Refine
Year of publication
Document Type
- Doctoral Thesis (28)
Has Fulltext
- yes (28)
Is part of the Bibliography
- no (28)
Keywords
- Computational chemistry (5)
- Arzneimitteldesign (3)
- Bioinformatik (3)
- Screening (3)
- Virtual Screening (3)
- Docking (2)
- Drug design (2)
- In silico-Methode (2)
- Molekulare Bioinformatik (2)
- Neuronales Netz (2)
- Pharmazeutische Chemie (2)
- RNS (2)
- Virtuelles Screening (2)
- Wirkstoff-Rezeptor-Bindung (2)
- Wirkstoffdesign (2)
- computational chemistry (2)
- virtual screening (2)
- 5-LO (1)
- 5-Lipoxygenase (1)
- Aktives Zentrum (1)
- Alignment <Biochemie> (1)
- Apoptose (1)
- Apoptosis (1)
- B-Lymphocytes (1)
- B-Lymphozyten (1)
- Bayes-Lernen (1)
- Bildungswahrscheinlichkeit (1)
- Bindestelle (1)
- Caspase-6 (1)
- Cheminformatics (1)
- Cheminformatik (1)
- Coenzym (1)
- Cofaktor (1)
- Cytomegalievirus (1)
- Datenbank (1)
- De novo Design (1)
- De-Novo-Synthese (1)
- Deskriptor (1)
- Deterministische Optimierung (1)
- Dimensionsreduktion (1)
- Docking protein (1)
- Dreidimensionale geometrische Modellierung (1)
- Drug Design (1)
- Druggability (1)
- Entzündung (1)
- Enzym (1)
- Enzymologie (1)
- Evolutionärer Algorithmus (1)
- FRET (1)
- Formvergleich (1)
- GPCR (1)
- Gaussian processes (1)
- Gauß Prozesse (1)
- Global Alignment (1)
- Graphentheorie (1)
- HIV (1)
- Hauptkomponentenanalyse (1)
- Homologiemodellierung (1)
- Immunrekonstitution (1)
- In vitro (1)
- In vitro assay (1)
- Induced Fit (1)
- Inhibitor (1)
- Korrelation (1)
- Ligand (1)
- Line Notation (1)
- Linearisierung (1)
- Lipidstoffwechselstörung (1)
- Maschinelles Lernen (1)
- Medicinal Chemistry (1)
- Molecular dynamic simulation (1)
- Molekulardynamik (1)
- Moleküldesign (1)
- Moleküldynamiksimulation (1)
- Multivariate Modellierung (1)
- MySQL (1)
- NMDA (1)
- NMDA-Antagonist (1)
- NMDA-Rezeptor (1)
- Neurotransmitter-Rezeptor (1)
- Optimierung (1)
- Organic synthesis (1)
- Organische Synthese (1)
- PPAR (1)
- PSGP (1)
- Pharmacophore (1)
- Pirinixinsäure (1)
- Post-Targeting Funktionen (1)
- Prognose (1)
- Protein flexibility (1)
- Protein-Sortierung (1)
- Proteinflexibilität (1)
- Pseudorezeptoren (1)
- RNA (1)
- Reaktionskinetik (1)
- Receptor-based (1)
- Rezeptor (1)
- Rezeptorbasiert (1)
- SIMPrint (1)
- Scaffold Hopping (1)
- Shapecomparison (1)
- Signalpeptide (1)
- Similarity (1)
- Simulation (1)
- Stammzelltransplantation (1)
- Structure activity relationships (1)
- Struktur (1)
- Substanzbibliothek (1)
- T-Zellen (1)
- Taschenoberfläche (1)
- Tat-TAR-Interaktion (1)
- Virtual screening (1)
- Zellkultur (1)
- allosterischer Modulator (1)
- bioinformatic (1)
- bioinformatics (1)
- chemical synthesis (1)
- conservation (1)
- de novo design (1)
- drug design (1)
- evolutionary algorithm (1)
- generation probability (1)
- kern-basiertes Lernen (1)
- kernel learning (1)
- lange Signalpeptide (1)
- long signal peptide (1)
- mPGES-1 (1)
- metabotroper Glutamatrezeptor (1)
- metabotropic (1)
- peroxisom proliferator aktivierter Rezeptor (1)
- peroxisome proliferator-activated receptor (1)
- pocket surface (1)
- protein sorting (1)
- pseudoreceptors (1)
- structure modeling (1)
- transmembran (1)
- virtuelles Screening (1)
- Ähnlichkeit (1)
Institute
- Biowissenschaften (15)
- Biochemie und Chemie (6)
- Pharmazie (6)
- Medizin (1)
Virtual screening of potential bioactive substances using the support vector machine approach
(2005)
Die vorliegende Dissertation stellt eine kumulative Arbeit dar, die in insgesamt acht wissenschaftlichen Publikationen (fünf publiziert, zwei eingerichtet und eine in Vorbereitung) dargelegt ist. In diesem Forschungsprojekt wurden Anwendungen von maschinellem Lernen für das virtuelle Screening von Moleküldatenbanken durchgeführt. Das Ziel war primär die Einführung und Überprüfung des Support-Vector-Machine (SVM) Ansatzes für das virtuelle Screening nach potentiellen Wirkstoffkandidaten. In der Einleitung der Arbeit ist die Rolle des virtuellen Screenings im Wirkstoffdesign beschrieben. Methoden des virtuellen Screenings können fast in jedem Bereich der gesamten pharmazeutischen Forschung angewendet werden. Maschinelles Lernen kann einen Einsatz finden von der Auswahl der ersten Moleküle, der Optimierung der Leitstrukturen bis hin zur Vorhersage von ADMET (Absorption, Distribution, Metabolism, Toxicity) Eigenschaften. In Abschnitt 4.2 werden möglichen Verfahren dargestellt, die zur Beschreibung von chemischen Strukturen eingesetzt werden können, um diese Strukturen in ein Format zu bringen (Deskriptoren), das man als Eingabe für maschinelle Lernverfahren wie Neuronale Netze oder SVM nutzen kann. Der Fokus ist dabei auf diejenigen Verfahren gerichtet, die in der vorliegenden Arbeit verwendet wurden. Die meisten Methoden berechnen Deskriptoren, die nur auf der zweidimensionalen (2D) Struktur basieren. Standard-Beispiele hierfür sind physikochemische Eigenschaften, Atom- und Bindungsanzahl etc. (Abschnitt 4.2.1). CATS Deskriptoren, ein topologisches Pharmakophorkonzept, sind ebenfalls 2D-basiert (Abschnitt 4.2.2). Ein anderer Typ von Deskriptoren beschreibt Eigenschaften, die aus einem dreidimensionalen (3D) Molekülmodell abgeleitet werden. Der Erfolg dieser Beschreibung hangt sehr stark davon ab, wie repräsentativ die 3D-Konformation ist, die für die Berechnung des Deskriptors angewendet wurde. Eine weitere Beschreibung, die wir in unserer Arbeit eingesetzt haben, waren Fingerprints. In unserem Fall waren die verwendeten Fingerprints ungeeignet zum Trainieren von Neuronale Netzen, da der Fingerprintvektor zu viele Dimensionen (~ 10 hoch 5) hatte. Im Gegensatz dazu hat das Training von SVM mit Fingerprints funktioniert. SVM hat den Vorteil im Vergleich zu anderen Methoden, dass sie in sehr hochdimensionalen Räumen gut klassifizieren kann. Dieser Zusammenhang zwischen SVM und Fingerprints war eine Neuheit, und wurde von uns erstmalig in die Chemieinformatik eingeführt. In Abschnitt 4.3 fokussiere ich mich auf die SVM-Methode. Für fast alle Klassifikationsaufgaben in dieser Arbeit wurde der SVM-Ansatz verwendet. Ein Schwerpunkt der Dissertation lag auf der SVM-Methode. Wegen Platzbeschränkungen wurde in den beigefügten Veröffentlichungen auf eine detaillierte Beschreibung der SVM verzichtet. Aus diesem Grund wird in Abschnitt 4.3 eine vollständige Einführung in SVM gegeben. Darin enthalten ist eine vollständige Diskussion der SVM Theorie: optimale Hyperfläche, Soft-Margin-Hyperfläche, quadratische Programmierung als Technik, um diese optimale Hyperfläche zu finden. Abschnitt 4.3 enthält auch eine Diskussion von Kernel-Funktionen, welche die genaue Form der optimalen Hyperfläche bestimmen. In Abschnitt 4.4 ist eine Einleitung in verschiede Methoden gegeben, die wir für die Auswahl von Deskriptoren genutzt haben. In diesem Abschnitt wird der Unterschied zwischen einer „Filter“- und der „Wrapper“-basierten Auswahl von Deskriptoren herausgearbeitet. In Veröffentlichung 3 (Abschnitt 7.3) haben wir die Vorteile und Nachteile von Filter- und Wrapper-basierten Methoden im virtuellen Screening vergleichend dargestellt. Abschnitt 7 besteht aus den Publikationen, die unsere Forschungsergebnisse enthalten. Unsere erste Publikation (Veröffentlichung 1) war ein Übersichtsartikel (Abschnitt 7.1). In diesem Artikel haben wir einen Gesamtüberblick der Anwendungen von SVM in der Bio- und Chemieinformatik gegeben. Wir diskutieren Anwendungen von SVM für die Gen-Chip-Analyse, die DNASequenzanalyse und die Vorhersage von Proteinstrukturen und Proteininteraktionen. Wir haben auch Beispiele beschrieben, wo SVM für die Vorhersage der Lokalisation von Proteinen in der Zelle genutzt wurden. Es wird dabei deutlich, dass SVM im Bereich des virtuellen Screenings noch nicht verbreitet war. Um den Einsatz von SVM als Hauptmethode unserer Forschung zu begründen, haben wir in unserer nächsten Publikation (Veröffentlichung 2) (Abschnitt 7.2) einen detaillierten Vergleich zwischen SVM und verschiedenen neuronalen Netzen, die sich als eine Standardmethode im virtuellen Screening etabliert haben, durchgeführt. Verglichen wurde die Trennung von wirstoffartigen und nicht-wirkstoffartigen Molekülen („Druglikeness“-Vorhersage). Die SVM konnte 82% aller Moleküle richtig klassifizieren. Die Klassifizierung war zudem robuster als mit dreilagigen feedforward-ANN bei der Verwendung verschiedener Anzahlen an Hidden-Neuronen. In diesem Projekt haben wir verschiedene Deskriptoren zur Beschreibung der Moleküle berechnet: Ghose-Crippen Fragmentdeskriptoren [86], physikochemische Eigenschaften [9] und topologische Pharmacophore (CATS) [10]. Die Entwicklung von weiteren Verfahren, die auf dem SVM-Konzept aufbauen, haben wir in den Publikationen in den Abschnitten 7.3 und 7.8 beschrieben. Veröffentlichung 3 stellt die Entwicklung einer neuen SVM-basierten Methode zur Auswahl von relevanten Deskriptoren für eine bestimmte Aktivität dar. Eingesetzt wurden die gleichen Deskriptoren wie in dem oben beschriebenen Projekt. Als charakteristische Molekülgruppen haben wir verschiedene Untermengen der COBRA Datenbank ausgewählt: 195 Thrombin Inhibitoren, 226 Kinase Inhibitoren und 227 Faktor Xa Inhibitoren. Es ist uns gelungen, die Anzahl der Deskriptoren von ursprünglich 407 auf ungefähr 50 zu verringern ohne signifikant an Klassifizierungsgenauigkeit zu verlieren. Unsere Methode haben wir mit einer Standardmethode für diese Anwendung verglichen, der Kolmogorov-Smirnov Statistik. Die SVM-basierte Methode erwies sich hierbei in jedem betrachteten Fall als besser als die Vergleichsmethoden hinsichtlich der Vorhersagegenauigkeit bei der gleichen Anzahl an Deskriptoren. Eine ausführliche Beschreibung ist in Abschnitt 4.4 gegeben. Dort sind auch verschiedene „Wrapper“ für die Deskriptoren-Auswahl beschrieben. Veröffentlichung 8 beschreibt die Anwendung von aktivem Lernen mit SVM. Die Idee des aktiven Lernens liegt in der Auswahl von Molekülen für das Lernverfahren aus dem Bereich an der Grenze der verschiedenen zu unterscheidenden Molekülklassen. Auf diese Weise kann die lokale Klassifikation verbessert werden. Die folgenden Gruppen von Moleküle wurden genutzt: ACE (Angiotensin converting enzyme), COX2 (Cyclooxygenase 2), CRF (Corticotropin