TWI611053B - 為先導藥物最適化之以結構為基礎的片段遷越及合成可行性之改良 - Google Patents
為先導藥物最適化之以結構為基礎的片段遷越及合成可行性之改良 Download PDFInfo
- Publication number
- TWI611053B TWI611053B TW102107081A TW102107081A TWI611053B TW I611053 B TWI611053 B TW I611053B TW 102107081 A TW102107081 A TW 102107081A TW 102107081 A TW102107081 A TW 102107081A TW I611053 B TWI611053 B TW I611053B
- Authority
- TW
- Taiwan
- Prior art keywords
- reaction
- compound
- leadop
- lead
- lead compound
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
- G16B5/30—Dynamic-time models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Biotechnology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本發明開發一種電腦輔助的藥物設計方法和系統,經由合成無障礙之基於結構的藥物設計以最適化先導化合物。在本發明中,開發和實施基於結構的先導化合物最適化之系統:LeadOp+R(為"基於結構之先導化合物最適化的合成無障礙之化學反應路線"之簡稱)-一種演算法,進行合成無障礙之先導化合物最適化。LeadOp+R提供篩選擬組裝之新的片段之優點,其係基於計算在活性部位之基團效率及反應規則而進行鑑別。
Description
一般言之,本發明係關於電腦輔助的分子設計,更具體地說係電腦輔助先導藥物最適化和先導藥物最適化的計算模型。
發現一個新的藥物來治療或治癒某些生物病況,是一個漫長而昂貴的過程,一個藥物通常花費平均12年和800萬美元,且在某些例子,可能需花費高達15年或以上及十億美元始能完成。目前已開發了許多軟體協助開發新的藥物。
先導藥物最適化通常涉及取代基置換與QSAR(quantitative structure-activity relationship;定量結構-活性關係)模型配合以精製並評估與特定生物端點或類藥物性能相關的新化合物。QSAR最適化的使用依賴於一系列分子的已確認化學和生物數據的可獲得性以建立QSAR模型,其能夠預測新化合物的生物活性(或端點)以設計更好的化合物或尋找新系列的化合物。搜尋新骨架的QSAR方法主要取決於感興趣的初始化合物與在數據庫中的化合物的分子相似性。結構特徵的類型與分子相似截斷值影響被篩選的分子。為了克服基於配體的方法中常見的分子相似性偏差,已廣泛使用基於片段的方法。可能的
分子置換物(取代基)的片段庫的建構可藉由搜尋生物電子等排物(bioisosteres)、定位類似的環系統、置換架構的中心原子、用簡單的化學規則(SMART相符、用於定位分子次結構以聚集現行的化合物資料庫)、或已知配體的定義片段方法(Weininger, D. SMILES, A Chemical Language and Information System. 1. Introduction to Methodology and Encoding Rules. J. Chem. Inf. Comput. Sci. 1988, 28, 31-36; Lewell, X. Q.; Judd, D. B.; Watson, S. P.; Hann, M. M. RECAP -Retrosynthetic Combinatorial Analysis Procedure: A Powerful New Technique for Identiying Privileged Molecular Fragments with Useful Applications in Combinatorial Chemistry. J. Chem. Inf. Comput. Sci. 1998,38,511-522; and Fechner, U.; Schneider, G. Flux (2): Comparison of Molecular Mutation and Crossover Operators for Ligand-Based de Novo Design. J. Chem. Inf. Model. 2007,47,656-667)。
藉由共晶結構的配體-受體相互作用的先前知識使得納入這些分子相互作用於搜尋搜索具有不同的核心結構,同時保留類似生物活性的化合物(Grant, M. A. Protein Structure Prediction in Structure-Based Ligand Design and Virtual Screening. Comb. Chem. High Throghput Screening 2009, 12, 940-960)。Bergmannd等人結合基於GRID19之目標蛋白的相互作用輪廓與具配體架構的幾何描述以取得具有離散結構特徵的架構(Bergmann, R.; Linusson, A.; Zamora, 1. SHOP: Scaffold HOP- ping by GRID-Based Similarity Searches. J. Med. Chem. 2007, 50, 2708-2717)。
透過等高線(isocontour)的建立(計算),可鑑別出可能配體-受體相互作用的有利區域。用於計算分子間相互作用區域等高線的分子探針包括水分子、甲基、胺氮(amine nitrogen)、羧基氧(carboxyl oxygen)及羥基。每個探針探尋包含受體或使用者定義的受體區域(如結合位置)的均勻構築的網格(grid)之每個網格點(grid point)。另一個方法,GANDI,是基於片段並藉由連接預對接(predocked)至受體的結
合位點(結合位點內的片段與連接子)以產生新的分子(Dey, F.; Caflisch, A. Fragment-Based de Novo Ligand Design by Multiobjective Evolutionary Optimization. J. Chem. Inf. Model. 2008, 48,679-690)。進行逐次基於力-場(分子)(分子力學)的新複合體之能量最小化以除去立體衝突並最適化配體-受體相互作用以鏡像二維相似性(2D-similarity)及藉由遺傳演算法(genetic algorithm)之原化合物的已知結合模式的三維重疊(3D-overlap)。GANDI方法使用週期蛋白依賴性激酶2(CDK2)生物分子系統評估。CDK2的新生物活性化合物被提出,該化合物包含了獨特的架構和轉換的取代基,其和相應的已知CDK2抑製劑一樣,保留了主要的結合部分。已報導一種先導藥物最適化之基於結構的片段跳躍法,LeadOp,藉由化學或使用者定義的規則分解一結構成不同部分的片段、評估預對接片段資料庫中的每一片段,其根據特定的片段-受體結合相互作用排名片段、取代對結核具較差貢獻的片段、並自每一部分重組片段以形成配體(Fang-Yu Lin and Yufeng J. Tseng, J. Chem. Inf. Model. 2011, 51, 1703-1715)。
在大多數應用電腦輔助藥物設計的基本困難是設計(建議)的分子往往是具不確定的合成可接受性,導致實驗合成與模型設計間的緩慢反饋改善循環。各種合成規劃的軟體,WODCA、SYNGEN及ROBIA被開發,以提供合成路線生成,其涉及搜尋資料庫中與目標化合物相匹配的化學反應或反應中心的轉換規則以提出類似的轉換(Ihlenfeldt, W.-D.; Gasteiger, J. Angew. Chem. Int. Ed. Engl. 1996, 34, 2613.; Hendrickson, J. B.; Toczko, A. G. Pure Appl. Chem. 1988, 60, 1563.; Socorro, I. M.; Goodman, J. M. J. Chem. Inf. Model. 2006, 46, 606)。路線產生的工具,大多為逆合成的軟體,可基於編碼的廣義反應規則建議路線,以確定彼等鍵結不連接最容易導致合成的可接受前驅物,而Hendrickson的研究小組開發出一種基於邏輯的具形式化反應限制的合成設計方法(Hendrickson, J. B.; Grier, D. L.; Toczko, A. G. J. Am. Chem. Soc. 1985, 107, 5228)。路線產生一個很好的例子是Route Designer,使用自動產生自反應資料庫的描述逆合成轉換的規則,並產生起始自可利用反應物的標的分子之完整合成路線(Law, J.; Zsoldos, Z.; Simon, A.; Reid, D.; Liu, Y.; Khew, S. Y.; Johnson, A. P.; Major, S.; Wade, R. A.; Ando, H. Y. J. Chem. Inf. Model. 2009, 49, 593)。結合合成路線設計與目標結合分子的重新設計的軟體也被開發出來,如SPROUT,其起始自骨架產生、接著原子取代以轉換解決方案的骨架成分子並根據合成容易度,排列SPROUT的輸出(Mata, P.; Gillet, V. J.; Johnson, A. P.; Lampreia, J.; Myatt G. J.; Sike, S.; Stebbings, A. J. Chem. Inf. Comput. Sci., 1995, 35, 479)。然而,產生自合成容易度的分子,可能抑制劑的所需要的核心無法很容易地保存下來。因此,需要改進的系統和方法,以最適化具有更高的準確性的先導化合物。
