. - P. 269-288.
34. Leelananda S. P. Computational methods in drug discovery. Beilstein / S.P. Leelananda, S. Lindert // J. Org. Chem. - 2016. - № 12. - P. 2694-2718.
35. Gore M. Computational Drug Discovery and Design. - 1st ed. - New York: Springer, 2018 31-50 p.
36. A critical assessment of docking programs and scoring functions / G.L. Warren, C.W. Andrews, A. Capelli et al. // J. Med. Chem. - 2006. - № 49. - P. 5912-5931.
37. Koonin E.V. The structure of the protein universe and genome evolu-tion / E.V. Koonin, Y.I. Wolf, G.P. Karev // Nature. - 2002. - № 420. - P. 218¬223.
38. Blom N.S. High resolution fast quantitative docking using Fourier domain correlation techniques / N.S. Blom, J. Sygusch // Proteins. - 1997. - № 27. - P. 493-506.
39. Kellenberger E. Similar interactions of natural products with biosyn-thetic enzymes and therapeutic targets could explain why nature produces such a large proportion of existing drugs. / E. Kellenberger, A. Hofmann, R.J. Quinn // Nat. Prod. Rep. - 2011. - № 28. - P. 1483-1492.
40. Drug discovery using chemical systems biology: repositioning the safe medicine Comtan to treat multi-drug and extensively drug resistant tuberculo¬sis / S.L. Kinnings, N. Liu, N. Buchmeier et al. // PLoS Comput. Biol. - 2009. - № 5. - P. 1-8.
41. Binding of protein kinase inhibitors to synapsin I inferred from pair-wise binding site similarity measurements / E. Defranchi, C. Schalon, M. Messa et al. // PLoS ONE. - 2010. - №5. - P. 1-9
42. McArdle B. A common protein fold topology shared by flavonoid bi-osynthetic enzymes and therapeutic targets / B. McArdle, M. Campitelli, R.J. Quinn // J. Nat. Prod. - 2006. - № 69. - P. 14-17.
43. Inverse virtual screening of antitumor targets: pilot study on a small database of natural bioactive compounds / G. Lauro, A. Romano, R. Riccio et al. // J. Nat. Prod. - 2011. - № 74. - P. 1401-1407.
44. Recent Advances in Ligand-Based Drug Design: Relevance and Utili¬ty of the Conformationally Sampled Pharmacophore Approach / C. Acharya, A.
Coop, E.J. Polli et al. // Curr. Comp. Aided-Drug Design. - 2011. - № 7. - P. 10¬
22.
45. Akamatsu M. Current state and perspectives of 3D-QSAR. / M. Ak- amatsu // Curr. Top. Med. Chem. - 2002. - № 2. - P. 1381-1394.
46. Verma R. P. Camptothecins: A SAR/QSAR Study / R. P. Verma, C. Hansch // Chem. Rev. - 2009. - №109. - P. 213-235.
47. Klebe G. Virtual ligand screening: Strategies, perspectives and limita-tions / G. Klebe // Drug Discov. Today. - 2006. - № 11. - P. 580-594.
48. Docking and scoring in virtual screening for drug discovery: Methods and applications / D.B. Kitchen, H. Decornez, J.R . Furr et al // Nat. Rev. Drug Discov. - 2004. - № 3. - P.935-949.
49. Ji H.-F. Natural products and drug discovery. Can thousands of years of ancient medical knowledge lead us to new and powerful drug combinations in the fight against cancer and dementia? / H.-F. Ji, X.-J. Li, H.-Y. Zhang // View-point. - 2009. - № 10. - P. 194-200.
50. Do Q.-T. Pharmacognosy and reverse pharmacognosy: a new concept for accelerating natural drug discovery / Q.-T. Do, P. Bernard // IDrugs. 2004. № 7. P. 1017-1027.
51. Reverse pharmacognosy: application of selnergy, a new tool for lead discovery. The example of epsilon-viniferin/ Q.-T. Do, I. Renimel, P. Andre et al. // Curr. Drug Discov. Technol. - 2005. - № 2. P. 161-167.
52. Reverse pharmacognosy: identifying biological properties for plants by means of their molecule constituents: application to meranzin / Q.-T. Do, I. Renimel, P. Andre et al. // Planta Med. - 2007. - № 73. - P. 1235- 1240.
53. Inverse Virtual Screening allows the discovery of the biological activ-ity of natural compounds / G. Lauro, M. Masullo, S. Piacente et al. // Bioorg. Med. Chem. - 2012. - № 20. - P. 3596-3602.
54. Fogel D. B. Factors associated with clinical trials that fail and oppor-tunities for improving the likelihood of success: A review / D.B. Fogel // Contem-porary Clinical Trials Communications. - 2018. - № 11. - P. 156-164.
55. Failure of Investigational Drugs in Late-Stage Clinical Development and Publication of Trial Results / T. J. Hwang, D. Carpenter, J. C. Lauffenburger et al. // JAMA Internal Medicine. - 2016. - № 176. - P. 18-26.
56. Development of In Vitro Drug-Induced Cardiotoxicity Assay by Us¬ing Three-Dimensional Cardiac Tissues / T. Maki, M. Shigeru, F. Satsuki et al. // Tissue Engineering Part C: Methods. - 2018. - № 24. - P. 56-67.