releasing factor) Antagonisten, DPP (Dipeptidylpeptidase) IV, HIV (Human immunodeficiency virus) protease, Nuclear Receptors, NK (Neurokinin receptors), PPAR (peroxisome proliferator-activated receptor), Thrombin, GPCR und Matrix Metalloproteinasen. Aktives Lernen konnte die Leistungsfähigkeit des virtuellen Screenings verbessern, wie sich in dieser retrospektiven Studie zeigte. Es bleibt abzuwarten, ob sich das Verfahren durchsetzen wird, denn trotzt des Gewinns an Vorhersagegenauigkeit ist es aufgrund des mehrfachen SVMTrainings aufwändig. Die Publikationen aus den Abschnitten 7.5, 7.6 und 7.7 (Veröffentlichungen 5-7) zeigen praktische Anwendungen unserer SVM-Methoden im Wirkstoffdesign in Kombination mit anderen Verfahren, wie der Ähnlichkeitssuche und neuronalen Netzen zur Eigenschaftsvorhersage. In zwei Fällen haben wir mit dem Verfahren neuartige Liganden für COX-2 (cyclooxygenase 2) und dopamine D3/D2 Rezeptoren gefunden. Wir konnten somit klar zeigen, dass SVM-Methoden für das virtuelle Screening von Substanzdatensammlungen sinnvoll eingesetzt werden können. Es wurde im Rahmen der Arbeit auch ein schnelles Verfahren zur Erzeugung großer kombinatorischer Molekülbibliotheken entwickelt, welches auf der SMILES Notation aufbaut. Im frühen Stadium des Wirstoffdesigns ist es wichtig, eine möglichst „diverse“ Gruppe von Molekülen zu testen. Es gibt verschiedene etablierte Methoden, die eine solche Untermenge auswählen können. Wir haben eine neue Methode entwickelt, die genauer als die bekannte MaxMin-Methode sein sollte. Als erster Schritt wurde die „Probability Density Estimation“ (PDE) für die verfügbaren Moleküle berechnet. [78] Dafür haben wir jedes Molekül mit Deskriptoren beschrieben und die PDE im N-dimensionalen Deskriptorraum berechnet. Die Moleküle wurde mit dem Metropolis Algorithmus ausgewählt. [87] Die Idee liegt darin, wenige Moleküle aus den Bereichen mit hoher Dichte auszuwählen und mehr Moleküle aus den Bereichen mit niedriger Dichte. Die erhaltenen Ergebnisse wiesen jedoch auf zwei Nachteile hin. Erstens wurden Moleküle mit unrealistischen Deskriptorwerten ausgewählt und zweitens war unser Algorithmus zu langsam. Dieser Aspekt der Arbeit wurde daher nicht weiter verfolgt. In Veröffentlichung 6 (Abschnitt 7.6) haben wir in Zusammenarbeit mit der Molecular-Modeling Gruppe von Aventis-Pharma Deutschland (Frankfurt) einen SVM-basierten ADME Filter zur Früherkennung von CYP 2C9 Liganden entwickelt. Dieser nichtlineare SVM-Filter erreichte eine signifikant höhere Vorhersagegenauigkeit (q2 = 0.48) als ein auf den gleichen Daten entwickelten PLS-Modell (q2 = 0.34). Es wurden hierbei Dreipunkt-Pharmakophordeskriptoren eingesetzt, die auf einem dreidimensionalen Molekülmodell aufbauen. Eines der wichtigen Probleme im computerbasierten Wirkstoffdesign ist die Auswahl einer geeigneten Konformation für ein Molekül. Wir haben versucht, SVM auf dieses Problem anzuwenden. Der Trainingdatensatz wurde dazu mit jeweils mehreren Konformationen pro Molekül angereichert und ein SVM Modell gerechnet. Es wurden anschließend die Konformationen mit den am schlechtesten vorhergesagten IC50 Wert aussortiert. Die verbliebenen gemäß dem SVM-Modell bevorzugten Konformationen waren jedoch unrealistisch. Dieses Ergebnis zeigt Grenzen des SVM-Ansatzes auf. Wir glauben jedoch, dass weitere Forschung auf diesem Gebiet zu besseren Ergebnissen führen kann.
Helicobacter pylori (H. pylori) ist ein gram-negatives, mikroaerophiles Bakterium. Es kolonisiert die menschliche Magenschleimhaut, wobei mehr als 50% der Menschheit befallen sind. Als Pathogen begünstigt es die Entstehung von Magengeschwüren und –krebs. Experimentelle Befunde deuten darauf hin, dass H. pylori während der Infektion Kontakt zu Membranproteinen der Wirtszellen aufnimmt, um ein Typ IV Sekretionssystem aufzubauen und den primären Virulenzfaktor CagA (Cytotoxin Associated Antigen A) in die Wirtszelle zu translokieren. Diese Integrine genannten Membranproteine werden bei polaren Epithelzellen allerdings bevorzugt basolateral expremiert. Außerdem können extrazellulär geschnittene E-Cadherinfragmente im Medium mit H. pylori infizierter Zellkulturen nachgewiesen werden. Beide Beobachtungen legen den Schluss nahe, dass eine Protease von H. pylori sekretiert wird und die Zell-Zell-Kontakte degradiert, um H. pylori den Zugang zur basolateralen Seite der Wirtszellen zu ermöglichen. Das vom Gen hp1019 des Stammes H. pylori 26695 codierte Protein HtrA konnte im Rahmen einer Kooperation mit dem Paul-Ehrlich-Institut in Langen im Überstand von H. pylori mit proteolytischer Aktivität nachgewiesen werden. Um den Einfluss dieser extrazellulären Protease auf die Infektion von Kulturzellen mir H. pylori zu untersuchen, sollte ein niedermolekularer Inhibitor für HtrA gefunden werden. Ein Homologiemodell als Grundlage für ein strukturbasiertes virtuelles Screening wurde berechnet, wobei die aktive Konformation der Protease DegP von Escherichia coli als Vorlage diente (PDB Identifikation 3cs0). Für einen neue, im Rahmen dieser Untersuchung entwickelten Methode wurde PocketPicker eingesetzt, um Größe und Form der die Bindetaschen auf der Proteinoberfläche vorherzusagen. Durch die komplementäre Projektion von Proteinatomtypen auf diese definierte Volumen kann so für eine von PocketPicker vorgesagte Bindetasche ein potentielles Pharmakophormodell berechnet und für Datenbanksuchen eingesetzt werden. In retrospektiven Studien konnte die Funktion dieser Berechungen für eine Auswahl an pharmakologisch wichtigen Proteinen aus verschiedenen Strukturklassen validiert werden. Dabei stellte sich vor allem eine Abhängigkeit der Güte der Modelle von der Güte der Vorhersage von PocketPicker heraus, was den Schluss zulässt, dass eine möglichst genaue Definition der Bindetasche für das Gelingen eines strukturbasierten virtuellen Screening unerlässlich ist. Für die Protease HtrA von H. pylori konnten erfolgreich drei strukturabgeleitete Pharmakophormodelle berechnet werden, wobei jeweils verschiedene von PocketPicker vorhergesagte Bindetaschen einbezogen wurden. Die Molekülkataloge der Firmen Asinex und Specs wurden nach Ähnlichkeit zu diesen Modellen sortiert und nach Begutachtung der jeweils ähnlichsten 100 Substanzen wurden 26 Substanzen ausgewählt und bestellt. In einem in vitro Assay mit der rekombinanten Protease HtrA inhibierten 6 Substanzen den Verdau eines rekombinanten Substrats. Die beste Verbindung erreichte in dem Assay eine maximale Inhibition von ca. 77 % bei einer mittleren inhibitorischen Konzentration bei halbmaximaler Inhibition (IC50) von ca. 26 µM.
We investigate the utility of modern kernel-based machine learning methods for ligand-based virtual screening. In particular, we introduce a new graph kernel based on iterative graph similarity and optimal assignments, apply kernel principle component analysis to projection error-based novelty detection, and discover a new selective agonist of the peroxisome proliferator-activated receptor gamma using Gaussian process regression. Virtual screening, the computational ranking of compounds with respect to a predicted property, is a cheminformatics problem relevant to the hit generation phase of drug development. Its ligand-based variant relies on the similarity principle, which states that (structurally) similar compounds tend to have similar properties. We describe the kernel-based machine learning approach to ligand-based virtual screening; in this, we stress the role of molecular representations, including the (dis)similarity measures defined on them, investigate effects in high-dimensional chemical descriptor spaces and their consequences for similarity-based approaches, review literature recommendations on retrospective virtual screening, and present an example workflow. Graph kernels are formal similarity measures that are defined directly on graphs, such as the annotated molecular structure graph, and correspond to inner products. We review graph kernels, in particular those based on random walks, subgraphs, and optimal vertex assignments. Combining the latter with an iterative graph similarity scheme, we develop the iterative similarity optimal assignment graph kernel, give an iterative algorithm for its computation, prove convergence of the algorithm and the uniqueness of the solution, and provide an upper bound on the number of iterations necessary to achieve a desired precision. In a retrospective virtual screening study, our kernel consistently improved performance over chemical descriptors as well as other optimal assignment graph kernels. Chemical data sets often lie on manifolds of lower dimensionality than the embedding chemical descriptor space. Dimensionality reduction methods try to identify these manifolds, effectively providing descriptive models of the data. For spectral methods based on kernel principle component analysis, the projection error is a quantitative measure of how well new samples are described by such models. This can be used for the identification of compounds structurally dissimilar to the training samples, leading to projection error-based novelty detection for virtual screening using only positive samples. We provide proof of principle by using principle component analysis to learn the concept of fatty acids. The peroxisome proliferator-activated receptor (PPAR) is a nuclear transcription factor that regulates lipid and glucose metabolism, playing a crucial role in the development of type 2 diabetes and dyslipidemia. We establish a Gaussian process regression model for PPAR gamma agonists using a combination of chemical descriptors and the iterative similarity optimal assignment kernel via multiple kernel learning. Screening of a vendor library and subsequent testing of 15 selected compounds in a cell-based transactivation assay resulted in 4 active compounds. One compound, a natural product with cyclobutane scaffold, is a full selective PPAR gamma agonist (EC50 = 10 +/- 0.2 muM, inactive on PPAR alpha and PPAR beta/delta at 10 muM). The study delivered a novel PPAR gamma agonist, de-orphanized a natural bioactive product, and, hints at the natural product origins of pharmacophore patterns in synthetic ligands.