本發明之一目的係提供一種具可合成性的先導藥物最適化之方法,包括:(A)將一先導化合物對接至一目標分子以得到先導化合物及其結合分子的資料;(B)分解該對接之先導化合物以形成片段,並決定擬保留的片段;(C)鑑別含有先導化合物之保留片段之第一建構塊(building block);(D)鑑別反應物並搜尋自反應規則庫中鑑別出的每一反應物的反應規則;(E)反應反應物以基於彼等的反應規則產生反應產物;(F)評估每一反應的每一產物之構形並選擇構形物以與該第一
建構塊反應以生成分子使得最適化先導化合物庫可被建構。以及實施該方法之系統。
本發明具有許多應用,閱讀本揭示之後將是顯而易見的。在描述根據本發明的一個實施例的系統中,只有一小部分的可能的變化被描述。其他應用和變化對本技術領域的普通技術人員將是顯而易見的,因此本發明不應被狹義解釋為僅為實施例,而是應根據所附的申請專利範圍。現在將描述,通過舉例的方式,而不是限制本發明的實施例。但是應當理解,本發明具廣泛的實用性,並且可以在許多不同的內容中使用。
本發明開發一種電腦輔助的藥物設計方法和系統,經由合成無障礙之基於結構的藥物設計以最適化先導化合物。在本發明中,開發和實施基於結構的先導化合物最適化之系統:LeadOp+R(為"基於結構之先導化合物最適化的合成無障礙之化學反應路線"之簡稱)-一種演算法,進行合成無障礙之先導化合物最適化。LeadOp+R提供篩選擬組裝之新的片段之優點,其係基於計算在活性部位之基團效率及反應規則而進行鑑別。
如本文所使用,術語"結合(binding)"為一物理事件,其中配體結合受體部分成穩定組態。
至於本文所使用,術語"對接(docking)"是一個計算過程,其目的為決定允許結合之組態。
如本文所使用,術語"基於結構的藥物設計(structure-based drug design)"的意思是指動態形成分子或配體的過程,有利於與特定的受體部位結合,使用蛋白質結構知識。
如本文所使用,術語"配體(ligand)"為與在特定位置的受體結合的分子。
如本文所使用,術語"分子(molecule)"是基於受體部位而可形成的真實結構。
"LeadOp+R"係考慮合成無障礙而最適化先導化合物而開發出來的方法及系統。LeadOp+R首先讓使用者能夠鑑別擬保留之分子的片段所佔據的體積來定義的保留空間。然後LeadOp+R搜尋具相同保留空間之建構塊作為初始反應物,並根據LeadOp+R反應資料庫之反應規則增長朝向較佳受體-配體相互作用的分子。考慮及評估每一步驟之每一中間產物的多個構形物。具最佳基團效率分數的構形物被選為下一建構塊的起始構形物,直到完成所有選定的受體-配體相互作用最適化的程序。
因此,在一方面,本發明提供一種具可合成性的先導藥物最適化之方法,包括:(A)將一先導化合物對接至一目標分子以得到先導化合物及其結合分子的資料;(B)分解該對接之先導化合物以形成片段,並決定擬保留的片段;(C)鑑別含有先導化合物之保留片段之第一建構塊(building block);(D)鑑別反應物並搜尋自反應規則庫中鑑別出的每一反應物的反應規則;(E)反應反應物以基於彼等的反應規則產生反應產物;(F)評估每一反應的每一產物之構形並選擇構形物以與該第一建構塊反應以生成分子使得最適化先導化合物庫可被建構。
在另一方面,本發明提供一種具可合成性的先導藥物最適化之系統,包括:(i)對接單元,將一先導化合物對接至一目標分子以得到先導化合物及其結合分子的資料;(ii)分解單元,分解該對接之先導化合物以形成片段,並決定擬保留的片段;(iii)第一鑑別單元,鑑別含有先導化合物之保留片段之第一建構塊(building block);(iv)第二鑑別單元,鑑別反應物並搜尋自反應規則庫中鑑別出的每一反應物的反應規則;(v)反應單元,反應反應物以基於彼等的反應規則產生反應產物;及(vi)評估單元,評估每一反應的每一產物之構形並選擇構形物以與該第一建構塊反應以生成分子使得最適化先導化合物庫可被建構。
在一具體實施例,在分解步驟之後,本發明方法另包括(B1)決定擬最適化之先導化合物-目標分子相互作用的方向,及本發明系統另包括決定單元,決定擬最適化之先導化合物-目標分子相互作用的方向。
參照到圖1,如300所示,使用本發明方法及系統之基於合成無障礙之最適化先導化合物。圖1中,在302,關於先導化合物及其結合部位的資訊被提供。在304,對位的先導化合物被分解而得到片段。在一具體實施例,分解藉化學或使用者定義的規則進行。
在306,含有先導化合物之保留片段的建構塊作為起始建構塊。在一個具體實施例,本發明方法的起始步驟要求使用者選擇偏好的先導化合物-目標分子相互作用的位置進行最適化。先導化合物-目標分子相互作用的位置決定虛擬合成與最適化的"方向"。本發明方法全面性最適化並增長一結構,直到所有使用者-定義的方向被處理。本發明方法自對接研究中以先導化合物-目標分子的複雜結構開始分析。使用者可以決定在最適化過程中,保留抑製劑(起始化合物)的哪些片段。
在308,基於反應規則庫,鑑定出反應物及它們的反應規則。根據本發明,藉由收集各反應的化學反應、建構塊、反應物基團的反應規則及產物基團建構反應規則庫。例如,建構塊包括化學合成中的典型建構塊,如各種氮化合物(胺,異腈)及羰基化合物(醯胺,醛及酮),及反應規則包括得自每一收集的反應之完整結構的反應物與產物之反應物基團與產物基團。在一具體實施例,反應基團被定義並根據反應的核心鑑別與反應的反應物和產物基團而提取得到。每個反應規則之具有相同反應基團之建構塊被收集並藉反應分類。每一反應規則之建構塊被記錄並用於虛擬合成。
接下來,在308,反應物由保留稱為"片段空間"的空間鑑定,該片段空間藉先導化合物的片段所佔據的體積所定義。然後,搜尋具相同體積的建構塊作為可能的起始反應物。當反應物被鑑定出後,有許多可能的反應物基團及與該反應物有關的反應。將每一反應物進行次結構搜尋以鑑別原子重排(基團),其為反應資料庫中的部分化學反應,以決定針對此特定反應物的可能化學反應。
在310,308鑑定出的反應物基於他們的反應規則進行反應以生成反應產物。一旦一反應物的所有可能反應規則被確定,藉反應基團及參與反應物進行反應以產生相應產物。在本發明方法中,各反應物有兩個部分:一結構相匹配反應物基團及其他結構-不含反應基團-被表示為"剪除反應物"。相同定義被用於涉及反應的其他建構塊(參與者)。每個產物,基於反應規則的搜尋,藉結合反應物的剪除部份及參與者的剪減除部份以及產物部分而產生。
在312,每個反應的每一產物的構形被評估,與第一建構塊反應的構形物被篩選以增長分子,使得最適化的先導化合物庫被構築。每一中間產物的多個構形物再每一步驟被考慮及評估。具最佳基團效率分數的構形物被選擇作為下一建構塊的起始構形物,直到程式達到終
點條件。該評估將有利於對具較少重原子的特定先導化合物-目標分子的相互作用具較強結合的構形物。透過分子屬性篩選的化合物包括最終的擬定化合物。然後該化合物的能量最小化並基於整體的先導化合物-目標分子結合能量排名。
在本發明之一具體實施例,該方法可進一部包括調整最適化的先導化合物,以消除那些違反Lipinski的rules-of-five者。較佳地,自可能的化合物中去除具(i)4個或更多雙鍵(排除芳香鍵)或每種類型不超過3個的三鍵或(ii)11或以上的三鍵的化合物。因此,本發明的系統另提供用於調整最適化先導化合物庫的調整單元。
在另一具體實施例,除了調整步驟,該方法可以包括:進行分子動態模擬。分子動態學模擬的單元也可提供給本發明之系統。原則上,分子動態模擬可模擬蛋白彈性至任意程度。在分子動態模擬中,能量參數一般與組分原子、鍵及/或化學基團相關,以表示歸因於一個或多個標準能量成分計算的特定的物理或化學屬性。能量參數的設定主要視一或多個原子或鍵的化學特性而定,該一或多個原子或鍵涉及在一個給定的相互作用及/或化學基團內的原子或鍵的位置、分子次結構如多肽中的胺基酸、二級結構如蛋白質中的α螺旋或β折疊,或整個分子的原子或鍵。
根據本發明,上述本發明方法及系統中的目標分子為生物分子、生物分子的部分、一或多個生物分子的化合物或其他生物反應劑。例如,生物聚合物,包括蛋白質、多肽及核酸為實例目標物。目標物作用的修飾包括去活化目標物的作用(抑制)、增強目標物的作用或相互作用之前或期間修飾其作用(催化)。在一具體實施例,目標分子可為蛋白質,其係由人體製造或導入人體並引起疾病或其他病況,及所欲修飾係藉競爭性抑制結合小分子至蛋白質的相關活性部位以抑制蛋白質的作用。在另一具體實施例,目標蛋白質本身不是不希望疾
病或病況的直接引發物,但藉影響其功能可調節涉及一些其他蛋白質(如酶、抗體等)或生物分子的反應,並藉此減輕病況。
根據本發明,上述本發明方法或系統中的先導化合物為生物分子、生物分子的部分、一或多個生物分子或其他生物活性劑的化合物,該生物活性劑基於與目標分子的相對生物活性的先前評估而篩選。較佳地,先導化合物具有少於500kDa的分子量。先導化合物的實例包括小分子配體、肽、蛋白質、部分蛋白質、合成化合物、天然化合物、有機分子、碳水化合物、殘基、無機分子、離子、個別原子、基團及其他化學活性物。先導化合物可形成藥物或化合物的基礎,其係投藥或用於產生所欲的修飾或用於檢測或測試不希望的修飾。用語"先導"可與"先導化合物"互換使用。
根據本發明,本發明任何方法或系統可用於任何電腦或紀錄系統,如電腦程式產物或儲存介質裝置。