57. Chen Y.Z. Ligand-protein inverse docking and its potential use in the computer search of protein targets of a small molecule / Y.Z. Chen, D.G. Zhi// Pro-teins. 2001. - № 43. - P. 217-226.
58. Chen Y.Z. Prediction of potential toxicity and side effect protein tar-gets of a small molecule by a ligand-protein inverse docking approach / Y.Z. Chen, C.Y. Ung // J. Mol. Graph. Model. - 2001. - № 20- P. 199-218.
59. In silico search of putative adverse drug reaction related proteins as a potential tool for facilitating drug adverse effect prediction / Z.L. Ji, Y. Wang, L. Yu et al. // Toxicol Lett- 2006. - № 164. - P. 104-112.
60. Kores K. Mechanistic Insights into Side Effects of Troglitazone and Rosiglitazone Using a Novel Inverse Molecular Docking Protocol / K. Kores, J. Konc, U. Bren // Pharmaceutics. - 2021. - № 13. - P. 3-15.
61. Lebovitz H. E. Thiazolidinediones: the Forgotten Diabetes Medica¬tions / H.E. Lebovitz // Curr. Diabetes Reports. - 2019. - №19. - P. 2-11.
62. Troglitazone Exerts Metabolic and Antitumor Effects on T47D Breast Cancer Cells by Suppressing Mitochondrial Pyruvate Availability / K.-H. Jung, J.H. Lee, J.-W. Park et al. // Oncol. Rep. - 2020. - № 43. - P. 711-717.
63. Zanger U. M. Cytochrome P450 enzymes in drug metabolism: Regu-lation of gene expression, enzyme activities, and impact of genetic variation / U. M. Zanger, M. Schwab // Pharmacology & Therapeutics. - 2013. - № 138. - P. 103-141.
64. Kim S. S. Improving inverse docking target identification with Z- score selection / S. S. Kim, M. L. Aprahamian, S. Lindert // Chemical Biology & Drug Design. - 2019. - P. 2-10.
65. Cohen P. Kinase drug discovery 20 years after imatinib: progress and future directions / P. Cohen, D. Cross, P. A. Janne // Nat. Rev. Drug Discov. - 2021. - Vol. 20. - P. 551-569.
66. Fabbro D. Ten things you should know about protein kinases / D. Fabbro, S. W. Cowan-Jacob, H. Moebitz // Br. J. Pharmacol. - 2015. - Vol. 172. - P. 2675-2700.
67. Madhavi Sastry G. Protein and ligand preparation: Parameters, proto-cols, and influence on virtual screening enrichments / G. Madhavi Sastry, M. Adzhigirey, T. Day, R. Annabhimoju, W. Sherman // J. Comp. Aided. Mol. Des. -
2013. - Vol. 27. № 3. - P. 221-234.
68. Kinase inhibitor profiling reveals unexpected opportunities to inhibit disease-associated mutantkKinases / K. C. Duong-Lu, K. Devarajan, S. Liang et al. // Cell Rep. - 2016. - Vol. 14, № 4. - P. 772-781.
69. Comprehensive assay of kinase catalytic activity reveals features of kinase inhibitor selectivity / T. Anastassiadis, S. W. Deacon, K. Devarajan et al. // Nat. Biotech. - 2011. - Vol. 29. - P. 1039-1045.
70. Omura S. Staurosporine: new lease of life for parent compound of to-day’s novel and highly successful anti-cancer drugs / S. Omura, Y. Asami, A. Crump // J. Antibiot. - 2018. - Vol. 71. - P. 688-701.
71. Checkpoint kinase inhibitors: SAR and radioprotective properties of a series of 2-arylbenzimidazoles / K. L. Arienti, A. Brunmark, F. U. Axe et al. // J. Med. Chem. - 2005. - Vol. 48, № 6. - Р. 1873-1885.
72. Ito T. Molecular mechanisms of thalidomide and its derivatives / T. Ito, H. Handa // Proc. Jpn. Acad., Ser. B, Phys. Biol. Sci. — 2020. — Vol. 96, № 6. — P. 89-203.
73. Defining the human C2H2 zinc-finger degrome targeted by thalido¬mide analogs through CRBN / Q. L. Sievers, G. Petzold, R. D. Bunker et al // Sci¬ence. — Vol. 362, № 6414. — P. 1-9.
74. Asatsuma-Okumura T. Molecular mechanisms of cereblon-based drugs / T. Asatsuma-Okumura, T. Ito, H. Handa // Pharmacol. Ther. — 2019. — Vol. 202. — P. 132-139.
75. Lenalidomide causes selective degradation of IKZF1 and IKZF3 in multiple myeloma cells / J. Kronke, N. D. Uteshi, A. Narla et al // Scince. — 2013. — Vol. 343, № 6168. — Р. 301-305.
76. Extra precision glide: Docking and scoring incorporating a model of hydrophobic enclosure for protein-ligand complexes / R.A. Friesner, R.B. Murphy, M.P. Repasky et al. // J. Med. Chem. - 2006. - Vol. 49, № 21. - P. 6177-6196.


Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ
.