Aktuelle Trends Bioinformatik Stoff dieser Vorlesung 12. Vorlesung Modern Methods in Drug Discovery WS04/05 1 Optimierungszyklus in der drug discovery pipeline Source: D.K. Agrafiotis et al. Nature.Rev.Drug.Discov. 1 (2002) 337. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 2 Typische Targets Anteil am menschlichen Genom und Pharmaka am Markt 12. Vorlesung Modern Methods in Drug Discovery WS04/05 3 Targets nach Funktion Enzyme: Kinasen, Proteasen G-Protein gekoppelte Rezeptoren (GPCR) Ionen-Kanäle: Kaliumkanal (hERG), Ca-Kanal Nukleare Rezeptoren, DNA Sonstige Rezeptoren Transporter Literatur zu GPCR und Signal Netzwerken M.J. Marinissen & J.S. Gutkind Trends in Pharmacological Sciences 22 (2001) 368. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 4 GPCRs und andere Targets ligand N ion channel adenylat cyclase C ATP cAMP G-protein complex protein kinase A P inactive enzymes transcription factors active enzymes gene expression regulation nucleus 12. Vorlesung Modern Methods in Drug Discovery WS04/05 5 Rhodopsin (I) cytoplasmic side extracellular side Lit: D.C. Teller et al. Biochemistry 40 (2001) 7761 1HZX.pdb 12. Vorlesung Modern Methods in Drug Discovery WS04/05 6 Rhodopsin (II) G-protein Bindungsstellen Bindungsstelle des Liganden 1HZX.pdb 12. Vorlesung Modern Methods in Drug Discovery WS04/05 7 G-protein coupled receptors G-protein gekoppelte Rezeptoren bilden eine große Superfamilie von Enzymen die an der Zelloberfläche lokalisiert sind. Sie leiten eine Reihe von Signalen in die Zelle weiter, z.B. hormonelle, visuelle und neuronelle. Zur Zeit gruppiert man menschliche GPCRs in 3 große Familien: family A: rhodopsin-like or adrenergic-receptor-like family B: glucagon-receptor-like or secretin-receptor-like family C: metabotopic-glutamate-receptor-like 12. Vorlesung Modern Methods in Drug Discovery WS04/05 8 Orphan GPCRs Bezeichnung für G-protein gekoppelte Rezeptoren die man im Genom identifiziert hat, deren Liganden man aber (noch) nicht kennt. Die Bestrebungen entsprechende Liganden zu finden, z.B. mittels Screening werden als deorphanizing bezeichnet. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 9 Pharmaka nach Funktion Losec (omeprazole) Viagra (sildenafil) Zocor (simvastatin) Lipitor (atorvastatin) Norvasc (amlodipine) Claritin (laratadine) Celebrex (celecoxib) Prozac (fluoxetine) ion channel enzyme enzyme enzyme ion channel GPCR enzyme GPCR ATPase inhibitor PDE inhibitor HMG-CoA inhibitor HMG-CoA inhibitor COX-2-inhibitor 5-HT transporter Auswahl der meistenverkauften der letzten Jahre 12. Vorlesung Modern Methods in Drug Discovery WS04/05 10 Prodrugs Eigentlicher Wirkstoff ist der Hauptmetabolit des Medikaments Beispiel: Esterspaltung COOH O H3C OH O Acetylsalicylsäure 12. Vorlesung COOH Salicylsäure Modern Methods in Drug Discovery WS04/05 11 Statine als HMG-CoA Reduktase Hemmer Prodrug ist ein Lacton, dessen Metabolit wirksam ist H3C H3C COOH HO O HMG-CoA Reductase SCoA COOH HO cholesterol biosynthesis OH mevalonic acid HMG-CoA Ki = 1 nM H H O HO O H3C H H3C O O H3C O H CH3 HO CH3 H COOH OH O H CH3 CH3 H3C mevinolin lovastatin 12. Vorlesung active metabolite Modern Methods in Drug Discovery WS04/05 12 Antivirale Nucleosidanaloga