ПРОБЛЕМЫ ПРОЕКТИРОВАНИЯ И КОНСТРУИРОВАНИЯ СОВРЕМЕННЫХ

ЛЕКАРСТВЕННЫХ СРЕДСТВ

М.И. Мацаберидзе

Грузинский технический университет

Продуцирование нового лекарства это сложный, многостадийный процесс, занимающий много лет и
требующий существенных трудовых и финансовых затрат. В последнее время постоянно воз-
растающую роль в нем играют методы компьютерного молекулярного моделирования и исследования
количественной связи между структурой и биологической активностью химических соединений -
QSAR (Quantitative Structure-Activity Relationships), которые позволяют значительно сократить сроки
разработки лекарств.

Компьютерное проектирование лекарственных средств сравнительно молодая технология, она условно

может быть разделена на две ветви - поиск соединений с нужной активностью среди уже известных
веществ и конструирование ранее неизвестных. Обе эти ветви, в реальной практике используются чаще
всего совместно, дополняя и обогащая возможности исследователя.

Корреляционный подход, структура-свойство, сводится к выявлению главных особенностей

рассматриваемых объектов. Любопытно проследить, как он развивался применительно к созданию
новых биологически-активных, в том числе лекарственных, соединений. Сведения об их структуре
накапливались двумя совершенно различными путями. С одной стороны, химикам и фармакологам за
последние две столетия стали известны многие высокоактивные природные соединения, обладающие,
подчас чрезвычайно сложным строением (хинин, морфин, стрихнин, стероидные половые гормоны и
т.д.), а с другой - за этот период среди несметного множества синтетических органических соединений
нет-нет, да обнаруживались ценные лекарственные вещества. Так, совершенно случайно были открыты
доселе применяемые аспирин, фенацетин, антипирин, стрептоцид. Оба эти направления породили
разные подходы к установлению корреляций между структурой химического соединения и его
биологической активностью.

Структуры природных соединений с определенной биологической активностью, как правило,

уникальны. Поэтому речь идет не столько об установлении, сколько об угадывании корреляции
структура-свойство. Вот несколько примеров, связаных с попытками химиков получать дешевые и
эффективные аналоги сложных лекарственных соединений природного происхождения. Требовалось
предельно упростить молекулу, удаляя из нее все функциональные группы и структурные блоки, не
являющиеся необходимыми для биологической активности. Сравним два ингибитора фермента

1
ацетилхолинэстеразы - алкалоид эзерин из калабарских бобов и его синтетический аналог - прозерин.
Их структуры объединяет лишь присутствие аммонийной и уретановой групп - первая нужна для
правильной ориентации при взаимодействии с ацетилхолин-связывающим участком фермента, а
вторая используется для необратимого «пришивания» к белку (все это выяснилось спустя почти
полвека).

Другой пример - синтетические эстрогены - синэстрол, гексэстрол и др. , - в молекулах которых есть
две гидроксильные группы, разнесенные на такое же расстояние, как в женском стероидном половом
гормоне эстрадиоле.

Еще один пример - миорелаксанты декаметоний и суберилхолин, которые, подобно алкалоиду

тубокурарину (действующему началу яда кураре), содержат в молекуле две аммонийные группы. И
больше ничего общего.

Итак, оказалось, что молекулу лекарственного соединения, с некоторым приближением, можно

рассматривать как своего рода штатив, на котором в определенной ориентации и на определенном
удалении размещены функционально необходимые группировки (совокупность таких групп иногда
называют фармакофором). При этом конструкция штатива, основного структурного блока молекулы,
допускает довольно широкие вариации.

Если известно, что в структуре нужной молекулы должен присутствовать фармакофор, то для ее
поиска и конструирования есть два пути. Первый - отталкиваясь от фармакофора, достраивая его по
всем правилам химии до цельной молекулы. Второй - искать среди известных соединений те, в чьей
структуре уже присутствует фармакофор (разумеется, помимо непременного присутствия
фармакофора накладывается множество других требований - на молекулярный вес, отсутствие
"посторонних" фармакофоров и токсических групп, растворимость и т.д.). Оба пути сопряжены с
перебором огромного числа вариантов, а именно это и есть самая подходящая работа для компьютера.

По многим причинам в структурах известных лекарственных соединений далеко не всегда удается

четко выделить совокупность фрагментов, образующих фармакофор. Главная из них та, что сплошь да
рядом кроме набора определенных функциональных групп необходимо соблюсти общие очертания
молекулы, распределение на поверхности гидрофобных и полярных участков и т.п. Иными словами -
речь идет о трудно формализуемых параметрах, описывающих не локальные, а общие свойства
объекта. Обычно для выявления скрытых зависимостей используют различные методы
корреляционного анализа.