以上的描述是說明性的,而不是限制性的。本發明的許多變化,一旦審閱此揭示後,對本領域技術人員將是顯而易見的。因此,本發明的範圍應不參照上面的描述來確定,而是應該參照所附的申請專利範圍以及與他們的等同物的全部範圍來確定。
300‧‧‧使用本發明方法及系統之基於合成無障礙之最適化先導化合物
302‧‧‧關於先導化合物及其結合部位的資訊被提供
304‧‧‧對位的先導化合物被分解而得到片段
306‧‧‧含有先導化合物之保留片段的建構塊作為起始建構塊
308‧‧‧基於反應規則庫,鑑定出反應物及它們的反應規則
310‧‧‧鑑定出的反應物基於他們的反應規則進行反應以生成反應產物
312‧‧‧每個反應的每一產物的構形被評估,與第一建構塊反應的構形物被篩選以增長分子,使得最適化的先導化合物庫被構築
圖1顯示說明LeadOp+R最適化工作流程之流程圖。
圖2顯示用於建構反應規則表之三個步驟的例子。(a)鑑別反應的核心。兩個反應物中具變更原子屬性的原子標示為紅色與藍色。(b)基團(moieties)的提取。(c)鑑別含有反應基團的建構塊。(d)產生產物步驟之說明。一反應規則由反應基團與產物基團組成。在該反應例中,反應物A與反應物B反應,反應物A和B二者含有匹配的反應物基團,而反應物B也含有離去基,其為產物基團的一部分。反應物A中排除反應基團的結構稱為"剪除反應物"(clipped reactant),它被添加到
產物基團(產物與離去基)。
圖3顯示每一反應中每一產物的評估。30個構形物被產生(黃、綠、橘及灰色棒)並覆蓋以結合位點(紅色棒)內的反應物。使用者定義的抑制劑-受體相互作用方向(位置)以紅色點線表示。
圖4顯示Tie-2模型系統的LeadOp+R結果。(a)從共晶結構(PDB代碼:2p4i)之化合物47複合物內的每一殘基之化學特性及相互作用。(b-d)所生成化合物rA1(b)、所生成的化合物rA2(c)及生成的化合物rA3(d)之化學結構(左)和MDS的結果(右)。碳原子數為粉紅色。青色分子表面為胺基酸殘基,其參與提出化合物在結合部位之氫-鍵結相互作用。
圖5顯示化合物rA1的合成路線。(a)從實驗研究之含試劑與條件之合成路線(a-d)。(b)合成路線及(c)LeadOp+R提供的匹配反應規則,得自次結構搜尋以鑑別原子重排(基團),其為LeadOp反應資料庫中的部分化學反應。
圖6顯示化合物rA2之合成路線。(a)從實驗研究之含試劑與條件之合成路線(a-g)。(b)合成路線以及(c)LeadOp+R提供的匹配反應規則,得自次結構搜尋以鑑別原子重排(基團),其為LeadOp反應資料庫中的部分化學反應。
圖7顯示化合物rA3之合成路線。(a)從實驗研究之含試劑與條件之合成路線(a-f)。(b)合成路線以及(c)LeadOp+R提供的匹配反應規則,得自次結構搜尋以鑑別原子重排(基團),其為LeadOp反應資料庫中的部分化學反應。
圖8顯示5-LOX模型系統的LeadOp+R結果。(a)人的5-LOX的活性部位(左)和結合口袋(右)的示意圖。5-LOX的結合部位的藥效團,該結合部位涉及兩個疏水性基團(藍色橢圓形),兩個氫鍵受體(綠色橢圓形)及位於結合空腔之作為配體結合的芳香環(橢圓
形)。(b-d)所生成化合物rB1之化學結構(左)和MDS的結果(右),所生成的化合物rB2及生成的化合物rB3(c)。碳原子數為粉紅色。灰色分子表面為胺基酸殘基,其參與提出化合物在結合部位之氫-鍵結相互作用。
圖9顯示化合物rB1之合成路線。(a)從實驗研究之含試劑與條件之合成路線(a-c)。(b)合成路線以及(c)LeadOp+R提供的匹配反應規則,得自次結構搜尋以鑑別原子重排(基團),其為LeadOp反應資料庫中的部分化學反應。
圖10顯示化合物rB2之合成路線。(a)從實驗研究之含試劑與條件之合成路線(a-e)。(b)合成路線以及(c)LeadOp+R提供的匹配反應規則,得自次結構搜尋以鑑別原子重排(基團),其為LeadOp反應資料庫中的部分化學反應。
圖11顯示化合物rB3之合成路線。(a)從實驗研究之含試劑與條件之合成路線(a-d)。(b)合成路線以及(c)LeadOp+R提供的匹配反應規則,得自次結構搜尋以鑑別原子重排(基團),其為LeadOp反應資料庫中的部分化學反應。
整體程序. 在圖1中說明用於LeadOp+R之一般方案且在以下部分中描述各步驟之細節。在應用LeadOp+R最適化程序之前,構築反應規則資料庫,該資料庫含有用於各反應之反應物部分、產物部分及建構基塊之反應規則。因此,已知各反應中涉及之參與者用於LeadOp+R中之合成評估。LeadOp+R之初始步驟需要使用者選擇有利的抑制劑-受體相互作用位置以達到最適化。抑制劑-受體相互作用位
置確定虛擬合成及最適化之「方向」。LeadOp+R將系統地使結構最適化且增長出一個結構,直至使用者界定之方向均得到處理。LeadOp+R用來自對接研究或晶體結構之抑制劑-受體之複合結構起始該分析。使用者可確定在最適化期間在查詢抑制劑(初始化合物)中保存哪個(哪些)片段。為確保初始合成為可行的,使用含有保存片段之起始建構基塊作為初始建構基塊。LeadOp+R隨後用此建構基塊搜索反應規則資料庫以確定相關反應規則。一旦確定反應規則及相關參與者,則虛擬產生各反應規則之產物。為選擇所提出之化合物的最佳結合構形,構築各化合物之多種構形異構體。選擇各化合物具有最低群組效率值之構形異構體作為下一建構基塊之初始構形異構體,直至程式達到終止條件。藉由使用群組效率評估各產物對結合之貢獻,LeadOp+R選擇出結合更堅固而具有較少重原子之化合物。通過一組分子特性過濾器之化合物構成所提出之化合物的最終清單。在短暫分子動力學模擬之後,化合物能量最小化且基於整體配體-受體結合(相互作用)能量排列。此提供一系列化學上可行的新穎且更有效之化合物。
實例系統. 選擇Tie-2激酶(PDB:2p4i)(一種內皮特異性受體酪胺酸激酶)(Hodous, B. L.; Geuns-Meyer, S. D.; Hughes, P. E.; Albrecht, B. K.; Bellon, S.; Bready, J.; Caenepeel, S.; Cee, V. J.; Chaffee, S. C.; Coxon, A.; Emery, M.; Fretland, J.; Gallant, P.; Gu, Y.; Hoffman, D.; Johnson, R. E.; Kendall, R.; Kim, J. L.; Long, A. M.; Morrison, M.; Olivieri, P. R.; Patel, V. F.; Polverino, A.; Rose, P.; Tempest, P.; Wang, L.; Whittington, D. A.; Zhao, H. J. Med. Chem. 2007, 50, 611.)及人類5-LOX酶(Charlier, C.; Hénichart, J.-P.; Durant, F.; Wouters, J. J. Med. Chem. 2006, 49, 186.)(一種在白三烯生物合成中關鍵之酶)作為模型系統來檢驗LeadOp+R方法。選擇一種Tie-2激酶抑制劑,Hodous, B. L.等人中之化合物46(在此研究中表示為化合物rA),及人類5-IOX抑制
劑,Ducharme, Y.等人中之化合物7(經取代之香豆素)(Ducharme, Y.; Blouin, M.; Brideau, C.; Chateauneuf, A.; Gareau, Y.; Grimm, E. L.; Juteau, H.; Laliberte, S.; MacKay, B.; Masse, F.; Ouellet, M.; Salem, M.; Styhler, A.; Friesen, R. W. ACS Med. Chem. Lett. 2010, 1, 170.)(在此研究中表示為化合物rB)作為LeadOp+R最適化實例。
構築LeadOp+R反應資料庫. LeadOp+R收集各反應之反應物基團及產物基團的化學反應、建構塊及反應規則以構築LeadOp+R反應資料庫。LeadOp+R包括198個來自Reaxy資料庫之經典化學反應及2,091個來自可購得之Sigma-Alderich Co.產品庫(Sigma-Aldrich Chemie GmbH, Steinheim, GE)的有機建構塊。此等建構塊包括化學合成中之典型建構塊,諸如各種氮化合物(胺、胩)及羰基化合物(醯胺、醛及酮)。LeadOp+R中之反應規則包括自收集之各反應之反應物及產物的完整結構提取出之反應物基團及產物基團。在LeadOp+R中,根據以下步驟自化學反應界定及提取反應基團(步驟之說明參見圖2):(1)鑑別反應核. 將參與使原子之原子類型改變(元素、鍵之數目及類型以及鄰近原子之數目)之化學轉換(反應)的一批原子視為反應核。藉由比較起始化合物及產物之原子與LeadOp+R反應資料庫內之彼等原子來確定此等原子;不同之原子為反應核的一部分。由於反應核並不含有精確描述反應之足夠化學資訊,因此自與反應核結合之原子收集其他資訊。
提取反應之反應物及產物基團。初始反應核通常並不包括足夠原子且因此其「化學環境」得到擴大。反應核增加至鍵結(鄰近)原子,直至包括最小反應物及產物次結構以充分表示該反應。在反應內,將反應物部分表示為「反應物基團(reactant moiety)」且正如預期的,將產物部分表示為「產物基團(product moiety)」。藉由如步驟1中論述,貫穿反應核內之原子類型進行擴展步驟,直至發現單個sp碳且
在擴展步驟期間搜索之原子被視為相同部分的一部分。對於搜索之原子在芳環中之狀況,當芳環中所有原子包括在該部分中-芳環中所有原子被視為該部分的一部分時,終止擴展。