Nucleoside denen die 3‘-OH Gruppe fehlt führen zum Abbruch der DNA-Synthese O H H3C HO O N N O 3' Tymidine Kinase N O O O P O N O O HO H H3C Nucleosid diphosphat Kinase O 3 H HO H O Thymidine H H3C N O O P O O N DNA-Polymerase O O O H H3C O O P N H O O N O O HO O O 3' O H H3C HO N Tymidine O Kinase Nucleosid diphosphat Kinase 12. Vorlesung D4T N O O H H H3C N P O H H O O N O 3 H H Modern Methods in Drug Discovery WS04/05 13 Mehrstufige Prodrugs -Methyldopa-Phe wird über den Dipeptid-Transporter aktiv aufgenommen. first pass metabolism O HO HO HO OH COOH N H3 C O H3 C NH2 H HO -Methyldopa-Phe -Methyldopa Aminosäuren Transporter Blut-Hirn Schranke O OH HO HO NH2 NH2 CH3 Decarboxylierung Hydroxylierung HO OH H3 C HO NH2 -Methylnoreprinephrine -Methylnoreprinephrine ist ein 2 Agonist (falscher Neurotransmitter) 12. Vorlesung Modern Methods in Drug Discovery WS04/05 14 4D und 5D QSAR 3D QSAR: Information aus der 3D-Struktur wird benutzt 3D-Deskriptoren, Pharmacophormodelle 4D und 5D QSAR: multiple Konformationen multiples Docking Lit: M. Dobler et al. Helvetica Chim. Acta 86 (2003) 1554 12. Vorlesung Modern Methods in Drug Discovery WS04/05 15 Multiple Konformation beim Docking (I) Die Bindungstasche vieler Cytochrom P450 Enzyme (v.a. CYP3A4 und CYP2D6) ist groß genug, um ein Substrat in verschiedenen Orientierungen zu binden, was zu unterschiedlichen Produkten führt. Die prinzipielle Reaktivität einer bestimmten Molekülstelle läßt sich mit bereits mit quantenchemischen Rechnungen abschätzen. Lit: M. de Groot et al. J.Med.Chem. 42 (1999) 4062 S.B. Singh et al. J.Med.Chem. 46 (2003) 1330 12. Vorlesung Modern Methods in Drug Discovery WS04/05 16 Multiple Konformation beim Docking (II) Neben der Information über die Reaktivität einer bestimmten Molekülstelle benötigt man also auch die Wahrscheinlichkeit der zugehörigen Bindungsposition, durch statistische Auswertung von • einer Vielzahl von Dockingergebnissen, oder • Moleküldynamik Simulationen Lit: Park & Harris J.Med.Chem. 46 (2003) 1645 12. Vorlesung Modern Methods in Drug Discovery WS04/05 17 Drug / Non-Drug Erkennung (1) Kann man anhand typischer Wirkstoffeigenschaften die potentielle Eignung einer Verbindung vorhersagen ? Ansätze: Erkennen typischer Eigenschaften von Verbindungen in Datenbanken die (fast) auschließlich Pharmaka enthalten Beispielsweise: World Drug Index (WDI) Comprehensive Medicinal Chemistry (CMC) MACCS-II Drug Report (MDDR) 12. Vorlesung Modern Methods in Drug Discovery WS04/05 18 Drug / Non-Drug Erkennung (2) Die häufigsten Gerüstfragmente von Pharmaka CH2 n n=1-7 Lit: G.W.Bemis & M.M.Murcko, J.Med.Chem. 39 (1996) 2887 12. Vorlesung Modern Methods in Drug Discovery WS04/05 19 Drug / Non-Drug Erkennung (3) Wenn ein bestimmtes Gerüstfragment oder eine Seitenkette nicht besonders häufig vorkommt, heißt nicht zwangsläufig, daß dieses unbedeutend oder ungeeignet ist. Vielmehr wird dieses Fragment möglicherweise • Schwierig zu synthetisieren sein, oder • Neuartig sein, oder • Ungünstige Eigenschaften aufweisen 12. Vorlesung Modern Methods in Drug Discovery WS04/05 20 Drug / Non-Drug Erkennung (4) Beispiele von funktionellen Gruppen mit ungünstigen Eigenschaften O O R1 S R P Cl O R R2 Cl reaktiv mutagen toxisch R1 N N R2 cancerogen Solche Gruppen sollten nicht im fertigen Pharmaka auftauchen, können aber für die Synthese von Bedeutung sein 12. Vorlesung Modern Methods in Drug Discovery WS04/05 21 Drug / Non-Drug Erkennung (5) Weiterer Ansatz: Vergleich von Verbindungen in einer Datenbank die auschließlich Pharmaka enthält (World Drug Index) mit Substanzen aus einer Datenbank die vorwiegend nichtpharmazeutische Sunstanzen enthält (Available Chemical Directory). 