Проблема структура-свойство очень сложна; одним из подходов к ее решению до сих пор остается
синтез и последующее тестирование вещества. Создание новых лекарств исторически прошло
сложный путь, но до последних лет парадигма поиска лекарств оставалась неизменной: от выделения

2
вещества из природных источников или от сложнейшего многостадийного синтеза к тестированию на
лекарственное действие. Этот процесс малоэффективен, так как для выявления нужного вещества
приходилось исследовать сотни и тысячи веществ.

Прогресс в медицинской химии (т.е. современные подходы к поиску и конструированию структуры

лекарств) связан с введением понятия «биомишень - биополимерная молекула (ДНК, фермент или
рецептор)», свойства которой надо видоизменить за счет действия лекарства. В тех случаях, когда есть
информация о пространственном строении необходимой биомишени (как правило, белковой
молекулы), применяются методы прямого конструирования, в рамках которых реализуются отдельные
этапы методологии «от гена -к лекарству». Эти методы можно разделить на две группы - виртуальный
скрининг в молекулярных базах данных и виртуальное конструирование лигандов. Если нет сведений о
строении биомишени, но есть данные о необходимой биоактивности для серии соединений,
используются методы непрямого поиска, главным образом QSAR. При отсутствии данных о структуре
лигандов и структуре рецептора применяются методы комбинаторной химии и тестирование с
большой пропускной способностью. А подробнее, в условиях, когда нет данных как о строении
биомишени, так и о структуре активных соединений, современное направление поиска лекарств
базируется на синтезе библиотек соединений методами комбинаторной химии и последующих массовых
испытаниях биологической активности методами тестирования с большой пропускной способностью
(High throughput screening). Число синтезируемых соединений методами комбинаторной химии при
наличии современной робототехники на крупных фирмах достигает десятков и даже сотен тысяч в
неделю. Быстрый прогресс в деле тестирования произвели современные методы с большой пропускной
способностью, позволяющие быстро проверять на целевую активность все синтезируемые соединения.

Методы непрямого поиска, как правило, основаны на методологии QSAR. Для проведения ис-
следований QSAR необходимы исходные данные, состоящие из набора химических структур с изве-
стными значениями активностей. Далее, статистическими методами строится модель «структура-
активность» или QSAR-модель. Следующий этап заключается в генерации и дизайне новых структур с
заданной активностью на базе построенных моделей. Идет генерация большого количества
гипотетических структур; предсказание для них активности на основе QSAR-моделей; автоматическая
селекция структур с требуемыми значениями активности; анализ их синтетической доступности;
последующий синтез и практические испытания. Таким образом, процесс создания новых соединений
носит итерационный характер: после синтеза и экспериментальных исследований серии соединений
проводятся новые исследования QSAR, и затем конструируются новые структуры, идет их синтез,
тестирование, и вновь осуществляются исследования QSAR с учетом данных для новых соединений, и
т.д.

3
Важным направлением разработок в области QSAR стало применение методологии искусственных
нейронных сетей (ИНС) [1]. Обычно нейронные сети для QSAR включают входной слой нейронов (он
получает рассчитанные значения дескрипторов), промежуточный слой и выходной слой нейронов,
соответствующих прогнозируемым свойствам. Благодаря применению ИНС с использованием базы
данных «структура-активность» происходит оптимизация параметров нейронной сети таким образом,
что в результате преобразования значений дескрипторов получаются наиболее точные значения
активности. Нейросетевые модели могут воспроизводить нелинейные зависимости и обеспечивают
высокую точность прогнозирования активности структур.

В последние годы большое значение приобрела априорная (до проведения синтеза) компьютерная
оценка параметров, характеризующих всасывание, распределение, метаболизм, выделение и воз-
можную токсичность лекарственных веществ (ADMET). Ранее оценка таких параметров проводилась
экспериментальными методами, и значительное число веществ синтезировалось напрасно.

В последнее десятилетие большие успехи были достигнуты при использовании трехмерных подходов,
основанных на картировании биомишеней путем определения формы места связывания исходя из
структурных данных о лигандах и данных об их связывании. К таким методам относится CoMFA
(метод сравнительного анализа молекулярного поля [2]), и CoMSIA (метод сравнительного анализа
индексов молекулярного сходства). Такие методы позволяют сделать обоснованные выводы о
строении биомишени и характере связывания с ней лигандов [3,4].