最後,收集(經由JChem之應用程式設計介面(JChem 5.4.1.1; ChemAxon Ltd: Budapest, Hungary.))針對各反應規則具有相同反應物部分之建構塊且按反應分類。記錄各反應規則之建構塊且在LeadOp+R演算法中將其用於虛擬合成。
鑑別反應物. LeadOp+R起始自對接研究或晶體結構取得之複合結構(抑制劑-受體)的分析。LeadOp+R首先允許使用者鑑別且保存稱為「片段空間」的空間,該空間由查詢分子之片段所佔據之體積界定,隨後LeadOp+R搜索與潛在初始反應物具有相同體積之建構塊。根據以下步驟虛擬合成各潛在初始反應物之產物。就通過評估步驟之各產物分子而言,該產物分子變為下一合成步驟中之下一反應物。
確定所鑑別之各反應物的反應規則. 當在前述步驟中鑑別出反應物時,存在許多與此反應物相關之潛在反應物部分及反應。使各反應物經受次結構搜索(JChem 5.4.1.1; ChemAxon Ltd: Budapest, Hungary.)以鑑別作為LeadOp+R反應資料庫內化學反應規則一部分的原子排列(部分),從而確定此特定反應物之潛在化學反應。
基於反應規則產生反應產物. 一旦鑑別出反應物之所有潛在反應規則,則藉由使反應物部分及參與反應物「反應」產生對應產物(圖2d)。在LeadOp+R中,各反應物具有兩部分:匹配反應物部分之一種結構及除反應物部分之外表示為「剪除反應物(clipped reactant)」的另一結構。相同界定用於反應中所涉及之其他建構塊(參與者)。藉由合併反應物之剪除部分及參與者之剪除部分以及基於反應規則搜索的產物部分產生各產物。
評估各反應之產物. 使用Java及JChem應用程式設計介面(Imre, G.; Kalszi, A.; Jkli, I.; Farkas, Ö. Advanced Automatic Generation of 3D Molecular Structures,呈現於the 1st European Chemistry Congress, Budapest, Hungary, 2006; Marvin 5.4.0.1; ChemAxon Ltd: Budapest, Hungary)產生各產物之30個構形異構體。使用可撓性3D對準工具Marvin(Marvin 5.4.0.1; ChemAxon Ltd: Budapest, Hungary),將各構形異構體與查詢分子之保存空間對準,同時使重疊體積最大化(參見圖3)。若滿足以下標準,則選擇各產物之構形異構體用於下一步驟:1)在受體位點內與查詢分子對準之各構形異構體的結合模式具有相同的抑制劑-受體相互作用方向,及2)新穎部分具有小於-0.1之群組效率值。
藉由以結構為基礎之分析的最終選擇. 針對各產物所選擇之構形異構體為所選擇之抑制劑-受體相互作用方向中用於下一反應的反應物。分子繼續生長,直至所有抑制劑-受體相互作用方向用完。使用以下標準減少該批潛在新穎化合物:分子量小於600 g mol-1及計算之親脂性(cLogP)小於5,其係基於Lipinski之五倍率規則(Rule-of-Five)(Lipinski, C. A.; Lombardo, F.; Dominy, B.W.; Feeney, P. J. Adv Drug Del Rev 2001, 46, 3.)而考慮。通過分子特性過濾器之化合物構成所提出之化合物的最終清單。隨後在結合位點內此等化合物能量最小化且基於整體配體-受體結合能來排列。
分子動力學模擬. 自結合位點內之最低結合自由能及最大數目之有利配體-受體相互作用,改進如藉由AutoDock Vina(Trott, O.; Olson, A. J. J. Comput. Chem. 2010, 31, 455.)確定之新「構築」化合物之結合姿勢。使用分子動力學模擬來緩解能量最小化之構築化合物(連接至化合物之初始核的片段)的對接姿勢與結合位點內之殘基之間的不利接觸;允許複合物探索局部能量最小值。使用GROMACS 4.03版(Hess, B.; Kutzner, C.; van der Spoel, D.; Lindahl, E. J. Chem. Theory Comput. 2008, 4, 435.)及GROMOS 53A6力場(Oostenbrink, C.; Soares, T. A.; van der Vegt, N. F. A.; van Gunsteren, W. F. Eur. Biophys. J. 2005, 34, 273)選擇最佳複合姿勢(配體-受體相互作用)且進行分子動力學。將複合物置放於SPC216型水分子之簡單立方週期性箱(Berendsen, H.J.C.; Postma, J.P.M.; van Gunsteren, W.F.; Hermans, J. Interaction models for water in relation to protein hydration. Reidel; Dordrecht: 1981. Intermolecular forces.第331-342頁)中,且將蛋白質與箱之各邊緣之間的距離設定為0.9 nm。為維持整體靜電中性及等滲條件,在溶合箱內隨機安置Na+及Cl-離子。為維持適當結構及移除不利的凡得瓦爾(van der Waals)接觸,使用1000-步最陡下降能量最小化且當後續步驟之間的能量差異之收斂標準相差小於1000 kJ mol-1 nm-1時終止。在能量最小化之後,使系統在恆定溫度(300K)、壓力(1 atm)及0.002 ps(2fs)之時間步長(每ps記錄系統之座標)下經受1200 ps分子動力學模擬。
根據文獻(Bridges, A. J. Chem. Rev. 2001, 101, 2541),已知良好的激酶抑制劑應具有氫鍵供體/接受體/供體基元以與ATP-結合間隙中所呈現之主鏈羰基/NH(醯胺)/羰基最佳地相互作用。在Tie-2激酶情況下,在ATP-結合間隙之活性位點的殘基為Ala905(羰基及醯胺NH)及Glu903(羰基)。另外,兩個疏水袋為Tie-2受體中活性位點之一部分且指示為第一疏水袋(HP)及擴展疏水袋(EHP)。自文獻(Bridges, A. J. Chem. Rev. 2001, 101, 2541)選擇一系列含有抑制劑化合物47與Tie-2受體(PDB編碼:2p4i)之共晶體結構的Tie-2抑制劑。在此共晶體結構中,抑制劑化合物47之2-(甲胺基)嘧啶環經由兩氫鍵結合至殘基Ala905且該嘧啶亦在Glu903之凡得瓦爾接觸內。化合物47之中心甲基取代之芳基環存在於第一疏水袋(HP)中,同時吡啶環與DFG-基元之
Phe983形成邊緣至表面π堆疊相互作用。羰基氧與Asp982 (DFG基元)之主鏈NH形成氫鍵,且芳基醯胺部分將末端CF3取代之芳環導引至EHP中。圖4a說明此共晶體結構之配體-蛋白質相互作用。
為顯示LeadOp+R在考慮潛在合成途徑的同時如何自動地使化合物最適化,化合物46為具有399 nM之生物學上確定之IC50值(Bridges, A. J. Chem. Rev. 2001, 101, 2541)的用於先導藥物最適化之查詢分子(在此研究中表示為化合物rA)。將化合物rA對接至Tie-2結合位點中且選擇最低能量構形。所選擇之構形具有如較早論述之與Tie-2活性位點(圖4a)相似的分子相互作用。化合物rA之醯胺官能基與Asp982之主鏈醯胺形成氫鍵,同時吡啶及苯環分別擴展至疏水袋(HP)及EHP中。歸因於該重要的氫鍵結,胺基苯甲酸片段在LeadOp+R之此實例中指示為保存空間。
為評估演算法,將所有經LeadOp+R產生之化合物與根據文獻之Tie-2激酶抑制劑比較且發現LeadOp+R化合物中之9種亦已合成且量測其抑制Tie-2激酶之能力。各LeadOp+R步驟中所提出之產物的包括性合成與系統地檢查所提出之配體-受體相互作用組合,產生比原始化合物(化合物rA)具有更有效IC50值的9種化合物。將所有LeadOp+R產生之化合物在Tie-2之活性位點中能量最小化,且接著基於整體配體-受體相互作用能量來排列。在所有LeadOp+R提出之化合物中,先前在文獻(Bridges, A. J. Chem. Rev. 2001, 101, 2541)中研究9種化合物,且由計算之結合能提出之優先權與以實驗方式確定之IC50值具有相同趨勢。在Tie-2激酶抑制劑之此研究中設計9種LeadOp+R產生之化合物的三種化合物,表示為化合物rA1、rA2及rA3,選擇該等化合物用於進一步研究。對於此三種化合物,在文獻中發現詳細合成途徑資訊16及抑制效能。此三種化合物rA1-rA3比查詢化合物rA具有更高效能,且用計算之結合能提出之新穎化合物的優先權具有相似IC50效能趨
勢。在表1中提供化合物rA1-rA3之圖示(depicted representation),以及根據生物實驗之對應抑制資料及其預測結合能。
用此三種LeadOp+R產生之化合物rA1-rA3進行分子動力學模擬以進一步分析Tie-2激酶活性位點內之配體-蛋白質相互作用。在關於Tie-2進行化合物之幾何最適化之後,進行分子動力學模擬研究且在圖4b-4c中顯示來自MDS之最終50 ps(50個組態)之複合物的獨特低能量構形。