Identifizierung und Charakterisierung neuartiger 5-Lipoxygenase-Inhibitoren – in silico und in vitro
(2009)
Ziel dieser Arbeit war die Identifizierung und Charakterisierung neuer potenter 5-LO-Inhibitoren unter Verwendung sowohl computergestützter als auch experimenteller Methoden. Ausgangspunkt war ein ligandenbasiertes virtuelles Screening unter Verwendung der ladungsbasierten Deskriptoren Charge3D und TripleCharge3D. Hierbei konnten zwei neue direkte 5-LO-Inhibitoren identifiziert werden. Jede dieser beiden Substanzen diente als Startpunkt weiterer virtueller Screenings mit dem Ziel, die Potenz der Substanzen zu verbessern bzw. eine SAR der Substanzklasse zu erhalten. Dabei zeigte sich für die Klasse der Thiazolinone, dass eine hohe Toleranz gegenüber unterschiedlichen Substituenten am Grundgerüst bezüglich der Auswirkung auf die Aktivität vorliegt: insbesondere werden relativ große Substituenten toleriert. Des Weiteren scheint der 2-Phenylsubstituent für die 5-LO-inhibitorische Aktivität essentiell zu sein, da Derivate, die einen Heterozyklus an dieser Position aufweisen, inaktiv sind. Eines der aktivsten Derivate dieser Klasse, C06 (Substanz 12), konnte weiter molekular-pharmakologisch charakterisiert werden. Die Substanz zeigt keine offensichtlichen zytotoxischen Effekte, ist unabhängig vom Stimulus der 5-LO-Aktivierung und zeigt nanomolare inhibitorische Aktivität sowohl in intakten PMNL (IC50-Wert 0,65 ;M) als auch in PMNL-Homogenaten (IC50-Wert 0,66 ;M) sowie in zellfreiem PMNL-S100 (IC50-Wert 0,26 ;M) und am gereinigten Enzym (IC50-Wert 0,3 ;M). C06 ist selektiv für die 5-LO, da andere arachidonsäurebindende Proteine (PPARs, cPLA2 und 12- und 15-LO) nicht beeinflusst werden. Auch Nager-5-LO (aus der Ratte und der Maus) wird inhibiert mit IC50-Werten im nanomolaren Bereich. Allerdings zeigte sich die Substanz inaktiv in einem menschlichen Vollblutassay in Gegenwart von Serum. C06 scheint nicht an die für die Interaktion der 5-LO mit der Membran verantwortliche C2-ähnliche Domäne der 5-LO zu binden. Ebenso hat der Membranbestandteil Phosphatidylcholin keinen bzw. nur geringen Einfluss auf das inhibitorische Potential von C06. Aktivitätstests mit steigender Substratkonzentration deuten auf einen allosterischen Bindemodus von C06 hin. Diese experimentellen Daten flossen in die Identifizierung des putativen Bindemodus an der 5-LO ein. Hierzu wurde zunächst ein Homologie-Modell der 5-LO unter Verwendung der kürzlich neu veröffentlichten Daten der Röntgenkristallstruktur der Kaninchen-15-LO (PDB-Code: 2p0m [Choi et al., 2008]) erstellt. Durch eine Bindetaschenvorhersage mit dem Programm PocketPicker und einer pseudorezptorbasierten Auswahl der potentiellen Bindetasche mit anschliessendem Liganden-Docking konnten zwei Bindebereiche postuliert werden, beide an einer Oberflächenbindetasche der 5-LO ausserhalb des aktiven Zentrums. Dies ist im Einklang mit der SAR der Substanzklasse, die zeigt, dass relativ große Substituenten toleriert werden. Erste Mutationsstudien deuten darauf hin, dass die Bindung von C06 in einer Bindetasche um die Aminosäure Y558 erfolgt. In der zweiten postulierten Bindetasche konnten zwei Aminosäuren identifiziert werden, die für die Aktivität der 5-LO essentiell sind: Mutationen von F169 und F177 zu Alanin führten zu einer abgeschwächten Produktivität der 5-LO (12% bzw. 32% der Aktivität der wt-5-LO) sowie zu einem veränderten Produktspektrum. Bei der zweiten Klasse der 5-LO-Inhibitoren, die in der ersten virtuellen Screeningrunde mit den Deskriptoren Charge3D und TripleCharge3D identifiziert werden konnten, handelt es sich um Pyridin-Imidazole. In einem dreistufigen virtuellen Screening konnte die Potenz dieser Substanzklasse von 10 ;M (Substanz 10) in PMNL-S100 auf 0,3 ;M (Substanz 80) verbessert werden. Bei einer der aktivsten Substanzen aus der zweiten Screeningrunde, B02 (Substanz 68), die weiter charakterisiert wurde, handelt es sich um einen direkten 5-LO-Inhibitor mit nanomolarer inhibitorischer Aktivität, der an die C2-ähnliche Domäne bindet. Es wurde ein Bindemodus durch Bindetaschenvorhersage, pseudorezeptorbasierte Bindetaschenlokalisierung und Liganden-Docking postuliert. Ein Problem dieser Substanzklasse ist jedoch ihre Zytotoxizität. Im letzten Teil dieser Arbeit wurde durch ein Protein-Protein-Docking eine mögliche Konformation eines Dimers der 5-LO modelliert. Die postulierten Modelle zeigen bevorzugt eine Konformation, bei der beide Untereinheiten des Dimers eine „head-to-tail“-Orientierung einnehmen. Diese Dimer-Modelle können als Startpunkt genutzt werden, um Modulatoren der Protein-Protein-Interaktion als neuartige Inhibitoren der 5-LO zu entwerfen.
Identifizierung und Charakterisierung neuartiger 5-Lipoxygenase-Inhibitoren – in silico und in vitro
(2009)
Ziel dieser Arbeit war die Identifizierung und Charakterisierung neuer potenter 5-LO-Inhibitoren unter Verwendung sowohl computergestützter als auch experimenteller Methoden. Ausgangspunkt war ein ligandenbasiertes virtuelles Screening unter Verwendung der ladungsbasierten Deskriptoren Charge 3D und TripleCharge3D. Hierbei konnten zwei neue direkte 5-LO-Inhibitoren identifiziert werden. Jede dieser beiden Substanzen diente als Startpunkt weiterer virtueller Screenings mit dem Ziel, die Potenz der Substanzen zu verbessern bzw. eine SAR der Substanzklasse zu erhalten. Dabei zeigte sich für die Klasse der Thiazolinone, dass eine hohe Toleranz gegenüber unterschiedlichen Substituenten am Grundgerüst bezüglich der Auswirkung auf die Aktivität vorliegt: insbesondere werden relativ große Substituenten toleriert. Des Weiteren scheint der 2-Phenylsubstituent für die 5-LO-inhibitorische Aktivität essentiell zu sein, da Derivate, die einen Heterozyklus an dieser Position aufweisen, inaktiv sind. Eines der aktivsten Derivate dieser Klasse, C06 (Substanz 12), konnte weiter molekular-pharmakologisch charakterisiert werden. Die Substanz zeigt keine offensichtlichen zytotoxischen Effekte, ist unabhängig vom Stimulus der 5-LO-Aktivierung und zeigt nanomolare inhibitorische Aktivität sowohl in intakten PMNL (IC50-Wert 0,65 =M) als auch in PMNL-Homogenaten (IC50-Wert 0,66 =M) sowie in zellfreiem PMNL-S100 (IC50-Wert 0,26 =M) und am gereinigten Enzym (IC50-Wert 0,3 =M). C06 ist selektiv für die 5-LO, da andere arachidonsäurebindende Proteine (PPARs, cPLA2 und 12- und 15-LO) nicht beeinflusst werden. Auch Nager-5-LO (aus der Ratte und der Maus) wird inhibiert mit IC50-Werten im nanomolaren Bereich. Allerdings zeigte sich die Substanz inaktiv in einem menschlichen Vollblutassay in Gegenwart von Serum. C06 scheint nicht an die für die Interaktion der 5-LO mit der Membran verantwortliche C2-ähnliche Domäne der 5-LO zu binden. Ebenso hat der Membranbestandteil Phosphatidylcholin keinen bzw. nur geringen Einfluss auf das inhibitorische Potential von C06. Aktivitätstests mit steigender Substratkonzentration deuten auf einen allosterischen Bindemodus von C06 hin. Diese experimentellen Daten flossen in die Identifizierung des putativen putativen Bindemodus an der 5-LO ein. Hierzu wurde zunächst ein Homologie- Modell der 5-LO unter Verwendung der kürzlich neu veröffentlichten Daten der Röntgenkristallstruktur der Kaninchen-15-LO (PDB-Code: 2p0m [Choi et al., 2008]) erstellt. Durch eine Bindetaschenvorhersage mit dem Programm PocketPicker und einer pseudorezptorbasierten Auswahl der potentiellen Bindetasche mit anschliessendem Liganden-Docking konnten zwei Bindebereiche postuliert werden, beide an einer Oberflächenbindetasche der 5-LO ausserhalb des aktiven Zentrums. .....