В настоящее время в общедоступных базах данных имеются координаты атомов для тысяч белков,
полученные методами рентгеноструктурных исследований или ЯМР спектров. Эти данные могут
служить в качестве базового знания о биомишенях при разработке новых лекарств. Однако для
большинства белков известна лишь аминокислотная последовательность и есть некоторые данные
точечного мутагенеза, указывающие на аминокислотные остатки в структуре белка, необходимые для
связывания определенных лигандов. В этом случае возможно компьютерное построение
пространственной модели белка-биомишени, например, по гомологии с белками, имеющими
известную пространственную структуру. Информация же о точечных мутациях, влияющих на
связывание лигандов, помогает определить сайт связывания лигандов.

В проектирование и конструирование лекарственных средств перспективным направлением является

виртуальный скрининг (тестирование) в молекулярных базах данных, который предназначен для
выявления активных структур компьютерными методами. Он включает следующие этапы:

• подготовка модели биомишени: расстановка зарядов на атомах, расчет молекулярных поверх-

ностей;

• подготовка баз данных структур органических соединений: удаление противоионов, прото-

4
нирование и депротонирование в соответствии с физиологическим рН, расчет физико-химических
свойств, моделирование пространственной структуры соединений в базах данных, расчет зарядов на
атомах;

• препроцессинг баз данных: удаление структур по критериям, основанным на допустимых

значениях оценок физикохимических свойств, в частности липофильности, допустимому интервалу
молекулярной массы, по количеству доноров и акцепторов водородной связи, по предсказанной
токсичности и т.д.;

• молекулярный докинг структур из баз данных в модель биомишени с помощью программ,

основанных на оценочных функциях, и отбор потенциальных лигандов;

• постпроцессинг сформированных баз потенциальных лигандов с помощью моделей QSAR, в

результате чего мы получаем сфокусированную библиотеку потенциальных лигандов для данной
биомишени.

Важно подчеркнуть, что проблема разработки универсальных и надежно работающих оценочных

функций (позволяющих оценить взаимодействие молекулы-лиганда с биомишенью в процессе
молекулярного докинга) до сих пор не решена. Однако для каждой из биомишеней возможна до-
полнительная «подгонка» таких функций, позволяющая получать надежные результаты докинга.
Несмотря на очевидную важность этого направления, оно ограничивается недоступностью или
высокой стоимостью соответствующих программных комплексов.

Совершенно новые перспективы для компьютерного конструирования биологически-активных

соединений открылись в связи с успехами в установлении пространственной структуры белков.
Появилась реальная возможность согласовывать структуру эффектора со структурой мишени. Однако,
оказалось, что эту возможность далеко не просто использовать, причем трудности носят весьма
принципиальный характер и для своего преодоления требуют этапного достижения как в методологии,
так и в сознании исследователя. Очень быстро выяснилось - пространственная структура активных
центров ферментов и участков связывания эффекторов сложна и лабильна настолько, что анализ
внутрибелковых и лиганд-белковых взаимодействий возможен лишь ценой отказа от привычных
представлений о наглядности и понятности. Выход был найден в построении математических моделей
белка: В результате мы располагаем неким отображением реальной молекулы, которое почти
идентично ей по своей геометрии, жесткости и иным свойствам. «Коллизии» внутренних
взаимодействий в таких моделях столь же сложна, как и в самих белках, и потому так же мало
доступна человеческому пониманию. Тем не менее, эти модели стало возможным использовать для
симуляции поведения белков, в частности, - их взаимодействия с лигандами. Последнее облегчается
тем, что в этих взаимодействиях участвуют те же факторы, которые формируют саму белковую
глобулу - кулоновы силы, вандерваальсовы контакты, водородные связи.

5
Технологию компьютерного моделирования белков почти сразу стали использовать при поиске и
конструировании ингибиторов или активаторов ферментов. Рассмотрим наиболее важные направления
этой прикладной науки. Все они так или иначе опираются на сведения о структуре белок-лигандных
комплексов, полученные либо экспериментально (обычно рентгеноструктурными методами), либо
расчетным путем с помощью докинга - так называют виртуальное прилаживание лиганда к месту
связывания.

Первое из этих направлений - расширение возможностей QSAR-технологий посредством учета

реального окружения «обучающих» лигандов в месте их связывания белком. Ясно, что это разумный и
продуктивный путь, однако здесь сохраняется потребность в обучающей выборке, т.е. в обширном
наборе реальных химических соединений, целевая биологическая активность которых определялась
экспериментально, по возможности в стандартных условиях. Кроме того, все предсказания по-
прежнему носят характер интерполяции, не позволяя существенно выйти за пределы накопленного
опыта.