在產生之化合物(rA1、rA2及rA3)中,兩種醯胺排列均參與與DFG-基元之Asp982(活化環之頭三個殘基)的強氫鍵結。化合物rA1及rA2中之嘧啶環與連接子殘基Ala905之主鏈醯胺形成關鍵氫鍵,使吡啶環對準且位於DFG-基元之Phe983之邊緣至表面π堆疊距離內;另外,中心及末端芳基環重疊,其中僅在化合物rA1、rA2及rA3之定向上有輕微差異。在化合物rA1之甲氧基與殘基Asp982之間形成其他氫鍵結,而CF3基團置放於化合物rA2及rA3之EHP內基本上相同之位置。此等最適化結果表明,氫鍵結及疏水相互作用對於配體結合至及抑制Tie-2而言為重要的,如先前所報導(Hodous, B. L.; Geuns-Meyer, S. D.; Hughes, P. E.; Albrecht, B. K.; Bellon, S.; Bready, J.; Caenepeel, S.; Cee, V. J.; Chaffee, S. C.; Coxon, A.; Emery, M.; Fretland, J.; Gallant, P.; Gu, Y.; Hoffman, D.; Johnson, R. E.; Kendall, R.; Kim, J. L.; Long, A. M.; Morrison, M.; Olivieri, P. R.; Patel, V. F.; Polverino, A.; Rose, P.; Tempest, P.; Wang, L.; Whittington, D. A.; Zhao, H. J. Med. Chem. 2007, 50, 611.)。
對於Tie-2激酶抑制劑,在配體與特定受體殘基Glu 872、Asp982、Phe983、Ala905及Glu903之間發生有利相互作用(參見圖4a)。在此實例中,選擇此等相互作用作為較佳抑制劑-受體相互作用供LeadOp+R基於提供之查詢分子以選擇性及系統性方法進行最適化。以下概述產生化合物rA1、rA2及rA3的根據文獻之實驗性合成途徑
(Hodous,B.L.;Geuns-Meyer,S.D.;Hughes,P.E.;Albrecht,B.K.;Bellon,S.;Bready,J.;Caenepeel,S.;Cee,V.J.;Chaffee,S.C.;Coxon,A.;Emery,M.;Fretland,J.;Gallant,P.;Gu,Y.;Hoffman,D.;Johnson,R.E.;Kendall,R.;Kim,J.L.;Long,A.M.;Morrison,M.;Olivieri,P.R.;Patel,V.F.;Polverino,A.;Rose,P.;Tempest,P.;Wang,L.;Whittington,D.A.;Zhao,H.J.Med.Chem.2007,50,611)(圖5a、6a及7a)及LeadOp+R提出之反應途徑(圖5b、6b及7b),以顯示LeadOp+R如何可提出與有機及藥物化學家提出之彼等途徑類似的合成反應途徑。在圖5c-7c右側列出匹配之反應規則,其中下文描述藉由LeadOp+R針對各產物鑑別之各合成步驟的細節。
圖5a說明合成化合物rA1(化合物7)所需之實驗性反應,其係藉由使5(其經由將2轉換為4產生)反應,接著與1及6反應。為比較LeadOp+R提出之化合物rA1的虛擬合成與證實之合成途徑,比較根據文獻(Hodous,B.L.;Geuns-Meyer,S.D.;Hughes,P.E.;Albrecht,B.K.;Bellon,S.;Bready,J.;Caenepeel,S.;Cee,V.J.;Chaffee,S.C.;Coxon,A.;Emery,M.;Fretland,J.;Gallant,P.;Gu,Y.;Hoffman,D.;Johnson,R.E.;Kendall,R.;Kim,J.L.;Long,A.M.;Morrison,M.;Olivieri,P.R.;Patel,V.F.;Polverino,A.;Rose,P.;Tempest,P.;Wang,L.;Whittington,D.A.;Zhao,H.J.Med.Chem.2007,50,611)中之實驗性合成步驟的關鍵反應規則。
圖5b展示LeadOp+R提出之產生化合物rA1的合成途徑,其使用所選擇且較佳之抑制劑-受體相互作用,允許LeadOp+R選擇性且系統性地使查詢分子最適化。首先,藉由搜尋具有保存片段之所有建構塊將化合物1鑑別為第一反應物。LeadOp+R隨後藉由使用反應規則(i)使1與6偶合來繼續產生產物8,該反應規則保存與說明之所Glu872的較佳相互作用。LeadOp+R提出之反應規則與文獻中藉由組合化合物5及片
段6形成化合物7之合成步驟匹配。隨後,將產物8視為反應物與化合物2相互作用,以藉由使用較佳相互作用使分子朝向Phe983生長來產生產物9。LeadOp+R提出之第二反應規則(ii)產生產物9,該反應規則匹配與文獻中藉由使1與4反應合成化合物5之彼等步驟相同的合成步驟。令人感興趣地,注意到在此步驟中,以紅色標記之結構為當前結構9,其為實驗性合成中之最終產物7(化合物rA1)內以紅色突出顯示之相同部分結構。LeadOp+R朝向接近Phe983及Ala905之空腔繼續遞歸最適化以藉由第三反應規則將9轉換為7(化合物rA1)。 LeadOp+R提出之此反應途徑亦與文獻中將2轉換為4之實驗性合成途徑匹配。為此,LeadOp+R已成功地使查詢化合物rA最適化為化合物rA1且提出對應合成途徑。在此實例中,顯示LeadOp+R如何藉由使用較佳相互作用、可用的建構塊及相關反應規則擴展分子以達到基於片段之最適化及合成可行來控制合成流。因此,「生長」分子之反應的順序可能與實驗性合成中驗證之彼等順序不相同。
圖6a展示合成化合物rA2(化合物19)的實驗性反應,其係藉由使18(其經由將13轉換為18產生)與12(其經由10與11之反應產生)反應。為比較LeadOp+R提出之化合物rA2的虛擬合成途徑與實驗性合成途徑,比較根據文獻中之實驗性合成步驟的關鍵反應規則與LeadOp+R提出之合成途徑。
圖6b展示LeadOp+R提出之化合物rA2的合成途徑,其使用所選擇且較佳之抑制劑-受體相互作用以選擇性且系統性之方式使查詢分子最適化。首先,藉由搜索具有保存片段之所有建構基塊將10之羥基苯甲酸鑑別為第一反應物。Leadop+R隨後經由第一反應規則(i)使10與11反應繼續提出產物12,該反應規則保存配體與活性位點之Glu972的相互作用。LeadOp+R提出之該反應規則與文獻中自化合物10及11形成化合物12之合成步驟匹配。隨後將產物12視為反應物與化合物13反
應,以藉由使用較佳相互作用使分子朝向Phe983生長來產生產物20。第二反應規則(ii)產生產物20且LeadOp+R提出之反應途徑與文獻中經由12與18之反應合成化合物19的合成步驟匹配。LeadOp+R之遞歸最適化朝向接近Phe983及Ala905之空腔繼續以經由第三反應規則(iii)將20轉換為19(化合物rA2),圖6c。藉由LeadOp+R提出之此反應途徑亦與文獻中將化合物13轉換為18的實驗性合成步驟匹配。
圖7a展示合成化合物rA3(化合物22)之實驗性反應,其係藉由使21(其經由1與11之反應產生)與18(其自13合成)反應。為比較LeadOp+R提出之化合物rA3的合成途徑與實驗性合成途徑,比較根據文獻中之實驗性合成步驟的關鍵反應規則與LeadOp+R提出之合成途徑。
圖7b描繪LeadOp+R提出之產生化合物rA3的合成途徑,其使用所選擇且較佳之抑制劑-受體相互作用使查詢分子最適化。首先,藉由搜索具有保存片段(在圖7b中以紅色指明)之所有建構基塊將化合物1之羥基苯甲酸鑑別為第一反應物。LeadOp+R隨後經由第一反應規則(i)使1與11反應繼續產生化合物21,該反應規則導引化合物(抑制劑)朝向較佳配體與Glu972之相互作用生長。LeadOp+R提出之反應規則與此項技術中經由用片段11使化合物1轉換來形成化合物21之合成步驟匹配。隨後,產物21與化合物13反應產生產物23,使經轉換之分子朝向Phe983生長。如LeadOp+R提出之第二反應規則(ii)產生產物22,該反應規則與文獻中經由化合物21與片段18之反應合成化合物22之彼等步驟相同的合成步驟匹配。如圖7c中說明,根據LeadOp+R朝向接近Phe983及Ala905之空腔的初始查詢化合物之遞歸最適化使用第三反應規則(iii)將化合物23轉換為22(化合物rA3)。LeadOp+R提出之此反應規則亦與文獻中將13轉換為18之實驗性合成步驟匹配。
藉由匹配各化合物之實驗性合成途徑的合成途徑,LeadOp+R已成功地將查詢化合物rA最適化為化合物rA1、rA2及rA3。藉由經由群
組效率之中間產物的系統合成及常數評估,LeadOp+R搜索每一產物且發現較高結合之抑制劑。在化合物rA1與受體之間(在存在於EHP袋(圖4b)中之化合物芳族基與甲基嘧啶之間)觀測到提高之疏水相互作用,此對應於實驗結果且此化合物比化合物rA2及rA3展現更強抑制劑效能。
在Tie-2抑制劑設計之實例中,LeadOp+R表明其能夠藉由擴展查詢分子以使較佳配體-受體相互作用最適化同時使用可用建構基塊及相關反應規則尋找最適宜之合成可行性來控制合成流。
選擇具有熟知5-LOX抑制劑之人類5-脂肪加氧酶(5-LOX)酶作為第二LeadOp+R測試案例。為設計更佳5-LOX抑制劑,5-LOX活性位點及該活性位點與配體之相關相互作用的結構性瞭解將有幫助,因此選擇與突變誘發研究(Hammarberg, T.; Zhang, Y. Y.; Lind, B.; Radmark, O.; Samuelsson, B. Eur. J. Biochem. 1995, 230, 401; Schwarz, K.; Walther, M.; Anton, M.; Gerth, C.; Feussner, I.; Kuhn, H. J. Biol. Chem. 2001, 276, 773)具有良好一致性之5-LOX理論模型(比較/同源蛋白質結構/模型)(Charlier, C.; Hénichart, J.-P.; Durant, F.; Wouters, J. J. Med. Chem. 2005, 49, 186)。提出之5-LOX的活性位點形成一個深且彎曲之間隙(通道),該間隙自間隙頂部之Phe177及Tyr181擴展至間隙底部之Trp599及Leu420胺基酸殘基(顯示於圖8a中)。內襯間隙之大部分殘基為疏水的,其中若干關鍵極性殘基(Gln363、Asn425、Gln557、Ser608及Arg411)沿通道分佈,該等殘基能夠在結合過程期間與配體相互作用。遠離主通道之小的側袋由疏水殘基(Phe421、Gln363及Lue368)組成且假定在配體與受體之間的親脂相互作用可增強活性。配體結合至5-LOX所需之假設的主要藥效團相互作用包括:(i)兩種疏水基團,(ii)氫鍵接受體,(iii)芳環,及(iv)兩種次級相互作用。該兩