Das Ziel dieser Arbeit war es, RNA-Strukturen als potentielle Zielstrukturen für die Medikamentenentwicklung zu untersuchen. Hierbei ging es im Speziellen um die Anwendung Virtueller Screening Verfahren für die RNA-Liganden-Vorhersage. Hierzu wurde die als TAR-Motiv (transactivating response element) bekannte RNA-Struktur der mRNAs des HI-Virus ausgewählt. Diese Struktur wurde gewählt, da mit den vier PDB-Einträgen 1ANR, 1ARJ, 1LVJ und 1QD3 bereits experimentell motivierte Strukturmodelle zum Beginn der Untersuchung vorlagen. Ausschlaggebend war hierbei auch das Vorhandensein eines Tat-TAR-FRET-Assays im Rahmen des SFB 579, in welchem diese Arbeit angefertigt wurde. Die Aufmerksamkeit, welche dem HI-Virus im Rahmen der Bekämpfung der Immunschwächekrankheit bereits zukam, führte bei dem gewählten Testmodell ebenfalls zu einem, wenn auch immer noch überschaubaren Datensatz bereits getesteter Substanzen, der als Grundlage für einen Liganden-basierten Ansatz als erste Basis dienen konnte. Basierend auf diesen Voruntersuchungen ergaben sich die weiteren Schritte dieser Arbeit. Die Arbeit lässt sich zusammenfassend in vier zum Teil parallel verlaufende Phasen einteilen: Phase 1:Bestandsaufnahme bekannter Informationen über die Zielstruktur · experimentell bestimmte Zielstrukturen · experimentell bestimmte Liganden/Nichtliganden der Zielstruktur Phase 2: Ableiten eines ligandenbasierten Ansatzes zur Vorhersage von potentiellen Bindern der Zielstruktur aus Substanzbibliotheken, der nicht auf Strukturdaten der Zielstruktur beruht. Phase 3: Analyse der bekannten Konformere der Zielstruktur auf konstante Angriffspunkte für ein spezielles Liganden-Design. Phase 4: Einbinden der bekannten Strukturinformationen der Zielstruktur zur weiteren Verfeinerung der Auswahlverfahren neuer Kandidaten für die weitere experimentelle Bestimmung des Bindeverhaltens. Im Rahmen dieser Arbeit konnten mittels der Anwendung von künstlichen neuronalen Netzen in einem ligandenbasierten Ansatz durch virtuelles Screening der Chemikalien-Datenbanken verschiedener Lieferanten fünf neue potentielle TAR-RNA-Liganden identifiziert werden (drei davon mit einem Methylenaminoguanidyl-Substrukturmotiv), sowie als „Spin-Off“ durch die Anwendung der ursprünglich nur für den Tat-TAR-FRET-Assay vorgesehenen Testsubstanzen in einem Kooperationsprojekt (mittels CFivTT-Assay) zwei neue potentiell antibakterielle Verbindungen identifiziert werden. Die Beschäftigung mit der offensichtlichen Flexibilität der TAR-RNA und damit einer nicht eindeutig zu definierenden Referenz-Zielstruktur für das Liganden-Docking führte zur Erstellung eines Software-Pakets, mit dem flexible Zielstrukturen – basierend auf den Konformer-Datensätzen von MD-Simulationen – auf konstante Angriffspunkte untersucht werden können. Hierbei wurde ausgehend von der Integration eines Taschenvorhersage-Programms (PocketPicker) eine Reihe von Filtern implementiert, die auf den hierzu in einer MySQL-Datenbank abgelegten Strukturinformationen eine Einschränkung des möglichen Taschenraums für das zukünftige Liganden-Design automatisiert vornehmen können. Des Weiteren ermöglicht dieser Ansatz einen einfachen Zugriff auf die einzelnen Konformere und die Möglichkeit Annotationen zu den Konformeren und den daraus abgeleiteten Tascheninformationen hinzuzufügen, so dass diese Informationen für die Erstellung von Liganden-Docking-Versuchen verwendet werden können. Ferner wurden im Rahmen dieser Arbeit ein neuer Deskriptor für die Beschreibung von Taschenoberflächen eingeführt: der auf der „Skalierungs-Index-Methode“ basierende molekulare SIMPrint. Die Beschäftigung mit der Verteilung der potentiellen Bindetaschen auf der Oberfläche der Konformerensemble führte ferner zur Definition der Taschenoberflächenbildungswahrscheinlichkeit (Pocket Surface Generation Probability – PSGP) für einzelne Atome einer Zielstruktur, die tendenziell für die Einschätzung der Ausbildung einer potentiell langlebigen Interaktion eines Liganden mit der Zielstruktur herangezogen werden kann, um beispielsweise Docking-Posen zu bewerten.
Kenntnisse über die dreidimensionale Struktur therapeutisch relevanter Zielproteine bieten wertvolle Informationen für den rationalen Wirkstoffentwurf. Die stetig wachsende Zahl aufgeklärter Kristallstrukturen von Proteinen ermöglicht eine qualitative und quantitative rechnergestützte Untersuchung von spezifischen Protein-Liganden Wechselwirkungen. Im Rahmen dieser Arbeit wurden neue Algorithmen für die Identifikation und den Ähnlichkeitsvergleich von Proteinbindetaschen und ihren Eigenschaften entwickelt und in dem Programm PocketomePicker zusammengefasst. Die Software gliedert sich in die Routinen PocketPicker, PocketShapelets und PocketGraph. Ferner wurde in dieser Arbeit die Methode ReverseLIQUID reimplementiert und im Rahmen einer Kooperation für das strukturbasierte Virtuelle Screening angewendet. Die genannten Methoden und ihre wissenschaftliche Anwendungen sollte hier zusammengefasst werden: Die Methode PocketPicker ermöglicht die Vorhersage potentieller Bindetaschen auf Proteinoberflächen. Diese Technik implementiert einen geometrischen Ansatz auf Basis „künstlicher Gitter“ zur Identifikation zusammenhängender vergrabener Bereiche der Proteinoberfläche als Orte möglicher Ligandenbindestellen. Die Methode erreicht eine korrekte Vorhersage der tatsächlichen Bindetasche für 73 % der Einträge eines repräsentativen Datensatzes von Proteinstrukturen. Für 90 % der Proteinstrukturen wird die tatsächlich Ligandenbindestelle unter den drei wahrscheinlichsten vorhergesagten Taschen gefunden. PocketPicker übertrifft die Vorhersagequalität anderer etablierter Algorithmen und ermöglicht Taschenidentifikationen auf apo-Strukturen ohne signifikante Einbußen des Vorhersageerfolges. Andere Verfahren weisen deutlich eingeschränkte Ergebnisse bei der Anwendung auf apo-Strukturen auf. PocketPicker erlaubt den alignmentfreien Ähnlichkeitsvergleich von Bindetaschenfor-men durch die Kodierung berechneter Bindevolumen als Korrelationsdeskriptoren. Dieser Ansatz wurde erfolgreich für Funktionsvorhersage von Bindetaschen aus Homologiemodellen von APOBEC3C und Glutamat Dehydrogenase des Malariaerregers Plasmodium falciparum angewendet. Diese beiden Projekte wurden in Zusammenarbeit mit Kollaborationspartnern durchgeführt. Zudem wurden PocketPicker Korrelationsdeskriptoren erfolgreich für die automatisierte Konformationsanalyse der enzymatischen Tasche von Aldose Reduktase angewendet. Für detaillierte Analysen der Form und der physikochemischen Eigenschaften von Proteinbindetaschen wurde in dieser Arbeit die Methode PocketShapelets entwickelt. Diese Technik ermöglicht strukturelle Alignments von extrahierten Bindevolumen durch Zerlegungen der Oberfläche von Proteinbindetaschen. Die Überlagerung gelingt durch die Identifikation strukturell ähnlicher Oberflächenkurvaturen zweier Taschen. PocketShapelets wurde erfolgreich zur Analyse funktioneller Ähnlichkeit von Bindetaschen verwendet, die auf Betrachtungen physikochemischer Eigenschaften basiert. Zur Analyse der topologischen Vielfalt von Bindetaschengeometrien wurde in dieser Arbeit die Methode PocketGraph entwickelt. Dieser Ansatz nutzt das Konzept des sog. „Wachsenden Neuronalen Gases“ aus dem Bereich des maschinellen Lernens für eine automatische Extraktion des strukturellen Aufbaus von Bindetaschen. Ferner ermöglicht diese Methode die Zerlegung einer Bindestelle in ihre Subtaschen. Die von PocketPicker charakterisierten Taschenvolumen bilden die Grundlage für die Methode ReverseLIQUID. Dieses Programm wurde in dieser Arbeit weiterentwickelt und im Rahmen einer Kooperation zur Identifikation eines Inhibitors der Serinprotease HtrA des Erregers Helicobacter pylori verwendet. Mit ReverseLIQUID konnte ein strukturbasiertes Pharmakophormodell für das Virtuelle Screening erstellt werden. Dieser Ansatz ermöglichte die Identifikation einer Substanz mit niedrig mikromolarer Affinität gegenüber der Zielstruktur.
Im Rahmen dieser Arbeit wurde die Eignung von Pseudorezeptoren im virtuellen Screening untersucht. Hierzu wurde nach intensiver Auseinandersetzung mit bisher bekannten Konzepten ein neues Computerprogramm zur automatischen Konstruktion von Pseudorezeptormodellen entwickelt. Das Ziel von Pseudorezeptoren ist die Konstruktion eines alternativen, artifiziellen Wirtssystems aus bekannten Liganden eines Zielproteins, dessen dreidimensionale Struktur unbekannt ist. Der generierte Pseudorezeptor ist zu verstehen als die Menge aller Pseudoatome, die um die Ausgangssubstanz(en) projiziert werden. Bei multiplen Referenzliganden wird eine Gewichtung der Pseudoatome durchgeführt. Zudem wird ausschließlich von Distanz- und Winkelparametern Gebrauch gemacht, die aus Untersuchungen von Kokristall-strukturen gewonnenen wurden. Eine abschließende Kodierung generierter Pseudorezeptoren als 90-dimensionalen Korrelationsvektor wurde zum virtuellen Screening eingesetzt. In zwei retrospektiven Fallbeispielen wird gezeigt, dass die generierten Pseudorezeptoren für COX-2 und PPARα mit den realen Zuständen ihrer kokristallisierten Bindetaschen in den PDB Einträge 6cox und 2p54 kompatibel sind. Im retrospektiven virtuellen Screening in der Wirkstoffdatenbank COBRA (8.311 Moleküle) nach COX-2 Inhibitoren (136 Aktive) konnte eine Anreicherung der aktiven Strukturen in den ersten zwei Perzentilen gezeigt werden (54% der Aktiven). Zudem konnten 80% der aktiven Moleküle bereits nach Vorhersage von 10% Falsch-Positiven gefunden werden. Im Falle des retrospektiven Screenings nach 94 PPAR Liganden konnten 30% der aktiven Moleküle nach der Vorhersage von 10% Falsch-Positiven entdeckt. Nach 20% Falsch-Positiver wurden 46% der PPAR Liganden wieder gefunden. Weiterhin konnte mit den ligandenbasierten Informationen eines H4 Pseudorezeptors eine Justierung einer potentiellen Bindetasche des Histamin H4 Rezeptors aus einer molekularen Dynamiksimulation vorgenommen werden. Schließlich wurde in einem prospektiven virtuellen Screening nach Histamin H4 Liganden mit einem Pseudorezeptor zwei Strukturen mit unterschiedlichem Grundgerüst und einem Ki ~ 30 µM identifiziert.