12. Vorlesung Modern Methods in Drug Discovery WS04/05 22 Drug / Non-Drug Erkennung (6) Klassifizierung der Verbindungen anhand ihrer Atomtypen mittels eines neuronalen Netzes Training set 10000 compounds Test set 207747 compounds Increasing drug-likeness Lit: J. Sadowski & H. Kubinyi J.Med.Chem. 41 (1998) 3325. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 23 Drug / Non-Drug Erkennung (7) Verbindungen für die ein hoher drug-likeness score vorausgesagt wurde: ACD WDI O S O OH N O OH N H O OH N H 0.78 O H 0.74 H N N OMe N Falsch positive OH N N N N N O HO NH2 OMe 0.74 OH N N OMe 0.78 Cl SMe N N N H2N OH N OH 0.79 O N F HO OH 0.78 O O COOH HO COOH HO OH Cl O OH F 0.93 O 0.93 Lit: J. Sadowski & H. Kubinyi J.Med.Chem. 41 (1998) 3325. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 24 Drug / Non-Drug Erkennung (8) Klassifizierung der Verbindungen anhand ihres ISIS fingerprints (Set von 73 Deskriptoren die das Vorhandensein von strukturellen, topologischen und chemischen Eigenschaften bzw. Gruppen kodieren) Ermöglicht den Vergleich der Verbinungen anhand ihrer Similarität über den Tanimoto-Index Diese 73 binären Deskriptoren dienen als Inputlayer für ein neuronales Netz, das mit Verbindungen aus Wirkstoffdatenbanken und der ACD trainiert wurde. Ergebnis: etwa 80% aller Verbindungen werden richtig eingestuft. Lit: Ajay et al. J.Med.Chem. 41 (1998) 3314. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 25 Drug / Non-Drug Erkennung (9) Klassifizierung der Verbindungen anhand von Atomtypen die sog. pharmacophore points repräsentieren: Zu diesen funktionellen Gruppen gehören u.a. NHR, C(=O)NH, OH, C=O, C(=O)OR, SO2, SO2NH Vorauswahl: Eine Verbindung ist möglicherweise drug-like, wenn sie mindestens einen Ring und zwischen 2 und 7 solcher Gruppen enthält. Anhand der Zugehörigkeit zu einem solchen pharamacophore point werden die Atome eines Moleküls klassifiziert und als Input für ein neuronales Netz verwendet. Auch hier wird die ACD mit anderen Datenbanken, die vorwiegend Wirkstoffe enthalten verglichen. Lit: J.Muegge et al. J.Med.Chem. 44 (2001) 1841. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 26 Drug / Non-Drug Erkennung (10) Klassifizierung der Verbindungen anhand topologischer Deskriptoren mittels eines neuronalen Netzes Increasing drug-likeness 680 Verbindungen aus dem Merck Index, davon etwa 76 % richtig klassifiziert Lit: M.Murcia-Soler et al. J.Chem.Inf.Comput.Sci. 43 (2003) 1688. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 27 Drug / Non-Drug Erkennung (11) Klassifizierung der Verbindungen mit Hilfe eines decision tree. Dabei werden Atomtypen verwendet die bestimmte funktionelle Gruppen repräsentieren. Vorteile eines decision tree gegenüber einem neuronalen Netz: Die Kriterien der Einteilung lassen sich an jeder Gabelung nachverfolgen und dafür der jeweilige Fehler angeben. Ergebnis: • ¾ aller Verbinungen lassen sich anhand der Anwesenheit von 6 chemischen Gruppen klassifizieren • Non-drugs besitzten meistens zu wenig solcher funktionellen Gruppen Lit: M.Wagner et al. J.Chem.Inf.Comput.Sci. 40 (2001) 280. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 28 Drug / Non-Drug Erkennung (12) Vorläufiges Fazit: Weder anhand von (Sub-)Strukturfragmenten, topologischen Eigenschaften, noch anhand von Atomtypen läßt sich eine Verbindung wirklich eindeutig als drug-like zuordnen. (Mehr als 95% Genauigkeit) Offensichtlich braucht man also eine (noch) größere Vielfalt an Deskriptoren, z.B. die elektronischen Eigenschaften. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 29 Drug / Non-Drug Erkennung (13) Hauptkomponentenanalyse (PCA) von 26 Deskriptoren für Verbindungen in der Maybridge Database ergab den Wert der Hauptkomponente (PC) 3 als Unterscheidungskriterium Lit: M.Brüstle et al. J.Med.Chem. 45 (2002) 3345 12. Vorlesung Modern Methods in Drug Discovery WS04/05 30 Drug / Non-Drug Erkennung (14) Klassifizierung von Verbindungen anhand chemischer Intuition 3980 Verbindungen wurden von 5 Chemiker nach ihrer drug-likeness und Syntheseaufwand beurteilt Lit: Y.Takaoka et al. J.Chem.Inf.Comput.Sci. 43 (2003) 1269 12. Vorlesung Modern Methods in Drug Discovery WS04/05 31 Drug / Non-Drug Erkennung (15) Und jetzt Sie ! Klassifizieren Sie die Verbindungen in drug / non-drug CF3 N N OH O O H OH O N HO OH OH CH3 CF3 OH OH OH OH H O CH3 O CH3 N N S N H3C CH3 O H N HO O CH3 Cl O H3C H N N HO Cl N H Cl H O HO N NH2 OH O OH Vergleichen Sie ihre Ergebnisse mit dem property prediction modul auf http://www.organic-chemistry.org/prog/peo/index.html 12. Vorlesung Modern Methods in Drug Discovery WS04/05 32 Cheminformatics oder Chemoinformatics ? 25000 Cheminformatics Chemoinformatics number of hits 20000 Which term is more accepted ? 15000 10000 5000 0 2000 2001 2002 2003 2004 time frame Data source: http://www.molinspiration.com http://www.google.de 12. Vorlesung Modern Methods in Drug Discovery WS04/05 33 Individualisierte Medizin Variable metabolischer Umsetzung und Prädisposition (Genotyping) Vermeidung seltener gefährlicher Nebenwirkungen (zum Teil schon gängige klinische Praxis) Wird der damit verbunden Kostenaufwand des screenings und der klinischen Studien zu einer Beschränkung auf den genetischen Pool der Bevölkerung der Industriestaaten führen ? Gegenbeispiel: Das deCode genetics Programm von deCode genetics an dem viele Einwohner Islands beteiligt sind. Hierbei wird eine Datenbank erstellt um genetsiche Marker für die häufigsten Krankheiten zu finden. http://www.decodegenetics.com/ 12. Vorlesung Modern Methods in Drug Discovery WS04/05 34 Lifestyle vs. Disease (I) Die meistverkauftesten Medikamente der letzten Jahre (Auswahl): Simvastatin (Zocor™) Atorvastatin (Lipitor™) Omeprazole (Losec™) Amlodipin (Norvasc™) Erythropoiethin (Epo™) Loratadine (Claritin™) Celecoxib (Celebrex™) Lansoprazol (Takepron™) Fluoxetine (Prozac™) Losartan (Coozar™) Sildenafil (Viagra™) 12. Vorlesung HMG-CoA Reduktase HMG-CoA Reduktase Protonenpumpe (Magen) Calciumkanal (Blutdruck) (Blutbildend) GPCR (Antiallergikum) COX-2 Inhibitor (Schmerz) Protonenpumpe GPCR (Antidepressivuum) GPCR (Blutdruck) Phoshodiesterase-5 Inhibitor Modern Methods in Drug Discovery WS04/05 35 Lifestyle vs. Disease (II) Die meisten „Blockbuster“ Medikamente wurden nicht von den Marketing Abteilungen der Firmen vorausgesagt: Indikation Taxomifen Brustkrebs Captopril Bluthochdruck Cimetidine Geschwulstbildung im Magen Fluoxetine (Prozac™) Depressionen Atorvastatin (Lipitor™) Hyperlipidaemia Lit: J.Knowles & G.Gromo Nat.Rev.Drug.Discov. 2 (2003) 63. 12. Vorlesung Modern Methods in Drug Discovery WS04/05 36 Lifestyle vs. Disease (III) Innovative neue Medikamente der letzten Jahre 2001 2001 1999 1999 1999 1998 1998 1997 1997 1997 1996 1996 1996 1995 1995 Imatinib Fondaparinux Zanamivir Amprenavir Celecoxib Sildenafil Orlistat Sibutramine Finasteride Nelfinavir Indinavir Nevirapin Meloxicam Dorzolamine Losartan 12. Vorlesung Leukämie (Tyrosinkinase Inhibitor) Thrombose (Antagonist) Influenza (Virale Neuraminase Inhibitor) HIV (Protease Inhibitor) Arthritis (COX-2 Inhibitor) Erectile Dysfunktion (PDE-5 Inhibitor) Übergewicht (Pankreas Lipase Inhibitor) Übergewicht (GPCR Inhibitor) Prostata (Steroidreduktase Inhibitor) HIV (Protease Inhibitor) HIV (Protease Inhibitor) HIV (Reverse Transkriptase Inhibitor) Arthritis (COX-2 Inhibitor) Glaukom (Carboanhydrase Inhibitor) Blutdruck (GPCR Antagonist) Modern Methods in Drug Discovery WS04/05 37 Lifestyle vs. Disease (IV) Innovative neue Medikamente der Jahre 1982-1994: 1994 1993 1991 1990 1988 1987 1986 1985 1985 1984 1983 1982 Famciclovir Risperidon Sumatriptan Ondansetron Omeprazole Lovastatin Artemisinin Fluoxetine Mefloquine Enalapril Cyclosporin A Ranitidine 12. Vorlesung Herpes (DNA-Polymerase Inhibitor) Psychosen (D2 / 5HT2 Antagonist) Migräne (5HT1 Rezeptor Antagonist) Antiemetikum (5HT3 Antagonist) Magengeschwüre (Protonenpumpe) Cholesterin (Biosynthese Inhibitor) Anti-Malaria (Naturstoff) Depressionen (5HT Inhibitor) Anti-Malaria Blutdruck (ACE-Inhibitor) Immunosupressant Magengeschwüre (H2 Antagonist) Modern Methods in Drug Discovery WS04/05 38 Lifestyle vs. Disease (V) Wie definieren sich innovative Medikamente ? • Verbessertes Wirkungsprofil • Besseres ADMET-Profil • Bessere Dareichungsform (oral anstatt intravenös) • Pro-drugs • Neue targets 12. Vorlesung Modern Methods in Drug Discovery WS04/05 39 Lifestyle vs. Disease (VI) Die großen Herausforderungen • Virostatika • Antibiotika (Zn--Lactamasen, Malaria) • Anti-Krebs • Anti-Demenz/Alzheimer • Zivilisationskrankheiten ? 12. Vorlesung Modern Methods in Drug Discovery WS04/05 40 Kenntnis des menschlichen Genoms Die nun vorhandenen Kenntnisse über das menschliche Genom und die darin enthaltenen SNPs bieten zwei Ansatzpunkte: 1. Das Auffinden neuer targets (sei es auf Genom, mRNA oder Proteinebene) 2. Pharmagenomische Methoden werden zu einer individualisierten Medikamentierung (Art und Dosis) führen, v.a. bei längerfristig verabreichten Medikamenten (Blutdrucksenker, Schmerzmittel, Psychopharmaka) und solchen die eine schmale therapeutische Breite (Dosis) aufweisen (Cardiotonics, Antineoplastics) 12. Vorlesung Modern Methods in Drug Discovery WS04/05 41