種次級相互作用在配體與受體結合袋內的酸性部分(胺基酸殘基)及氫鍵接受體之間。配體之氫鍵接受體最可能與受體之關鍵錨定點(Tyr181、Asn425及Arg411)相互作用以形成氫鍵,同時Leu414及Phe421在配體及結合空腔之間形成疏水相互作用(Charlier, C.; Hé nichart, J.-P.; Durant, F.; Wouters, J. J. Med. Chem. 2005, 49, 186)。
選擇文獻(Ducharme, Y.; Blouin, M.; Brideau, C.; Chateauneuf, A.; Gareau, Y.; Grimm, E. L.; Juteau, H.; Laliberte, S.; MacKay, B.; Masse, F.; Ouellet, M.; Salem, M.; Styhler, A.; Friesen, R. W. ACS Med. Chem. Lett. 2010, 1, 170)中之5-LOX抑制劑化合物7作為初始查詢分子(在此研究中表示為化合物rB),其具有145 nM之生物學上確定的IC50值。將化合物rB對接至5-LOX計算上得到之結合位點中且提交最低能量構形至LeadOp+R。此選擇之姿勢(構形)與先前報導(Ducharme, Y.; Blouin, M.; Brideau, C.; Chateauneuf, A.; Gareau, Y.; Grimm, E. L.; Juteau, H.; Laliberte, S.; MacKay, B.; Masse, F.; Ouellet, M.; Salem, M.; Styhler, A.; Friesen, R. W. ACS Med. Chem. Lett. 2010, 1, 170)具有相似配體-受體相互作用。氧代烯(oxochromen)環在空腔中間有利地與疏水殘基Leu414相互作用(CH-π相互作用),同時氟苯基延伸至活性位點之較低間隙中之氫鍵接受體區中。選擇化合物rB之對接構形作為參考抑制劑,其中氧代烯環充當模板結構。
為評估演算法,比較所有LeadOp+R產生之5-LOX化合物與文獻中描述之類似物且發現已合成LeadOp+R提出之化合物中的6種且量測其生物活性(Schwarz, K.; Walther, M.; Anton, M.; Gerth, C.; Feussner, I.; Kuhn, H. J. Biol. Chem. 2001, 276, 773)。各步驟之產物的包括性合成與系統地檢查所提出之化合物與受體之相互作用組合,產生比原始化合物(化合物rB)具有更有效IC50值的6種化合物。將所有LeadOp+R產生之化合物在5-LOX之活性位點內能量最小化且接著基於複合物之
預測結合能排列且提出之優先權與根據實驗性研究(Schwarz, K.; Walther, M.; Anton, M.; Gerth, C.; Feussner, I.; Kuhn, H. J. Biol. Chem. 2001, 276, 773)之IC50效能值具有相同趨勢。在5-LOX抑制劑設計之此研究中,選擇9種LeadOp+R產生之化合物中之3種化合物(表示為化合物rB1、rB2及rB3)用於進一步研究。對於此3種化合物,自文獻(Ducharme, Y.; Blouin, M.; Brideau, C.; Chateauneuf, A.; Gareau, Y.; Grimm, E. L.; Juteau, H.; Laliberte, S.; MacKay, B.; Masse, F.; Ouellet, M.; Salem, M.; Styhler, A.; Friesen, R. W. ACS Med. Chem. Lett. 2010, 1, 170)獲得詳細合成資訊(Ducharme, Y.; Blouin, M.; Brideau, C.; Chateauneuf, A.; Gareau, Y.; Grimm, E. L.; Juteau, H.; Laliberte, S.; MacKay, B.; Masse, F.; Ouellet, M.; Salem, M.; Styhler, A.; Friesen, R. W. ACS Med. Chem. Lett. 2010, 1, 170)及抑制效能。另外,此3種化合物rB1、rB2及rB3比查詢化合物rB具有更高效能且其基於預測結合能的提出之優先權亦與IC50趨勢相似。在表2中列出化合物rB1、rB2及rB3之圖示、根據生物實驗之對應抑制資料及其預測結合能。
藉由化合物rB1、rB2及rB3關於5-LOX之最終姿勢進行分子動力學模擬研究。在圖8b-8c中顯示來自MDS之最後50 ps(50個組態)之複合物的獨特低能量構形。
化合物rB1、rB2及rB3之相互作用全部存在於疏水袋內且含有噻唑基之氧或氮原子與Lys409及Tyr181之間的氫鍵結相互作用。對於化合物rB1及rB3,氟基擴展至活性位點之上域中之氫鍵接受體且與Lys409相互作用。此外,如在此項技術中所表明,氧代烯環緊密接近Leu414且潛在地為一個重要CH-π接觸點。另外,化合物rB1之噻唑結構與5-LOX疏水殘基Leu420及Leu607相互作用且已提出此等相互作用經由配體與受體之間的互補疏水相互作用改良配體結合。在氟基與殘基Lys409、Arg411及Tyr181之間發生其他有利相互作用。對配體-
蛋白質結合之此等貢獻可能說明與化合物rB、rB2及rB3相比,化合物rB1之抑制更佳。如先前報導(Hodous, B. L.; Geuns-Meyer, S. D.; Hughes, P. E.; Albrecht, B. K.; Bellon, S.; Bready, J.; Caenepeel, S.; Cee, V. J.; Chaffee, S. C.; Coxon, A.; Emery, M.; Fretland, J.; Gallant, P.; Gu, Y.; Hoffman, D.; Johnson, R. E.; Kendall, R.; Kim, J. L.; Long, A. M.; Morrison, M.; Olivieri, P. R.; Patel, V. F.; Polverino, A.; Rose, P.; Tempest, P.; Wang, L.; Whittington, D. A.; Zhao, H. J. Med. Chem. 2007, 50, 611.),此等最適化結果表明氫鍵結及疏水相互作用對於配體結合至及抑制5-LOX而言為重要的。
如文獻中所陳述的在抑制劑與5-LOX之間的有利相互作用為在結合袋(包括配體與Asn425及Tyr181之相互作用)及兩疏水相互作用袋(包括配體與Leu368、Gln363、Phe421、Arg411、Ile406、Lys409及Phe177之相互作用)內之兩種氫鍵接受體相互作用及芳族相互作用(在配體與殘基Leu414及Leu607之間)。在此實例中,配體與Asn425、Leu414、Leu607及Tyr181之相互作用指示為LeadOp+R選擇性且系統性地最適化之「較佳」抑制劑-受體相互作用。以下概述產生化合物rB1、rB2及rB3的根據文獻之實驗性合成途徑(Schwarz, K.; Walther, M.; Anton, M.; Gerth, C.; Feussner, I.; Kuhn, H. J. Biol. Chem. 2001, 276, 773)(圖9a、10a及11a)及LeadOp+R提出之合成反應途徑(圖9b、10b及11b)。為顯示LeadOp+R能夠提出與合成化學家提出及執行之彼等途徑相似或與其精確相同之反應途徑,在圖7c-9c右側列出匹配之反應規則。在以下描述LeadOp+R針對各產物(提出之化合物/抑制劑)鑑別之各合成步驟的細節。
圖9a展示合成化合物rB1(化合物30)之實驗性反應途徑(Schwarz, K.; Walther, M.; Anton, M.; Gerth, C.; Feussner, I.; Kuhn, H. J. Biol. Chem. 2001, 276, 773),其係藉由使化合物26(其經由24與25之反應產生)與29(其經由27與28之反應產生)反應。為比較針對化合物rB1之LeadOp+R提出之合成與實驗性合成途徑,比較文獻中之實驗性合成步驟的關鍵反應規則與LeadOp+R提出之彼等關鍵反應規則。