Die Identifikation neuer Hits und Leitstrukturen sind die ersten Schritte bei der Entwicklung neuer Arzneistoffe. Dieser Herausforderung wird derzeit primär mittels High-Throughput-Screening oder der gezielten Modifikationen bekannter Liganden begegnet. Eine weitere Option ist das computerbasierte virtuelle Screening, das es kostengünstig ermöglicht, in kurzer Zeit sehr viele Moleküle auf ihre potentielle biologische Aktivität hin zu untersuchen. Der in dieser Arbeit verwendete Ansatz zur Identifikation neuer Inhibitoren der 5-Lipoxygenase und der Cyclooxygenase-2 beruht auf dem Verfahren des ligandenbasierten virtuellen Screenings. Unter der Voraussetzung der Kenntnis mindestens eines Referenzliganden können so mittels einer Ähnlichkeitsanalyse potentielle neue strukturelle Grundgerüste identifiziert werden. Zu diesem Zweck wurde ein auf atomaren Partialladungen und der dreidimensionalen Struktur der Moleküle basierender Deskriptor (Charge3D/TripleCharge3D) entwickelt. In retrospektiven Studien mit Cyclooxygenase-2 Inhibitoren wurde die Effektivität der neuen Deskriptoren überprüft und mittel eines evolutionären Algorithmus optimiert. Der Charge3D Deskriptor erreicht Anreicherungsfaktoren bis zu 16,1 im ersten Perzentil der durchsuchten Datenbank, wohingegen der TripleCharge3D Deskriptor mit seiner detailierteren Ladungsauftrennung Werte von bis zu 24,8 erreichte. Ein ebensolches retrospektives Screening wurde für 5-Lipoxygenase Inhibitoren durchgeführt. Den maximalen Anreicherungsfaktor von 6,1 im ersten Prozent der Datenbank erreichte hier der Charge3D Deskriptor, der TripleCharge3D Deskriptor erreichte 5,3. Diese wesentlich geringeren Werte sind auf die Diversität der 5-LO Inhibitoren (54 Inhibitoren mit 39 verschiedenen Grundgerüsten) und deren unterschiedliche Inhibitortypen (Redox, nicht Redox und Eisen-bindende Inhibitoren) mit ihren jeweiligen Bindemodi zurückzuführen. In Screenings nach 5-LO Inhibitoren in der Naturstoffdatenbank der Firma AnalytiCon Discovery und COX-25-LO Dualinhibitoren in Datenbanken der Firma Asinex konnten unter Verwendung der beiden Deskriptoren Inhibitoren, mit für diese Targets bislang unbekannten Scaffolds identifiziert werden. Unter Verwendung des 2D Pharmakophor Deskriptors CATS wurden zuerst zwei neue Scaffolds für Inhibitoren der 5-LO identifiziert. Struktur 1 ist den in vitro Assaydaten zufolge ein direkter Inhibitor der 5-LO. Struktur 2 hingegen erreicht seine Wirkung nicht nur über die direkte Interaktion mit der 5-LO. Eine Erklärung dafür wäre die Wechselwirkung mit dem 5-LO aktivierenden Protein FLAP, der Hemmung der Translokation der 5-LO zur Kernmembran, oder die Inhibition 5-LO aktivierender bzw. inaktivierender Kinasen. In nachfolgenden Screenings mit den Strukturen 1 und 2 als Referenzstrukturen konnten mittels der Charge Deskriptoren Substanzderivate (17 Moleküle) mit 5-LO inhibitorischer Wirkung (5 Moleküle mit IC50 Werte ≤ 1 μM an partiell aufgereinigter 5-LO), identifiziert werden. Für das Screening nach COX-2/5-LO Dualinhibitoren wurden 11 Strukturen mit 7 unterschiedlichen Scaffolds unter Verwendung der Charge Deskriptoren aus gewählt. Drei Moleküle zeigten keine 5-LO Aktivität, und jeweils eines nur in intakten PMNLs bzw. im S100 Zellüberstand. Die restlichen 6 Moleküle waren in beiden 5-LO Assays aktiv (intakte PMNLs IC50 zwischen 2 und 15 μM, S100 Zellüberstand 5-LO zwischen 0.5 μM und 25 μM). Somit zeigten 7 Moleküle im S100 Assay Aktivität und konnten als direkte Inhibitoren der 5-LO identifiziert werden. Im Cyclooxygenase-2 Aktivitätsassay mit intakten MonoMac6 Zellen zeigte eine der 11 Strukturen zudem eine geringe (IC50 = 70 μM) inhibierende Aktivität. Modifikationen zur Verbesserung der COX-2 Hemmung könnten in einem potenten COX-2/5-LO Dualinhibitor resultieren, der beispielsweise in der Schmerzbehandlung eingesetzt werden könnte. Ein weiteres Projekt war die Erstellung eines Homologiemodells der 5-LO basierend auf der 15-Lipoxygenase Struktur des Kaninchens (PDB-Struktur: 1LOX). Die Sequenzidentität der beiden Strukturen (1LOX / humane 5-LO) lag bei 37 %. Das Modell wurde zum einen zur Vorhersage von zugänglichen Caspase-6 Schnittstellen an der 5-LO angewandt, und zum anderen wurden Dockingexperimente in Aktiven Zentrum und in Bereichen der C2-like Domäne der 5-LO durchgeführt. Hyperforin, ein bekannter Inhibitor d er 5-Lipoxygenase, wurde an verschiedenen Stellen des Modells für Dockingexperiment eingebracht. Die im Aktiven Zentrum erreichten Scorewerte (Chemscore = -9±1) deuteten hier auf eine unfavorisierte Bindungsstelle hin. BWA4C (ein bekannter Eisenbinder) und ZM230487 (ein nicht-redox Inhibitor) erhielten im Aktiven Zentrum Scorewerte von 27±0,1 und 22±2,5, wodurch eine Bindung als wahrscheinlich angenommen werden kann. Weitere Dockingexperimente an der C2-like Domäne, und speziell am Interface zwischen der C2-like und der katalytischen Domäne, ergaben ähnlich hohe Chemscorewerte für Hyperforin, BWA4C und ZM230487. Aus diesen Resultaten ließ sich kein eindeutiger Bindemodus für Hyperforin ableiten. Eine Positionierung im Aktiven Zentrum ist nach diesen Experimenten unwahrscheinlich, so dass die Existenz einer weiteren, experimentell noch nicht identifizierten Bindestelle vermutet werden kann. Eine solche Interaktionsfläche könnte als Ansatzpunkt für die Entwicklung weiterer 5-Lipoxygenaseinhibitoren eine zentrale Rolle einnehmen.
Die Komplementarität der molekularen Oberflächen und der Pharmakophorpunkte ist ein verbreiteter Konzept im rechnergestützen Moleküldesign. Diesem Konzept folgend wurde die Software SQUIRREL neu entwickelt und in der Programmiersprache Java implemetiert. Die Software generiert die Vorschläge für den bioisosteren Ersatz von Molekülen und Molekülfragmenten. SQUIRREL kombiniert Oberflächen- und Pharmakophoreigenschaften bioaktiver Substanzen und kann im virtuellen Screening und fragment-basierten de novo Design eingesetzt werden. In einer prospektiven Studie wurde SQUIRREL verwendet, um neue selektive PPARalpha-Agonisten aus einer kommerziellen Moleküldatenbank zu identifizieren. Die Software lieferte eine potente Substanz (EC50 = 44 nM) mit über 100facher Selektivität gegenüber PPARgamma. In einer zweiten Studie wurde eine Leitstruktur de novo generiert und synthetisiert. Als Ausgangstruktur diente der bekannte PPARalpha-Agonist GW590735. Während des Designvorgangs wurden zwei Teilstrukturen, die für die Aktivität von GW590735 verantwortlich sind, durch bioisostere Gruppen ersetzt, die von SQUIRRELnovo vorgeschlagen wurden. Die neue Leitstruktur aktiviert PPARalpha in einem zellbasierten Reportergen-Testsystem bei einem EC50 von 0.51 µM.
This work investigated the applicability of global pairwise sequence alignment to the detection of functional analogues in virtual screening. This variant of sequence comparison was developed for the identification of homologue proteins based on amino acid or nucleotide sequences. Because of the significant differences between biopolymers and small molecules several aspects of this approach for sequence comparison had to be adapted. All proposed concepts were implemented as the ‘Pharmacophore Alignment Search Tool’ (PhAST) and evaluated in retrospective experiments on the COBRA dataset in version 6.1. The aim to identify functional analogues raised the necessity for identification and classification of functional properties in molecular structures. This was realized by fragment-based atom-typing, where one out of nine functional properties was assigned to each non-hydrogen atom in a structure. These properties were pre-assigned to atoms in the fragments. Whenever a fragment matched a substructure in a molecule, the assigned properties were transferred from fragment atoms to structure atoms. Each functional property was represented by exactly one symbol. Unlike amino acid or nucleotide sequences, small drug-like molecules contain branches and cycles. This was a major obstacle in the application of sequence alignment to virtual screening, since this technique can only be applied to linear sequences of symbols. The best linearization technique was shown to be Minimum Volume Embedding. To the best of knowledge, this work represents the first application of dimensionality reduction to graph linearization. Sequence alignment relies on a scoring system that rates symbol equivalences (matches) and differences (mismatches) based on functional properties that correspond to rated symbols. Existing scoring schemes are applicable only to amino acids and nucleotides. In this work, scoring schemes for functional properties in drug-like molecules were developed based on property frequencies and isofunctionality judged from chemical experience, pairwise sequence alignments, pairwise kernel-based assignments and stochastic optimization. The scoring system based on property frequencies and isofunctionality proved to be the most powerful (measured in enrichment capability). All developed scoring systems performed superior compared to simple scoring approaches that rate matches and mismatches uniformly. The frameworks proposed for score calculations can be used to guide modifications to the atom-typing in promising directions. The scoring system was further modified to allow for emphasis on particular symbols in a sequence. It was proven that the application of weights to symbols that correspond to key interaction points important to receptor-ligand-interaction significantly improves screening capabilities of PhAST. It was demonstrated that the systematic application of weights to all sequence positions in retrospective experiments can be used for pharmacophore elucidation. A scoring system based on structural instead of functional similarity was investigated and found to be suitable for similarity searches in shape-constrained datasets. Three methods for similarity assessment based on alignments were evaluated: Sequence identity, alignment score and significance. PhAST achieved significantly higher enrichment with alignment scores compared to sequence identity. p-values as significance estimates were calculated in a combination of Marcov Chain Monte Carlo Simulation and Importance Sampling. p-values were adapted to library size in a Bonferroni correction, yielding E-values. A significance threshold of an E-value of 1*10-5 was proposed for the application in prospective screenings. PhAST was compared to state-of-the-art methods for virtual screening. The unweighted version was shown to exhibit comparable enrichment capabilities. Compound rankings obtained with PhAST were proven to be complementary to those of other methods. The application to three-dimensional instead of two-dimensional molecular representations resulted in altered compound rankings without increased enrichment. PhAST was employed in two prospective applications. A screening for non-nucleoside analogue inhibitors of bacterial thymidin kinase yielded a hit with a distinct structural framework but only weak activity. The search for drugs not member of the NSAID (non-steroidal anti-inflammatory drug) class as modulators of gamma-secretase resulted in a potent modulator with clear structural distiction from the reference compound. The calculation of significance estimates, emphasizing on key interactions, the pharmacophore elucidation capabilities and the unique compound rannkings set PhAST apart from other screening techniques.
