WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


На правах рукописи

Лагунин Алексей Александрович КОМПЬЮТЕРНАЯ ОЦЕНКА ПЛЕЙОТРОПНОГО ДЕЙСТВИЯ ФАРМАКОЛОГИЧЕСКИХ ВЕЩЕСТВ Математическая биология, биоинформатика А В Т О Р Е Ф Е Р А Т диссертации на соискание ученой степени доктора биологических наук

Москва 2012

Работа выполнена в Федеральном государственном бюджетном учреждении "Научно-исследовательский институт биомедицинской химии имени В Н Ореховича" Российской академии медицинских наук (ФГБУ "ИБМХ" РАМН)

Научный консультант: доктор биологических наук, профессор, Поройков Владимир Васильевич

Официальные оппоненты: Ефремов Роман Гербертович, доктор физико-математических наук, профессор, заместитель директора по науке, Федеральное государственное бюджетное учреждение науки Институт биоорганической химии им академиков М М Шемякина и Ю А Овчинникова Российской академии наук Кабанкин Анатолий Сергеевич, доктор биологических наук, г н с, Федеральное государственное бюджетное учреждение науки Центр теоретических проблем физико-химической фармакологии Российской академии наук Карягина-Жулина Анна Станиславовна, доктор биологических наук, профессор, г н с, Федеральное государственное бюджетное учреждение "Научно-исследовательский институт эпидемиологии и микробиологии имени почетного академика Н Ф Гамалеи" Министерства здравоохранения и социального развития Российской Федерации

Ведущая организация: Федеральное государственное бюджетное учреждение науки Институт молекулярной биологии им В А Энгельгардта Российской академии наук

Защита состоится 18 октября 2 2 г в 1100 часов на заседании диссертационного совета Д при ФГБУ "ИБМХ" РАМН по адресу: 2, Москва, ул Погодинская,, стр. 8.

С диссертацией можно ознакомиться в библиотеке ФГБУ "ИБМХ" РАМН.

Автореферат разослан «___» ___________ 2 2 г

Ученый секретарь диссертационного совета, кандидат химических наук Е А Карпова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ



Актуальность проблемы Важной задачей современной биомедицинской науки является создание новых эффективных и безопасных фармакологических веществ. С увеличением количества и разнообразия лекарственных соединений, углубления знаний о патогенезе заболеваний и механизмах регуляции основных процессов функционирования организма, накоплением информации о генетической и фенотипической индивидуальности пациентов открываются новые возможности создания эффективных лекарственных препаратов. При этом сложность разработки новых средств терапии постоянно возрастает. Поэтому создание новых фармакологических веществ невозможно представить без использования методов хемо- и биоинформатики. Разработка методов оценки безопасности и эффективности лекарственных препаратов на основе технологий биоинформатики и компьютерного конструирования лекарств определена в качестве одного из перспективных направлений медицинской науки на период до 2025 г., (Прогноз развития медицинской науки до 2025 года, http://www.ramn.ru/).

В настоящее время по данным Chemical Abstract Service известно более 65 млн.

структур химических соединений. Число выявленных фармакологических мишеней также весьма велико (Overington et al., 2006), варьируя от ~1200 (Target Therapeutical Database) до ~ 2600 (ChEMBL database) и даже 14000 потенциальных мишеней (Wishart et al., 2007). При создании лекарственных препаратов, кроме непосредственного воздействия на фармакологические мишени, необходимо учитывать их взаимодействие с белками-транспортерами, ферментами метаболизма ксенобиотиков, а также с нежелательными мишенями, воздействие на которые связано с развитием побочных и токсических эффектов. Несмотря на широкое применение методов высокопроизводительного скрининга (Hser et al., 2006; Raucy, Lasker 2010; Lunn 2010; Black et al., 2011), экспериментально протестировать действие миллионов соединений для определения их спектров биологической активности не представляется возможным. С этим связана одна из фундаментальных проблем современной химии - исследование соотношений "структура-активность" физиологически активных соединений.

Изучение активности многих эффективных лекарств выявило их влияние на несколько мишеней (Keiser et al., 2009), а определение механизмов патогенеза ряда социально-значимых заболеваний (опухолевых, сердечно-сосудистых, инфекционных, неврологических и др.) привело к осознанию необходимости разработки лекарственных препаратов плейотропного действия (Morphy et al., 2004;

Hopkins, 2007). Под плейотропным (множественным) действием вещества понимается проявление многообразных видов биологической активности, которые свойственны данному препарату и ведут к усилению его терапевтической активности.

