Modern Methods in Drug Discovery WS04/05

Werbung
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
Herunterladen