Als zellulärer Sensor für Gallensäuren und als Regulator zahlreicher metabolischer und inflamma-torischer Gene stellt der nukleäre Farnesoid X Rezeptor (FXR) ein vielversprechendes neues Wirkstofftarget dar. Die Aktivierung von FXR mit natürlichen oder synthetischen Liganden führte in vitro und in vivo zu zahlreichen wünschenswerten Effekten wie gesteigerter Insulinfreisetzung, verringerter Insulinresistenz oder verbessertem Lipidprofil. Daneben stellt die Aktivierung von FXR ein Prinzip zur Behandlung von Lebererkrankungen wie nicht-alkoholischer Fettleber und primärer billiärer Zirrhose dar, das mit dem FXR-Agonisten Obeticholsäure bereits in klinischen Studien überprüft wird. Existierende synthetische FXR-Liganden sind Fettsäure- bzw. Gallensäuremimetika und imitieren die physiologischen FXR-Agonisten. Die meisten synthetischen FXR-Liganden sind jedoch aufgrund von Toxizität, geringer Selektivität oder schlechter Bioverfügbarkeit nicht zur wie-teren klinischen Entwicklung geeignet. Sie stellen außerdem vornehmlich vollagonistische FXR-Ligan-den dar, doch die klinischen Erfahrungen mit Liganden anderer nukleärer Rezeptoren wie den Peroxi-somen Proliferator-aktivierten Rezeptoren (PPAR) oder den Estrogenrezeptoren (ER) haben gezeigt, dass eine zu starke Aktivierung eines Ligand-aktivierten Transkriptionsfaktors Risiken erheblicher Nebenwirkungen bergen kann. Eine Möglichkeit, dieser Gefahr vorzubeugen, bietet die Entwicklung partialagonistischer FXR-Liganden, die den Rezeptor nur mit moderater Amplitude aktivieren.
In dieser Arbeit wurde ausgehend von der in einem virtuellen Screening identifizierten Leitstruktur 1, durch medizinisch chemische Optimierung und Studien zu den Struktur-Wirkungs-Beziehungen (SAR) ein potenter und selektiver FXR-Partialagonist entwickelt. Die drei Molekülteile der Leitstruktur 1 (azide Kopfgruppe, zentraler Anthranilamidkörper und Acylsubstituent) wurden einzeln hinsichtlich ihrer Potenz an FXR untersucht und optimiert. In der Untersuchung der SAR des Acylsubstituenten zeigten sich ein 2-Naphthoyl- und ein 4-tert-Butylbenzoylsubstituent der in 1 enthaltenen 4-Methylbenzoylgruppe überlegen. Unter Beibehaltung des 2-Naphthoylsubstituenten wurde hierauf durch selektive Methylierung bzw. Reduktion die Notwendigkeit beider Amidbindungen der Subs-tanzklasse für Aktivität an FXR nachgewiesen. Durch Erweiterung der aziden Kopfgruppe um einen zusätzlichen aromatischen Ring gelang eine weitere Potenzsteigerung, die sich durch eine Methyl-gruppe an 6-Position dieses neu eingeführten Ringes noch erhöhen ließe. Andere Substituenten am aromatischen Ring der Kopfgruppe führten dagegen an keiner Position zu einer Aktivitätsverbes-serung. Der Austausch der freien Carbonsäure durch metabolisch stabilere Bioisostere wie ein Methylketon oder ein Nitril stellte sich als ohne Aktivitätsverlust möglich heraus, wobei das Tetrazol als klassisches Carbonsäurebioisoster eine Ausnahme mit geringerer Potenz bildete. Die entscheiden-de Steigerung der Aktivität der Acylanthranilamide an FXR resultierte aus der Einführung eines zusätzlichen Substituenten in 4-Position des zentralen aromatischen Ringes, wobei eine Methoxy-gruppe zur größten Potenz führte. Das resultierende Anthranilamid 2 stellt einen hochpotenten FXR-Partialagonisten mit einem EC50-Wert von 8±3 nM in einem flFXR-Reportergenassay bei 18±1% Maximalaktivierung dar und ist der Leitstruktur somit um mehr als einen Faktor 1000 überlegen.
Die optimierte Verbindung 2 wurde aufgrund ihrer großen Potenz ausführlich in vitro pharma-kologisch charakterisiert. Dabei stellte sich die Substanz als metabolisch sehr stabil, moderat löslich in Wasser und gemessen an ihrer hohen Aktivität an FXR als wenig toxisch heraus. Darüber hinaus er-wies sich 2 als selektiv für FXR über den membranständigen G-Protein-gekoppelten Gallen-säurerezeptor TGR5 (Faktor >1000) sowie über die nukleären Rezeptoren PPARα (>1000), PPARγ (~375) und PPARδ (>1000). Bei der Quantifizierung seiner Effekte auf die FXR-Targetgene SHP, CYP7A1, BSEP, OSTα und IBABP durch qRT-PCR übte 2 im Bereich 0,1 µM bis 10 µM einen konzen-trationsunabhängigen partialagonistischen Effekt von etwa 40% des Effektes des physiologischen FXR-Agonisten Chenodeoxycholsäure (CDCA) aus. Mit der Verbindung 2 wurde somit ein hochpotenter, selektiver und metabolisch stabiler FXR-Partialagonist entwickelt und charakterisiert, der sich für künftige in vitro und in vivo Studien zu partieller FXR-Aktivierung empfehlen kann.
Development of a computational method for reaction-driven de novo design of druglike compounds
(2010)
A new method for computer-based de novo design of drug candidate structures is proposed. DOGS (Design of Genuine Structures) features a ligand-based strategy to suggest new molecular structures. The quality of designed compounds is assessed by a graph kernel method measuring the distance of designed molecules to a known reference ligand. Two graph representations of molecules (molecular graph and reduced graph) are implemented to feature different levels of abstraction from the molecular structure. A fully deterministic construction procedure explicitly designed to facilitate synthesizability of proposed structures is realized: DOGS uses readily available synthesis building blocks and established reaction schemes to assemble new molecules. This approach enables the software to propose not only the final compounds, but also to give suggestions for synthesis routes to generate them at the bench. The set of synthesis schemes comprises about 83 chemical reactions. Special focus was put on ring closure reactions forming drug-like substructures. The library of building blocks consists of about 25,000 readily available synthesis building blocks. DOGS builds up new structures in a stepwise process. Each virtual synthesis step adds a fragment to the growing molecule until a stop criterion (upper threshold for molecular mass or number of synthesis steps) is fulfilled. In a theoretical evaluation, a set of ~1,800 molecules proposed by DOGS is analyzed for critical properties of de novo designed compounds. The software is able to suggest drug-like molecules (79% violate less than two of Lipinski’s ‘rule of five’). In addition, a trained classifier for drug-likeness assigns a score >0.8 to 51% of the designed molecules (with 1.0 being the top score). In addition, most of the DOGS molecules are deemed to be synthesizable by a retro-synthesis descriptor (77% of molecules score in the top 10% of the decriptor’s value range). Calculated logP(o/w) values of constructed molecules resemble a unimodal distribution centred close to the mean of logP(o/w) values calculated for the reference compounds. A structural analysis of selected designs reveals that DOGS is capable of constructing molecules reflecting the overall topological arrangement of pharmacophoric features found in the reference ligands. At the same time, the DOGS designs represent innovative compounds being structurally distinct from the references. Synthesis routes for these examples are short and seem feasible in most cases. Some reaction steps might need modification by using protecting groups to avoid unwanted side reactions. Plausible bioisosters for known privileged fragments addressing the S1 pocket of trypsin were proposed by DOGS in a case study. Three of them can be found in known trypsin inhibitors as S1-adressing side chains. The software was also tested in two prospective case studies to design bioactive compounds. DOGS was applied to design ligands for human gamma-secretase and human histamine receptor subtype 4 (hH4R). Two selected designs for gamma-secretase were readily synthesizable as suggested by the software in one-step reactions. Both compounds represent inverse modulators of the target molecule. In a second case study, a ligand candidate selected for hH4R was synthesized exactly following the three-step synthesis plan suggested by DOGS. This compound showed low activity on the target structure. The concept of DOGS is able to deliver synthesizable and bioactive compounds. Suggested synthesis plans of selected compounds were readily pursuable. DOGS can therefore serve as a valuable idea generator for the design of new pharmacological active compounds.
In silico Methoden spielen in der Wirkstoffentwicklung eine immer größere Bedeutung. Sie können eine Größe Hilfe in der Analyse des Targets oder beim Screening von neuen Liganden sein. Ihre Stärken liegen vorallem in der Zeit- und Kostenreduzierung während einer
Wirkstoffentwicklung.
Ziel der Arbeit war die Entwicklung neuer COX-2 Liganden mit Hilfe von in silico Methoden. Weil von der mCOX-2 keine Kristallstruktur in der PDB publiziert war, begann die Arbeit mit der Modellierung der mCOX-2. Dafür wurde aus der Sequenz der hCOX-2 aus UniProt mit der ID P35354 mit Hilfe der Kristallstruktur 3LN1 ein Homologie Modell entwickelt und im Anschluss über eine Validierungsmethode, den Ramachandran Plot, analysiert. Der Ramachandran Plot zeigte, dass 93.7% der Aminosäuren in favorisierten Regionen, 6.1% in
erlaubten Regionen, 0.2% in geduldeten Regionen und 0.0% in unerlaubten Regionen lagen. Mit diesem Modell wurde eine MD-Simulation durchgeführt, um die Energie des Modells zu
minimieren.
Die neuen Verbindungen wurden über drei verschiedene Ansätze designt. Im ersten Ansatz wurde die Software DOGS verwendet. Dabei handelt es sich um ein de novo Design Programm, welches nicht nur neue Verbindungen entwickelt, sondern auch deren Syntheseweg vorschlägt. Die vorgeschlagenen Verbindungen wurden über eine Docking-Studie analysiert, wobei die Verbindungen aus Abbildung 15 identifiziert werden konnten. Verbindung 22 wurde ohne weitere Variationen synthetisiert. Die Verbindungen 71 und 86 wurden aus der modellierten Verbindung 87, welche von DOGS vorgeschlagen wurde, weiterentwickelt. Dabei wurde Verbindung 71 als ein Fragment von Verbindung 85 entwickelt. Verbindung 86 wurde direkt aus Verbindung 87 entwickelt, wobei einige Variationen durchgenommen wurde. Hierbei sollte vorallem die Form von Verbindung 87 beibehalten werden.
Literatur verwendet, um ausgehend von den Verbindungen APHS und ASS neue COX-2 Inhibitoren zu entwickeln (siehe Abb. 16). Dabei wurden mehrere Verbindungen designt, wovon Verbindung 3 als ein leichter Inhibitor identifiziert werden konnte. 3 enthält keine für COX-Inhibitoren typische polare Gruppe, besitzt dafür aber eine Acetylgruppe, die gemäß in silico Untersuchungen in der Lage sein könnte, Ser530 in COX-2 zu acetylieren.