Плейотропное действие может быть достигнуто либо комбинированной терапией, когда используется несколько фармакологических веществ, действующих на различные специфические мишени, либо применением отдельных препаратов, способных действовать одновременно на несколько мишеней (Zimmermann et al., 2007). Оценка плейотропного действия осложняется тем, что воздействие на одну мишень может вызывать разнообразные фармакологические эффекты, при этом каждый из эффектов может быть также вызван воздействием на различные мишени.

Зачастую такое действие является причиной того, что лекарственное средство, первоначально создаваемое с целью терапии определенной патологии, впоследствии находило медицинское применение для лечения других патологий (репозиционирование лекарств). Комбинированная терапия является общепринятой практикой лечения многих заболеваний, однако, существует риск нежелательного взаимодействия или самих препаратов, или вызываемых ими фармакологических эффектов, что приводит к неблагоприятным последствиям. Оценка риска таких взаимодействий, выбор оптимальных комбинаций лекарственных средств, а также рациональный поиск новых соединений, действующих на различные биологические мишени, в свете современных представлений о взаимосвязях химической структуры вещества и его фармакотерапевтического действия, невозможны без разработки новой методологии анализа химической структуры вещества и его биологической активности.

Цель исследования. Разработать и провести апробацию методологии компьютерной оценки плейотропного действия биологически активных веществ на основе анализа зависимостей «структура-активность» и «активность-активность».

Задачи исследования.

1. Разработать методы анализа плейотропного действия химических соединений, создать базу знаний видов биологической активности, и реализовать их в компьютерной программе.

2. Применить метод анализа терапевтических эффектов и их механизмов действия для поиска новых анксиолитиков, антиконвульсантов и ноотропных соединений.

3. Применить метод поиска соединений, одновременно действующих на несколько мишеней, вызывающих общий фармакологический эффект, для выявления антигипертензивных и противовоспалительных соединений с дуальными механизмами действия.

4. Применить метод оценки межлекарственных взаимодействий для выявления предпочтительных парных комбинаций антигипертензивных препаратов разных классов.

5. Применить метод оценки межлекарственных взаимодействий для анализа плейотропного действия многокомпонентных экстрактов лекарственных растений, на примере зверобоя.

6. Применить метод анализа терапевтических эффектов и их механизмов действия для репозиционирования лекарств для выявления ноотропной активности у ингибиторов ангиотензин-превращающего фермента.

Научная новизна Впервые предложена методология анализа плейотропного действия органических соединений, реализованная в компьютерной программе PharmaExpert, позволяющая выявлять взаимосвязи между прогнозируемыми видами биологической активности и оптимизировать экспериментальное тестирование химических соединений, обладающих плейотропными свойствами. Разработаны оригинальные компьютерные методы поиска соединений с заданными видами биологической активности, и соединений, воздействующих на несколько мишеней, а также метод анализа межлекарственных взаимодействий.

Впервые разработана оригинальная база знаний по видам биологической активности с логическими правилами, описывающие причинно-следственные, классификационные и антагонистические взаимосвязи между видами биологической активности. Собрана информация о 26 тысяче терминов и 11000 взаимосвязей между видами биологической активности.

На основе использования разработанного метода анализа терапевтических эффектов и их механизмов действия для поиска новых фармакологически активных веществ путем виртуального скрининга библиотек химических соединений выявлены оригинальные анксиолитики, ноотропные и противосудорожные соединения, принадлежащие к новым химическим классам.

Обнаружены новый двойной ингибитор ангиотензин-превращающего фермента и нейтральной эндопептидазы, и три новых двойных ингибитора 5липоксигеназы и циклооксигеназы 1.

Впервые, на примере исследования биологического действия известных природных компонентов лекарственного растения зверобой, продемонстрирована возможность комплексного анализа биологической активности экстрактов лекарственных растений.

Оценка межлекарственного взаимодействия антигипертензивных препаратов с различными механизмами действия позволила установить их предпочтительные комбинации с оптимальным терапевтическим эффектом.

Впервые выявлена ноотропная активность у некоторых препаратов, традиционно используемых как антигипертензивные средства.

Практическая значимость Разработанная нами методология анализа взаимосвязей «структура - активность» с учетом плейотропного действия лекарственных соединений позволяет оптимизировать разработку новых комбинированных лекарств и/или методов комбинированной терапии, проводить систематический анализ взаимодействия комбинаций природных соединений, содержащихся в лекарственных растениях, а также существенно снизить временные и финансовые затраты при поиске базовых структур новых лекарственных препаратов.