圖9b展示LeadOp+R提出之產生化合物rB1的合成途徑,其使用所選擇之較佳抑制劑-受體相互作用。首先,藉由搜索所有可用的建構基塊且保存分子片段將化合物24鑑別為初始反應物。LeadOp+R藉由第一反應規則(i)使24與25反應繼續提出產物26,該反應規則由LeadOp+R提出,其使得化合物朝向配體與Asn425之較佳相互作用「生長」。LeadOp+R提出之反應規則與文獻中產生化合物26、24及25之合成步驟匹配。隨後,將產物26視為反應物與化合物28相互作用,藉由使分子朝向與Leu414之較佳相互作用擴展來產生產物化合物31。如LeadOp+R提出之化合物31的第二反應規則(ii)與文獻中呈現之經由26與29之反應合成化合物30中之硫醚鍵的合成途徑匹配。應指出,在此步驟中,以紅色標記之結構為化合物31且其與實驗性合成中最終產物30(化合物rB1)以紅色表示之部分結構相同。經由LeadOp+R之遞歸最適化朝向接近Ile406之空腔及藉由使31與27反應及圖9c中之第三反應規則(iii)合成化合物30(化合物rB1)繼續。LeadOp+R提出之反應途徑亦與文獻中經由27與28之反應合成化合物29之實驗性合成步驟匹配。為此,LeadOp+R已成功地將查詢化合物rB最適化為化合物rB1且提出可行的合成途徑。在此實例中,顯示LeadOp+R藉由利用較佳相互作用、可用建構塊及相關反應規則擴展分子以達到基於片段之最適化及合成可行性來控制合成流;出於此原因,「生長」分子之步驟的順序可能與公開之實驗性合成不相同。
圖10a描繪合成化合物rB2(化合物38)之實驗性反應(Schwarz, K.; Walther, M.; Anton, M.; Gerth, C.; Feussner, I.; Kuhn, H. J. Biol. Chem. 2001 , 276, 773),其係藉由使26(其經由24與25之反應產生)與37(其經由以化合物32起始至形成37之一系列反應合成)反應。為比較LeadOp+R提出之化合物rB2的合成與實驗性合成途徑,探索文獻中對於提出之化合物之實驗性合成步驟的關鍵反應規則。
圖10b展示LeadOp+R提出之產生化合物rB2的合成途徑,其係基於使用者指定的較佳抑制劑-受體相互作用,該等相互作用經LeadOp+R選擇性且系統性地最適化。首先,藉由搜索具有保存片段之所有建構基塊將化合物24鑑別為第一反應物。LeadOp+R隨後經由LeadOp+R提出之第一反應規則(i)使24與25反應繼續產生化合物26,該反應規則導引所提出之化合物朝向與Leu414之較佳相互作用。LeadOp+R提出之反應規則與文獻中自化合物24及25合成化合物26之合成步驟匹配。隨後,將產物26視為反應物與化合物32反應,以再次藉由使分子朝向與Leu414之較佳相互作用生長來產生產物39。產生產物39之第二反應規則(ii)提出與藉由26與27之反應合成化合物38之文獻相同的合成步驟。遞歸最適化繼續探索配體與Leu414及Ile406之潛在相互作用以藉由使用第三反應規則(iii)使39與35反應產生化合物38(化合物rB2),該第三反應規則藉由34與35之反應合成化合物36,產生最終產物化合物rB2。
圖11a展示合成化合物rB3(化合物43)之實驗性合成途徑(Schwarz, K.; Walther, M.; Anton, M.; Gerth, C.; Feussner, I.; Kuhn, H. J. Biol. Chem. 2001, 276, 773),其係藉由使40與42(其經由35與41之反應產生)反應。為比較針對rB3之LeadOp+R提出之途徑與實驗性途徑,考察文獻中之關鍵反應規則。
圖11b展示LeadOp+R提出之化合物rB3的合成途徑,其使用所選擇之較佳抑制劑-受體相互作用。首先,藉由搜索具有保存片段(其在圖11b中指示為紅色結構)之所有建構基塊將化合物24鑑別為第一反應
物。LeadOp+R經由LeadOp+R提出之第一反應規則(i)使24與25反應繼續產生化合物26。此方法再次導引新配體朝向較佳相互作用生長;配體與Leu414相互作用。LeadOp+R提出之合成反應與文獻中呈現之形成化合物26的合成步驟匹配。隨後,將產物26視為反應物且藉由使配體朝向5-LOX之Ile406生長來轉換為產物40。第二反應規則(ii)產生化合物40且與文獻中論述之合成步驟匹配;化合物40經鑑別為與文獻中關於合成化合物44所論述相同之產物。繼續遞歸最適化以起始配體與Ile 406及Tyr181之相互作用,使得圖11c之第三反應規則(iii)產生化合物43。化合物44經鑑別反應物且基於第四反應規則(iv)與35反應,該第四反應規則藉由使35與41反應產生化合物42。
LeadOp+R已成功地將查詢化合物rB最適化為化合物rB1、rB2及rB3且已提出各化合物之對應合成途徑。經由使用群組效率系統合成且評估中間體,LeadOp+R搜索與受體具有較高計算結合親和力及改良之相互作用的「產物」。化合物rB1之噻唑基的氧或氮原子與受體(圖6b中所示)之間的較多氫鍵結相互作用說明了比提出之化合物rB2及rB3更強之抑制劑效能的實驗性結果。在5-LOX抑制劑設計之實例中,顯示LeadOp+R能夠藉由使用較佳相互作用、可用建構基塊及相關反應規則擴展配體來控制合成流。
Claims (11)
- 一種具可合成性的先導藥物最適化之方法,包括:(A)將一先導化合物對接至一目標分子以得到先導化合物及其結合分子的資料;(B)分解該對接之先導化合物以形成片段,並決定擬保留的片段;(B1)決定擬最適化之先導化合物-目標分子相互作用的方向;(C)鑑別含有先導化合物之保留片段之第一建構塊(building block);(D)鑑別反應物並搜尋自反應規則庫中鑑別出的每一反應物的反應規則;(E)反應反應物以基於彼等的反應規則產生反應產物;及(F)評估每一反應的每一產物之構形並選擇構形物以與該第一建構塊反應以生成分子使得最適化先導化合物庫可被建構。
- 如請求項1之方法,其中該目標分子為生物分子、生物分子的部分、一或多個生物分子的化合物或其他生物反應劑及該先導化合物具有少於500Da的分子量。
- 如請求項1之方法,其中該(B)之分解係藉化學或使用者定義之規則進行。
- 如請求項1之方法,其中在該(C)之鑑別中,該第一建構塊係藉保留片段所佔據的體積所定義的保留空間來鑑定。
- 如請求項1之方法,其中在該(D)之鑑別中,藉由收集各反應的化學反應、建構塊、反應物基團的反應規則及產物基團建構反應規則庫。
- 如請求項1之方法,其中在該(D)之鑑別中,該反應物藉由保留片段空間的空間來鑑別,該片段空間藉先導化合物的片段所佔據的體積所定義。
- 如請求項1之方法,其中在該(F)之鑑別中,篩選對具較少重原子之特定先導化合物-目標分子相互作用具較強結合之構形物。
- 如請求項1之方法,其另包括調整最適化的先導化合物,以消除那些違反Lipinski的rules-of-five者。
- 如請求項8之方法,其中自可能的化合物中去除具(i)4個或更多雙鍵(排除芳香鍵)或每種類型不超過3個的三鍵或(ii)11或以上的三鍵的化合物。
- 如請求項8之方法,其另包括進行分子動態模擬。
- 一種具可合成性的先導藥物最適化之系統,包括:(i)對接單元,將一先導化合物對接至一目標分子以得到先導化合物及其結合分子的資料;(ii)分解單元,分解該對接之先導化合物以形成片段,並決定擬保留的片段;(ii-1)決定單元,決定擬最適化之先導化合物-目標分子相互作用的方向;(iii)第一鑑別單元,鑑別含有先導化合物之保留片段之第一建構塊(building block);(iv)第二鑑別單元,鑑別反應物並搜尋自反應規則庫中鑑別出的每一反應物的反應規則;(v)反應單元,反應反應物以基於彼等的反應規則產生反應產物;及(vi)評估單元,評估每一反應的每一產物之構形並選擇構形物以與該第一建構塊反應以生成分子使得最適化先導化合物庫可被建構。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261603501P | 2012-02-27 | 2012-02-27 | |
US61/603,501 | 2012-02-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201408828A TW201408828A (zh) | 2014-03-01 |
TWI611053B true TWI611053B (zh) | 2018-01-11 |
Family
ID=49004221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW102107081A TWI611053B (zh) | 2012-02-27 | 2013-02-27 | 為先導藥物最適化之以結構為基礎的片段遷越及合成可行性之改良 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20130226549A1 (zh) |
TW (1) | TWI611053B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102328351B1 (ko) | 2017-07-29 | 2021-11-19 | 루트리스 파마 엘티디. | 신규한 BRaf 억제제 및 피부 반응의 치료를 위한 이의 용도 |
WO2019079580A1 (en) * | 2017-10-19 | 2019-04-25 | Schrodinger, Inc. | PREDICTING AN ACTIVE ASSEMBLY OF COMPOUNDS HAVING ALTERNATIVE HEARTS |
EP3852113A4 (en) * | 2018-09-14 | 2021-10-27 | FUJIFILM Corporation | METHOD FOR EVALUATING THE SYNTHESIS SUITABILITY OF A JOINT, PROGRAM FOR EVALUATING THE SYNTHESIS SUITABILITY OF A JOINT, AND DEVICE FOR EVALUATING THE SYNTHESIS SUITABILITY OF A JOINT |