In der letzten Studie wurden mit Hilfe eines Fragment-basierten Designs neue Verbindungen entwickelt, wobei das Benzensulfonamid von Celecoxib aus der Kristallstruktur 1PTH extrahiert und mit kleinen Fragmente verknüpft wurde, welche zuvor über eine Docking-Studie analysiert wurden. Hieraus entwickelte sich Verbindung 35, die in einer kleinen SAR-Studie zu 70 optimiert werden konnte. Dabei konnte das Sulfonamid, welches typisch für Coxibe ist, gegen eine Carbonsäure ausgetauscht werden (69). Erst durch eine Vergrößerung der Verbindung um einen Benzyl-Rest am sekundären Amin von 69 führte zur potenten Verbindung 70.
Zusammenfassend konnten in dieser Arbeit fünf neue COX-2 Inhibitoren als Leitstrukturen entwickelt werden. Dabei kamen fortschrittliche in silico Methoden wie die De-Novo Design Software DOGS aber auch rationale Designmethoden zum Einsatz. Beide Methoden boten Vor- und Nachteile und haben jeweils zu guten Ergebnissen geführt. Bei der Entwicklung der vielversprechendsten Leitstrukturen 70 und 71 wurden die Vorteile beider Ansätze kombiniert.
Die vorliegende, in kumulativer Schreibweise verfasste Arbeit erläutert die Entwicklung, Charakterisierung und Optimierung zweier unterschiedlicher Leitstrukturen, die als Agonisten von Peroxisomen Proliferator-aktivierten Rezeptoren (PPAR) und gleichsam als duale Inhibitoren der mikrosomalen Prostaglandin E2 Synthase-1 (mPGES-1) und der 5-Lipoxygenase (5-LO) wirken. Chemisch betrachtet sind dies zum ersten die Gruppe der alpha-n-Hexyl-Pirinixinsäurederivate und zum zweiten die Gruppe der 2-(Phenylthio)-hexansäurederivate. Die Publikation zur Synthese und in vitro-pharmakologischen Charakterisierung der alpha-n-Hexyl-Pirinixinsäurederivate an PPAR (Zettl et al., QSAR & Combinatorial Science, 28:576–586, 2009) enthält einerseits die strukturelle Optimierung durch Variation der Aryl-Substitution des zentralen Pyrimidinringes der Leitstruktur und andererseits die durch Docking-Verfahren gestützte Untersuchung des Einflusses der Stereochemie auf die PPAR-Aktivierung. Letztlich konnte durch die Einführung von Biphenyl-Substituenten eine Verbesserung insbesondere der PPARalpha-Aktivität gegenüber der als strukturellen Referenz dienenden alpha-n-Hexyl-Pirinixinsäure (Rau et al., Archiv der Pharmazie, 341:191–195, 2008) erreicht werden. Mit Hilfe von präparativer enantioselektiver HPLC wurde eine ausgewählte Verbindung in ihre beiden Enantiomere getrennt. Deren in vitro-pharmakologische Charakterisierung ergab, dass das (R)-Enantiomer insbesondere bei PPARalpha als Eutomer fungiert. Dieses Ergebnis konnte mit Hilfe von Docking-Studien weiter untermauert werden. Hierbei wurde deutlich, dass die Besetzung der linken proximalen Bindetasche der PPARalpha-Liganden-Bindungs-Domäne durch den alpha-n-Hexyl-Rest lediglich im Fall einer (R)-Konfiguration optimal erfolgen kann. Die Synthese und die in vitro-pharmakologische Charakterisierung der Substanzklasse der 2-(Phenylthio)-hexansäurederivate an PPAR sind in Zettl et al., Bioorganic & Medicinal Chemistry Letters, 19: 4421-4426, 2009 zusammengefasst. Bei der Analyse der Struktur-Wirkungs-Beziehungen erwies sich die Leitstruktur als hochaktiv und sehr robust. Je nach Substitutionsmuster des lipophilen Molekülteils wurden potente selektive PPARalpha-Agonisten wie auch PPARalpha-präferenzielle duale PPARalpha/gamma-Agonisten dargestellt. Durch die Synthese von Kohlenstoff-Analoga und alpha-unsubstituierten Verbindungen wurde des Weiteren der Einfluss des Schwefelatoms und des n-Butylrestes in alpha-Position zur Carbonsäure auf die PPAR-Aktivität untersucht. Hierbei konnte gezeigt werden, dass beide Strukturelemente einen großen Beitrag zur hohen PPARalpha-Aktivität der Leitstruktur leisten. Wie auch bei den alpha-n-Hexyl-Pirinixinsäurederivaten wurde eine ausgewählte Verbindung in ihre Enantiomere getrennt und der Einfluss des Stereozentrums in alpha-Position zur Carbonsäure untersucht. Das Ergebnis bestätigte die Resultate der vorangegangenen Studie: Das (R)-Enantiomer wirkte als Eutomer, wobei der stereochemische Einfluss bei PPARalpha besonders deutlich war. Ausgewählte Synthesen und die in vitro-pharmakologische Charakterisierung von Pirinixinsäurederivaten an mPGES-1, 5-LO sowie der Cyclooxygenase (COX) sind in Koeberle und Zettl et al., Journal of Medicinal Chemistry, 51:8068–8076, 2009 publiziert. Die Arbeit beinhaltet eine umfassende Reihe an Pirinixinsäurederivaten mit Strukturvariationen in alpha-Position zur Carbonsäure und im Aryl-Substitutionsmuster des Pyrimidinringes. Hinsichtlich der alpha-Substitution zeigte sich, dass für Alkylreste eine Kettenlänge von mindestens 6 Kohlenstoffatomen für einen dualen Wirkmechanismus erforderlich ist. Als Leitstruktur für duale mPGES-1/5-LO-Inhibitoren ergab sich somit alpha-n-Hexyl-substituierte Pirinixinsäure, deren Aryl-Substitutionsmuster am zentralen Pyrimidin weiter optimiert wurde. Als vorteilhaft erwies sich die Substitution mit Biphenylresten, wodurch die Darstellung von niedrig mikromolar aktiven dualen mPGES-1/5-LO-Inhibitoren gelang. Bei der Analyse der Strukur-Wirkungs-Beziehungen von unterschiedlichen Biphenylresten zeigte sich eine hohe strukturelle Toleranz hinsichtlich der dualen inhibitorischen Aktivität an der mPGES-1 und der 5-LO. Somit stellen die alpha-n-Hexyl-Pirinixinsäurederivate die ersten publizierten dualen mPGES-1/5-LO-Inhibitoren dar.
This study focuses on structural features of a particular GPCR type, the family C GPCRs. Structure- and ligand-based approaches were adopted for prediction of novel mGluR5 binding ligand and their binding modes. The objectives of this study were: 1. An analysis of function and structural implication of amino acids in the TM region of family C GPCRs. 2. The prediction of the TM domain structure of mGluR5. 3. The discovery of novel selective allosteric modulators of mGluR5 by virtual screening. 4. The prediction of a ligand binding mode for the allosteric binding site in mGluR5. GPCRs are a super-family of structurally related proteins although their primary amino acid sequence can be diverse. Using sequence information a conservation analysis of family C GPCRs should be applied to reveal characteristic differences and similarities with respect function, folding and ligand binding. Using experimental data and conservation analysis the allosteric binding site of mGluR5 should be characterized regarding NAM and PAM and selective ligand binding. For further evaluation experimental knowledge about family A GPCRs as well as conservation between vertebrate rhodopsins was planned to be compared to results obtained for family C GPCRs (Section 4.1 Conservation analysis of family C GPCRs). Since no receptor structure is available for any family C GPCR, discussion of conserved sequence positions between family A and C GPCRs requires the prediction of a receptor structure for mGluR5 using a family A receptor as template. In order to predict the mGluR5 structure a sequence alignment to a GPCR template protein will have to be proposed and GPCR specific features considered in structure calculation (Section 4.1.4 Structure prediction of mGluR5). The obtained structure was intended to be involved in ligand binding mode prediction of newly discovered active molecules. For discovery of novel selective mGluR modulators several ligand-based virtual screening protocols were adapted and evaluated. Prediction models were derived for selection of possibly active molecules using a diverse collection of known mGluR binding ligands. For that purpose a data collection of known mGluR binding ligands should be established and this reference collection analyzed with respect to different ligand activity classes, NAM or PAM and selective modulators. The prediction of novel NAMs and PAMs using several combinations of 2D-, 3D-, pharmacophore or molecule shape encoding methods with machine learning techniques and similarity determining methods should be tested in a prospective manner (Section 4.2 Virtual screening for novel mGluR modulators). In collaboration with Merz Pharmaceuticals (Merz GmbH & Co. KGaA, Frankfurt am Main, Germany) the modulating effect of a few hundred molecules should be approved in a functional cell-based assay. With the objective to predict a binding mode of the discovered active molecules, molecule docking should be applied using the allosteric binding site of the modeled mGluR5 structure (Section 4.2.4 Modeling of binding modes). Predicted ligand binding modes are to be correlated to conservation profiles that had resulted from the sequence-based entropy analysis and information from mutation experiments, and shall be compared to known ligand binding poses from crystal structures of family A GPCRs.
Das Ziel des adaptiven Entwurfs von Substanzbibliotheken ist es, die vollständige biologische Testung einer molekularen Screeningbibliothek zu vermeiden. Stattdessen erfolgt, geleitet durch Optimierungsalgorithmen, eine "intelligente" Navigation durch den chemischen Raum, um so bevorzugt Substanzen mit gewünschten Eigenschaften auszuwählen. In einer retrospektiven Studie wurden die Optimierungsalgorithmen "Zufallssuche", "Simulated Annealing", "Evolutionsstrategie" und "Partikelschwarmoptimierung" im Hinblick auf den Entwurf von Bibliotheken von Serinproteaseinhibitoren systematischen verglichen. Die Gesamtzahl verfügbarer Substanztestungen wurde auf 300 beschränkt, um Laborbedingungen zu simulieren. Als Ergebnis zeigten sich besonders die Evolutionsstrategien für einen Einsatz in einer Niedrigdurchsatzscreening-Kampagne geeignet, da diese effizient mit großen Populationen und wenigen Iterationen arbeiteten. Der zweite Teil dieser Arbeit beschreibt den erfolgreichen Entwurf einer fokussierten Bibliothek von RNA-Liganden. In einer hybriden, prospektiven Optimierungsstudie wurden nach dem Vorbild einer iterativen Niedrigdurchsatzscreening-Kampagne vom Computer vorgeschlagene Moleküle im Labor getestet. Die Substanzen wurden auf Inhibition einer spezifischen molekularen Wechselwirkung im Replikationszyklus von HIV getestet (Tat-TAR-Interaktion). In vier Generationen wurden 9 von 170 untersuchten Verbindungen positiv auf Inhibition der Tat-TAR-Interaktion getestet (Trefferquote: 5,3%), wobei lediglich 0,089% der Verbindungen der Screeningbibliothek untersucht wurden. Die zwei potentesten Kandidaten wiesen einen IC50 von 51 uM bzw. 116 uM auf.