Методы оценки плейотропного действия лекарственно-подобных соединений, разработанные в процессе выполнения данной работы, реализованы в компьютерной программе PharmaExpert (Свидетельство об официальной регистрации программы для ЭВМ PharmaExpert № 2006613590 от 16 октября 2006 г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам - прилагается).

Комплекс компьютерных программ PASS (Prediction of Activity Spectra for Substances) и PharmaExpert используются в процессе создания и поиска новых биологически активных веществ в ряде ВУЗов и научно-исследовательских институтов (Химический факультет МГУ, Санкт-Петербургский государственный технологический институт, Институт органической химии им. Н. Д. Зелинского РАН, Новосибирский институт органической химии им. Н. Н. Ворожцова СО РАН, ФБГОУ ВПО Самарский государственный университет, ГБОУ ВПО ВолгГМУ Минздравсоцразвития России, Физико-химический институт им. А. В. Богатского НАН Украины).

Использование разработанного нами метода анализа терапевтических эффектов и их механизмов действия при поиске новых классов соединений, проявляющих анксиолитический, ноотропный и противосудорожный эффекты, а также метода поиска соединений, действующих на несколько мишеней, для выявления антигипертензивных и противовоспалительных соединений с дуальными механизмами действия, показало, что предложенные методы более эффективны по сравнению с традиционными компьютерными методами анализа взаимосвязей «структура-активность». Практическое применение разработанных нами методов позволит значительно повысить экономическую эффективность проводимых исследований.

Разработанный нами метод оценки взаимодействия лекарственных соединений позволяет выявлять возможные аддитивные, синергетические и антагонистические биологические эффекты природных соединений, входящих в состав экстрактов лекарственных растений. Соответствующее исследование было проведено нами для химических компонентов зверобоя. Применение нашего метода создает научную основу для установления наиболее важных, с терапевтической точки зрения, природных веществ и их комбинаций и позволяет прогнозировать их наиболее перспективное терапевтическое использование.

Разработанный нами метод оценки взаимодействия лекарственных соединений позволил оценить парные комбинации наиболее широко применяемых антигипертензивных препаратов следующих групп: ингибиторы ангиотензинпревращающего фермента; антагонисты ангиотензин II АТ1 рецепторов и блокаторы кальциевых каналов. Определены наиболее эффективные и безопасные комбинации, которые могут быть рекомендованы для клинических исследований терапии артериальной гипертонии.

На примере анализа плейотропного действия антигипертензивных препаратов, для которых нами была выявлена ноотропная активность, продемонстрирована возможность применения разработанного метода анализа терапевтических эффектов и их механизмов действия для расширения показаний к медицинскому применению лекарств.

Основные положения, выносимые на защиту 1. Разработана методология компьютерного анализа плейотропного действия биологически активных соединений, реализованная в компьютерной программе PharmaExpert. Программа PharmaExpert включает в себя базу знаний видов биологической активности и взаимосвязей между ними, метод анализа терапевтических эффектов и их механизмов действия, метод поиска соединений, действующих на несколько мишеней, вызывающих общий фармакологический эффект и метод оценки взаимодействия физиологически активных веществ.

2. Метод анализа терапевтических эффектов и их механизмов действия позволил найти соединения с анксиолитической, противосудорожной и ноотропной активностью, принадлежащие к новым химическим классам и выявить ноотропную активность у антигипертензивных препаратов - ингибиторов ангиотензин-превращающего фермента: периндоприла, квинаприла и моноприла.

3. Метод поиска соединений, действующих на несколько мишеней, вызывающих общий фармакологический эффект, позволил выявить новые противовоспалительные и антигипертензивные соединения комбинированного действия: двойные ингибиторы циклооксигеназы 1,2 и 5-липооксигеназы, и двойные ингибиторы ангиотензин-превращающего фермента и нейтральной эндопептидазы.

4. Метод оценки взаимодействия фармакологически активных веществ позволил идентифицировать наиболее предпочтительные комбинации антигипертензивных препаратов разных классов: ингибиторы ангиотензин-превращающего фермента/блокаторы кальциевых каналов и антагонисты ангиотензин II АТрецепторов/блокаторы кальциевых каналов, а также определить компоненты экстрактов лекарственного растения зверобоя, ответственные за проявление биологической активности, аддитивных/синергетических и антагонистических взаимодействий.