Второе направление - последовательное построение виртуальных комплексов с белком-мишенью для

большого числа органических соединений и прогноз их «качества», т.е. вероятности того, что данное
соединение будет «в реальной жизни» конкурентным ингибитором или иным регулятором активности
данного белка. Такой прогноз может основываться либо на степени пространственной
комплементарности лиганда и выбранного участка связывания, либо на прямых расчетных оценках
свободной энергии комплексообразования, либо, на ее вычислении с помощью корреляционных
уравнений, полученных QSAR-методами.

Третье направление - формирование структуры виртуального лиганда непосредственно в контакте с

местом его связывания на виртуальной молекуле белка-мишени. Происходит это путем
многочисленных проб при постоянной отбраковке неудачных вариантов. Программа-конструктор
располагает сформированной оператором библиотекой фрагментов, которые она использует как
строительные элементы, подчиняясь законам структурной химии и любым заранее заданным
ограничениям на соединение фрагментов и постоянно оптимизируя конформацию продукта. Обычно
критерием отбора является так или иначе оцениваемая энергия белок-лигандного взаимодействия. При
этом оператор может влиять на эволюцию выращиваемой молекулы, изменяя с помощью
коэфициентов вклады отдельных типов взаимодействий - так, например, завышая значение
водородного связывания можно лимитировать отбор структур, в комплексах которых такое связывание
имеет место.

Медицинская химия (сформировавшаяся в последние десятилетия поддисциплина органической химии

- medicinal chemistry, от англ. medicine - лекарство) XXI века, посвященная структурному дизайну
новых лекарств, бурно развивается [5]. С грустью отмечаем, что всё из рассмотренных современных
методов конструирования лекарств (как экспериментальных, так и компьютерных) недоступны в

6
Грузии и по этой причине, на наш взгляд, нужно безотлагательно создать центр под эгидой
Инженерной академии Грузии и Грузинского технического университета, оснащенный необходимым
оборудованием и программным обеспечением для разработки новых лекарств на современном уровне.
Создание структуры, обеспечивающей проведение массового скрининга, следует рассматривать как
одну из наиболее приоритетных организационных задач для экономической стабильности и защиты
интеллектуальной собственности в Грузии.

РЕЗЮМЕ
ПРОБЛЕМЫ ПРОЕКТИРОВАНИЯ И КОНСТРУИРОВАНИЯ СОВРЕМЕННЫХ
ЛЕКАРСТВЕННЫХ СРЕДСТВ
М.И. Мацаберидзе
Грузинский технический университет
В работе рассмотрено топология методологии поиска и конструирования лекарственных соединений.
Это проблема довольно сложная по той причине, что химики, биологи и медики говорят
на совершенно разных языках. Чтобы создание лекарства стало возможным, нужен переводчик
биохимической (или фармакологической) информации на язык структурных формул. Роль такого
переводчика играет медицинская химия. В статье показаны некоторые ресурсы метода QSAR
(Quantitative Structure-Activity Relationship) для установления количественного соотношения структура-
свойство.

ЛИТЕРАТУРА

1. Гальберштам Н.М., Баскин ИМ., Палюлин В.А., Зефиров П.С. Нейронные сети как метод поиска
зависимостей структура-свойство органических соединений // Успехи химии. № 7. 2003.

2 Cramer R.D., Patterson D.E., Випсе J.D. Comparative Molecular Field Analysis (CoMFA). 1. Effect of Shape on
Binding of Steroids to Carrier Proteins // J. Am. Chem. Soc. v. 110. pp. 5959-5967. 1988.

3. Baskin 1.1., Tikhonova I.G., Palyulin VA., Zefirov N.S. Selectivity Fields: Comparative Molecular Field Analysis
(CoMFA) of the Glycine/NMDA and AMPA Receptors // J. Med. Chem. v. 46. pp. 1063-1069. 2003.

4. Tikhonova I.G., Baskin 1.1., Palyulin VA., Zefirov N.S. CoMFA and Homology-Based Models of the Glycine
Binding Site of N-Methyl-D-aspartate Receptor // J. Med. Chem. v. 46. pp. 1609-1616. 2003.

5. Keduo Qian, Donglei Yu, Chin-Ho Chen, Li Huang, Susan L. Morris-Natschke, Theodore J. Nitz, Karl
Salzwedel, Mary Reddick, Graham P. Allaway and Kuo-Hsiung Lee. Anti-AIDS Agents. Design, Synthesis,
Metabolic Stability Assessment, and Antiviral Evaluation of Novel Betulinic Acid Derivatives as Potent Anti-
Human Immunodeficiency Virus (HIV) Agents. J. Med. Chem., April 23, 2009.