Die Identifizierung neuartiger Verbindungsklassen für ein pharmakologisches Zielsystem ist eine fordernde Aufgabe für die frühe präklinische Forschung, insbesondere wenn bereits vorherige umfangreiche Studien durchgeführt und viele Leitstrukturserien gefunden wurden. In dieser Arbeit konnte gezeigt werden, dass Scaffold Hopping durch Methoden des Virtual Screenings auch für Systeme möglich ist, für die bereits eine Vielzahl von Referenzsubstanzen beschrieben ist und somit wenig freier chemischer Raum für Innovation zur Verfügung steht. Als Beispielsystem wurde die GlycinB-Bindungsstelle der NR1-Untereinheit des NMDA-Rezeptors betrachtet. Verschiedene zwei- und dreidimensionale Techniken des Virtual Screenings wurden einer umfangreichen retrospektiven Validierung unterworfen. Zur Durchführung der prospektiven Virtual-Screening-Studie wurde eine automatisierte in silico Plattform entwickelt, die 8,9 Millionen käufliche Substanzen aus 46 Substanzkatalogen von 33 verschiedenen Anbietern sammelte, um etwa 5 Millionen unterschiedliche Moleküle in zweidimensionaler Darstellung aufzuarbeiten. Diese Menge an Substanzen stellt den größten Teil der zurzeit kommerziell verfügbaren chemischen Verbindungen, also den „verfügbaren chemischen Raum“ dar. Anhand der retrospektiv validierten Virtual Screening Techniken konnten in einer prospektiven Suche 21 GlycinB-Antagonisten mit neuartigen, d.h. für GlycinB noch unbeschriebenen Scaffolds gefunden werden. Ausgehend von drei dieser Virtual Screening Hits wurden 53 weitere Verbindungen mit insgesamt fünf unterschiedlichen neuartigen Scaffolds und einem gemeinsamen Azo-Motiv identifiziert. Die Struktur-Wirkungsbeziehungen dieser fünf chemischen Serien wurden charakterisiert. Das Ergebnis dieser Arbeit zeigt eindeutig, dass es lohnend ist, alle vorhandenen Methoden auszuschöpfen, da sich die validierten Methoden komplementär zueinander verhielten und kein Virtual Screening Hit von mehr als einer Technik gefunden wurde. Die Flexibilität von Proteinen als Antwort auf die Bindung unterschiedlicher Liganden stellt ein bislang ungelöstes chemieinformatisches Problem dar, welches auch grundlegende pharmakologische Bedeutung hat. So verursachen z.B. bei NMDA/GlycinB agonistische Liganden eine Konformationsänderung des Rezeptors. Diese ruft dann eine direkte funktionale Antwort in Form der Öffnung des Ionenkanals hervor. Auch der Bindungsmodus der Antagonisten von GlycinB ist trotz Vorhandenseins von zwei Kristallstrukturen und mehreren Hundert zum Teil hochaffiner Referenzstrukturen zum großen Teil ungeklärt. Im zweiten Teil dieser Arbeit wurde ein auf Moleküldynamiksimulationen basierendes Verfahren entwickelt, welches flexible Aminosäurereste im Rezeptor und damit induzierbare Bewegungen des Proteinrückgrates bestimmt. Die so identifizierten Reste wurden dann in einem erweiterten Verfahren des Induced-Fit-Dockings als explizit flexibel betrachtet. Hierdurch war die Berechnung verschiedener Bindungsmodi von Antagonisten möglich, die aufgrund ihrer Form und Größe nicht in die verfügbaren Kristallstrukturen von GlycinB passten. Diese benötigten somit einen Induced-Fit-Effekt des Rezeptors, um eine Bindung einzugehen. Für die im ersten Teil dieser Arbeit identifizierten Azo-Liganden wurde auf Basis dieser Methode ein gemeinsamer Bindungsmodus vorgeschlagen. Ebenso konnte anhand der Methodik eine Aussage über die funktionale Auswirkung der Proteinflexibilität beim Übergang vom antagonistischen zum agonistischen Rezeptorzustand von GlycinB getroffen werden. Ein großes Problem aktueller Dockingverfahren ist die mangelnde Verfügbarkeit von Scoringfunktionen, welche die tatsächliche biologische Bindungsaffinität eines Liganden berechnen. Hier wurde ein Verfahren für das Zielsystem GlycinB gezeigt, welches aufgrund der Berechnung des thermodynamischen Entropie- und Enthalpiegewinns durch Verdrängung von hydrophob eingeschlossenen Wasser aus der Bindungsstelle durch den Liganden eine Aussage über dessen zu erwartende Bindungsaffinität trifft. Dieses neuartige Scoringsystem wurde auf die im Virtual Screening identifizierten Serie von Azo-Liganden angewandt und verfügte über eine im Vergleich zu klassischen Scoringfunktionen des Molecular Dockings verbesserte Vorhersagekraft der biologischen Bindungsaffinität.
Eine verzögerte und mitunter unvollständige Immunrekonstitution nach allogener Stammzelltransplantation (SZT) birgt ein erhöhtes Risiko für Infektionen und das Auftreten eines Rezidivs. Adoptive Immuntherapien können dazu beitragen, die Immunrekonstitution zu beschleunigen. Die Indikation hierzu ist jedoch streng geregelt, da eine zusätzliche Immuntherapie mit Risiken, wie z.B. dem Auftreten einer Graft-versus-Host-Disease (GvHD), verbunden ist. Im Mittelpunkt dieser Arbeit steht die Untersuchung der Immunrekonstitution im Hinblick auf das Auftreten von Komplikationen und das Überleben nach SZT. Dazu wurde ein multivariates Normwertmodell entwickelt, das die Beurteilung der Rekonstitution verschiedener Leukozytensubpopulationen ermöglicht. Der Einfluss der Regeneration spezifischer Immunzellen wie Cytomegalievirus-spezifischer T-Zellen (CMV-CTLs) und regulatorischer T-Zellen (Tregs) auf den Verlauf nach SZT wurde insbesondere hinsichtlich CMV-bedingter Komplikationen, GvHD und Rezidiv untersucht.
Ziel der Arbeit war die Analyse von langen eukaryotischen Signalpeptiden, mit einer Länge von mindestens 40 Aminosäuren, und ihre Diskriminierung zu kurzen SP. Signalpeptide sind notwendig, um die im Cytosol translatierten Proteine zum Ort ihrer Funktion zu dirigieren. Sie spielen dadurch eine fundamentale Rolle bei der Entwicklung von Zellen. Signalpeptide weisen keine Sequenzhomologie, aber einen typischen, in drei Regionen gegliederten Aufbau (n-, h-, c-Region) auf. In den letzten Jahren wurden zunehmend Beispiele von Signalpeptiden gefunden, die neben dem Targeting zum endoplasmatischen Retikulum weitere Post-Targeting-Funktionen aufweisen. Auffällig ist hier die besondere Länge der Signalpeptide. Für die Analyse dieser langen Signalpeptide standen bis jetzt keine gezielt entwickelten Vorhersageprogramme zur Verfügung. Im Rahmen dieser Arbeit wurde diese Gruppe langer Signalpeptide untersucht und ein Modell zu deren interner Organisation entwickelt. Das entwickelte „NtraC“-Modell erweitert etablierte sequenzbasierte Ansätze für kurze SP um eine Sekundärstruktur-motivierte Perspektive für lange Sinalpeptide. Zuerst wird dabei ein Übergangsbereich (transition area, N„tra“C), der potentiell β-Turn bildende Aminosäuren enthält, identifiziert. Dieser dient im Modell zur Zerlegung des SP in zwei hinsichtlich ihrer Funktion unabhängige Domänen: eine N-terminale N-Domäne (‚N’traC) und eine C-terminale C-Domäne (Ntra‚C’). Diese mit bekannten Vorhersageprogrammen nicht identifizierbaren „kryptischen“ Domänen innerhalb der Signalpeptid-Sequenz können unterschiedliche Targeting-Kapazitäten aufweisen und entsprechen für sich genommen eigenständigen Protein-Targeting-Signalen. Im Fall einer ER-Targeting Kapazität z.B. weist eine Domäne für sich genommen eine n-, h-, und c-Region auf. 63% aller Vertebrata-Signalpeptide entsprechen der in dieser Arbeit vorgeschlagenen NtraC-Organisation. Eine basierend auf dem NtraC-Modell vorgeschlagene Architektur für die langen Signalpeptide von shrew-1 (43 Aminosäuren), DCBD2 (66 Aminosäuren) und RGMA (47 Aminosäuren) wurde vom Autor selbst in vitro überprüft. Für alle drei Proteine wurden eine N-Domäne mit mitochondrialer Targeting-Funktion und eine C-Domäne mit Signalpeptid-Funktion vorhergesagt. Die langen Signalpeptide der Proteine wurden bisher als reine ER-Targeting-Signale betrachtet. Die vorliegende Studie zeigt jedoch, dass in diesen langen Signalpeptiden multiple Targetingsignale kodiert sind. Die ER-Targeting-Kapazität der C-Domänen wurde durch SEAP-Assays überprüft, die mTP-Funktion der N-Domäne durch biochemische Aufreinigung von Mitochondrien. Die in silico-Vorhersagen konnten in vollem Umfang für alle drei Proteine in vitro bestätigt werden. Eine Untersuchung der semantischen Wolke aller Proteine mit NtraC-organisiertem Signalpeptid zeigte, dass eine NtraC-Organisation in mehr als 50% der Fälle im Zusammenhang mit Typ-I Transmembranproteinen auftritt. Auch die Proteine der hier experimentell untersuchten Signalpeptide von shrew-1, DCBD2, RGMA sind Typ-I Transmembranproteine. Des Weiteren weisen 15% aller langen Vertebrata-Signalpeptide eine Domänen-Kombination analog zu shrew-1, DCBD2 und RGMA auf. Der gefundene analoge Aufbau der langen Signalpeptide könnte somit funktionelle Gruppen von Proteinen zusammenführen, die bisher anderweitig nicht gruppiert werden konnten. Es konnte weiterhin gezeigt werden, dass bakterielle Autotransporter Gram-negativer Bakterien in Variation ebenfalls eine NtraC-Organisation in ihren Signalpeptiden aufweisen. Gleiches konnte für Gruppen langer viraler Signalpeptide gezeigt werden. Das NtraC-Modell ist somit nicht auf Vertebrata-Signalpeptide beschränkt. In der vorliegenden Arbeit wurde ein Modell zur Domänen-Architektur langer Signalpeptide entwickelt und erfolgreich angewendet: das NtraC-Modell. Ein Vorhersage-Algorithmus zur in silico-Untersuchung langer Signalpeptide wurde implementiert und in einer webbasierten Benutzeroberfläche öffentlich zugänglich gemacht. Das Modell trifft auf 63% der annotierten langen Vertebrata-Signalpeptide zu. Des Weiteren wurden, basierend auf dem NtraC-Modell, für die langen Signalpeptide von drei Proteinen (shrew-1, DCBD2, RGMA) in vitro-Versuche durchgeführt. Die erhaltenen in vitro-Ergebnisse unterstützen klar die These, dass lange Signalpeptide eine aus definierten Domänen bestehende Organisation aufweisen können.