Личный вклад соискателя. Научные результаты, приведенные в диссертационной работе, относящиеся к разработке методологии, методов анализа взаимосвязей между видами биологической активности, базы знаний по видам биологической активности, созданию компьютерной программы PharmaExpert, а также виртуальному скринингу соединений и анализу межлекарственных взаимодействий получены автором самостоятельно. Соискатель принимал непосредственное участие в подготовке научных публикаций, выступал с докладами на конференциях и международных симпозиумах.

Апробация работы. Основные положения диссертационной работы были представлены и обсуждены на многочисленных российских и международных конференциях: II съезд биохимического общества РАН (Москва, 1997); съезд биофизиков России (Москва, 1999; Воронеж, 2004); Международная научная конференция "Органический синтез и комбинаторная химия" (Москва-Звенигород, 1999); Международный симпозиум по медицинской химии (Болонья, Италия, 2000;

Барселона, Испания, 2002; Вена, Австрия, 2008; Брюссель, Бельгия, 2010);

Европейский симпозиум по анализу количественных взаимосвязей «структураактивность» (Стамбул, Турция, 2004; Родос, Греция 2010); Всероссийская конференция "Молекулярное моделирование", (Москва, 2001, 2003); III Всероссийский симпозиум по органической химии "Стратегия и тактика органического синтеза" (Ярославль, 2001); 6-я Международная конференция по химическим структурам, (Нордвейкерхаут, Голландия, 2002); IV Всероссийский симпозиум по органической химии (Москва, 2003); 225-й Национальный съезд американского химического общества (Новый Орлеан, США, 2003); Международный симпозиум «Вычислительные методы в токсикологии и фармакологии, интеграция Интернет-ресурсов» (Салоники, Греция, 2003; Шанхай, Китай, 2005; Москва, 2007; Стамбул, Греция, 2009); Международный симпозиум по достижениям в области синтетической, комбинаторной и медицинской химии (Москва, 2004); Международная конференция “Геномика, протеомика, биоинформатика и нанотехнологии в медицине” (Россия, 2004, 2006, 2008, 2010);

Международный семинар по количественным взаимосвязям «структура-активность» в здоровье человека и науках об окружающей среде (Ливерпуль, Великобритания, 2004;

Лион, Франция, 2006); Международный симпозиум «Достижения в области науки разработки лекарственных средств» (Москва, 2005); Международная конференция «Биологические мишени для действия лекарственных препаратов нового поколения.

Перспективы интеграции российских ученых в международную кооперацию» (Химки, 2006); Московский международный конгресс «Биотехнология: состояние и перспективы развития» (Москва, 2007); III съезд фармакологов России «Фармакология – практическому здравоохранению» (Санкт-Петербург, 2007); Международный конгресс по комплементарным исследованиям медицины (Мюнхен, Германия, 2007);

Российский национальный конгресс «Человек и лекарство» (Москва, 1998, 2000, 2002, 2003, 2004, 2005, 2006, 2007, 2008, 2009, 2010, 2011).

Публикации. Материалы диссертации изложены в 98 публикациях, из них статей (34 – в международных журналах), 5 свидетельств Федеральной службы по интеллектуальной собственности, патентам и товарным знакам об официальной регистрации программ для ЭВМ, 46 публикаций в трудах конференций.

Структура диссертации. Диссертационная работа изложена на 299 страницах текста, включает 51 таблицу, 30 рисунков и приложение. Состоит из введения, обзора литературы, 6 глав исследований, выводов, списка литературы, включающего 2источников.

МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЙ Базы данных и выборки химических соединений 1. Выборка из 5494 потенциально синтезируемых соединений, структуры которых были «сконструированы» пятью группами химиков из МГУ, Института органической химии УрО РАН, Института химии Молдавской академии наук, Университет города Лёвен (Бельгия) и Аристотелевского Университета (Греция) была использована для поиска новых анксиолитиков, антиконвульсантов и соединений с ноотропным действием. Выборка состояла из гетерогенных соединений: пятичленные (тиофены, тиазолы, имидазолы, оксазолы, пирролы), шестичленные (пиридины, пиримидины), семичленные (диазепины, тиазепины), смешанные пяти и шестичленные гетероциклы (индолы, бензотиазолы, пурины, индолизины и азолопиридины).

2. Поиск новых антигипертензивных соединений с комбинированными механизмами действия осуществляли среди соединений, представленных в базах данных коммерчески доступных образцов химических соединений Express Pick 99.фирмы ChemBridge (http://www.chembridge.com) и AsInEx 99.(http://www.asinex.com), в совокупности содержащих 183462 уникальные структуры.

Для поиска соединений с прогнозируемым действием на несколько мишеней, воздействие на которые приводит к снижению артериального давления, использовали базу данных MDDR 99.2 (MDL Drug Data Report), содержащую данные о структуре и биологической активности 98184 уникальных соединений.