RS64618B1 (sr) | 2019-02-12 | 2023-10-31 | Lutris Pharma Ltd | Upotreba lokalnih kompozicija braf inhibitorа za lečenje radijacijskog dermatitisa |
JP7231786B2 (ja) * | 2019-07-30 | 2023-03-01 | イー・エム・デイー・ミリポア・コーポレイシヨン | 化学化合物を合成する方法 |
CN111354424B (zh) * | 2020-02-27 | 2023-06-23 | 北京晶泰科技有限公司 | 一种潜在活性分子的预测方法、装置和计算设备 |
WO2021103516A1 (zh) * | 2020-06-28 | 2021-06-03 | 深圳晶泰科技有限公司 | 晶体复合物的药物虚拟筛选***及方法 |
CN115083539A (zh) * | 2021-03-10 | 2022-09-20 | 腾讯科技(深圳)有限公司 | 分子结构的重建方法、装置、设备及可读存储介质 |
CN113707239B (zh) * | 2021-08-27 | 2024-03-12 | 中南大学 | 一种基于药物化学转化规则的先导化合物优化方法 |
WO2023123148A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳晶泰科技有限公司 | 化合物分子成药性改良方法、装置、设备及存储介质 |
CN117174164B (zh) * | 2023-10-30 | 2024-02-13 | 晨伫(杭州)生物科技有限责任公司 | 基于预测蛋白质-小分子结合姿势筛选先导化合物的方法 |
-
2013
- 2013-02-27 TW TW102107081A patent/TWI611053B/zh active
- 2013-02-27 US US13/778,858 patent/US20130226549A1/en not_active Abandoned
Non-Patent Citations (3)
Title |
---|
Huang, Q., et al., J. Mol. Graph. Model., 2010, 28(8): 775-787 * |
Law, J., et al., J. Chem. Inf. Model., 2009, 49(3): 593-602 * |
Lin, F.Y. and Tseng,Y.J., J. Chem. Inf. Model., 2011, 51(7): 1703-1715 * |
Also Published As
Publication number | Publication date |
---|---|
US20130226549A1 (en) | 2013-08-29 |
TW201408828A (zh) | 2014-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI611053B (zh) | 為先導藥物最適化之以結構為基礎的片段遷越及合成可行性之改良 | |
Cournia et al. | Rigorous free energy simulations in virtual screening | |
Steinbrecher et al. | Accurate binding free energy predictions in fragment optimization | |
Gehlhaar et al. | De novo design of enzyme inhibitors by Monte Carlo ligand generation | |
Reddy et al. | Virtual screening in drug discovery-a computational perspective | |
Urich et al. | De novo design of protein kinase inhibitors by in silico identification of hinge region-binding fragments | |
Meier et al. | ParaDockS: a framework for molecular docking with population-based metaheuristics | |
Kumar et al. | Identification of sumoylation activating enzyme 1 inhibitors by structure-based virtual screening | |
Dar et al. | Modern computational strategies for designing drugs to curb human diseases: a prospect | |
JP2005520171A (ja) | ドラッグディスカバリーに関する、プローブ、システム、および方法 | |
Fischer et al. | Approaching target selectivity by de novo drug design | |
Mortier et al. | Computational tools for in silico fragment-based drug design | |
Rognan | Fragment-based approaches and computer-aided drug discovery | |
Ebalunode et al. | Novel approach to structure-based pharmacophore search using computational geometry and shape matching techniques | |
Li et al. | Discovery of novel checkpoint kinase 1 inhibitors by virtual screening based on multiple crystal structures | |
Coldren et al. | Discovery of novel small-molecule calcium sensitizers for cardiac troponin C: A combined virtual and experimental screening approach | |
Cappel et al. | Impact of different automated binding pose generation approaches on relative binding free energy simulations | |
Offutt et al. | Enhancing virtual screening performance of protein kinases with molecular dynamics simulations | |
Knight et al. | Leveraging data fusion strategies in multireceptor lead optimization MM/GBSA end-point methods | |
Taha et al. | Ligand-based assessment of factor Xa binding site flexibility via elaborate pharmacophore exploration and genetic algorithm-based QSAR modeling | |
Hu et al. | Kinase inhibitor scaffold hopping with deep learning approaches | |
Makara et al. | Derivatization design of synthetically accessible space for optimization: in silico synthesis vs deep generative design | |
Ahamad et al. | Identification of novel tau-tubulin kinase 2 inhibitors using computational approaches | |
Al-Sha'er et al. | Discovery of new phosphoinositide 3-kinase delta (PI3Kδ) inhibitors via virtual screening using crystallography-derived pharmacophore modelling and QSAR analysis | |
Hoffer et al. | CovaDOTS: in silico chemistry-driven tool to design covalent inhibitors using a linking strategy |