3. Выборка из 573 виртуальных, потенциально синтезируемых соединений, тиазолов, бензотиазолов и бензоизотиазолов, Аристотелевского Университета (Салоники, Греция) была использована для поиска новых противовоспалительных соединений с комбинированными механизмами действия.

4. База данных по природным соединениям Dictionary of Natural Products 20(около 200000 соединений) была использована для создания выборки структур природных соединений входящих в состав экстрактов зверобоя.

Компьютерные программы, использованные в исследованиях PASS. Для прогнозирования спектра биологической активности химических соединений на основе их структурной формулы была использована разработанная с нашим участием компьютерная программа PASS (Свидетельство об официальной регистрации программы для ЭВМ PASS № 2006613275 от 15 сентября 2006 г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам). Спектр биологической активности отражает результат взаимодействия химического соединения с различными биологическими объектами.

Результаты предсказания сохраняются в SDF файле (Structure Data File - формат разработан фирмой MDL Inc, в настоящее время поглощенной фирмой Accelrys), содержащем информацию о структуре химического соединения и прогнозируемых для него видах биологической активности с оценками вероятности проявления активности: Pa – соединение активно; Pi - неактивно. Развитие программы PASS проходила с непосредственным участием автора диссертационной работы с учетом ее применения для анализа плейотропного действия фармакологических веществ. В исследованиях использовались различные версии программы PASS, актуальные на текущий момент, начиная с версии 1.603 (2001 год – прогноз 700 видов биологической активности) и, заканчивая современной версией программы - PASS 2011, прогнозирующей 4366 видов биологической активности, включая фармакотерапевтические эффекты, механизмы действия, побочные эффекты и специфическую токсичность, влияние на генную экспрессию, взаимодействие с белками-транспортерами, нежелательными мишенями и ферментами лекарственного метаболизма. Средняя точность предсказания, полученная при скользящем контроле с исключением по одному, составляет около 95%. Для оценки качества прогноза PASS используется инвариантный критерий точности прогноза (IAP), рассчитываемый по методу скользящего контроля с исключением по одному (Filimonov and Poroikov, 2008). Критерий IAP дает выборочную оценку вероятности того, что случайным образом выбранная из генеральной совокупности пара из положительного и отрицательного примеров будет классифицирована правильно, т.е. положительному примеру будет дано предпочтение перед отрицательным.

ISIS/Base. Для создания и работы с базами данных, содержащими информацию о химической структуре и биологической активности химических соединений, была использована СУБД ISIS/Base фирмы Accelrys (ранее MDL Inc.). Была использована процедура оценки сходства структур соединений, реализованная в ISIS/Base, которая основана на расчете коэффициента Танимото с использованием дескрипторов MDL keys, описывающих структурные особенности молекул (Dean 1995).

Методы экспериментального изучения фармакологической активности 1. Экспериментальное исследование соединений на анксиолитическую, противосудорожную и ноотропную активность проводилось сотрудниками лаборатории психофармакологии ФГБУ НИИ фармакологии имени В.В. Закусова РАМН под руководством д.м.н., проф. Т.А. Ворониной. Ноотропная активность исследовалась на модели скополамин-индуцированной амнезии условного рефлекса пассивного избегания у крыс (Ader et al., 1972). Анксиолитическая активность оценивалась в конфликтном ситуационном тесте на крысах (Vogel et al., 1971).

Противосудорожная активность исследовалась на модели максимального электрошока с пентилентетразолом у крыс (Woodbury et al., 1990).

2. Экспериментальное тестирование двойных ингибиторов ангиотензинпревращающего фермента (АПФ) и нейтральной эндопептидазы (НЭП) проводилось сотрудниками лаборатории биохимии и химической патологии белков ФГБУ “ИБМХ” РАМН под руководством проф. Н.И. Соловьевой. Ингибирование АПФ отобранными веществами определяли в сыворотке крови человека и на мембране клеток мозга крыс в модификации Комиссаровой (Комиссарова и др., 1982) с использованием Bz-Gly-His-Leu, синтезированного сотрудником ИБМХ РАМН д.х.н.

В.Ф. Поздневым, в качестве субстрата. Активность НЭП измеряли по гидролизу флуорогенного субстрата 7-амино-4-метил-кумариламида сукцинил-аланил-аланилфенилаланина (Suc-Ala-Ala-Phe-MCA) (Mumford 1980).

3. Синтез соединений и их экспериментальное тестирование на противовоспалительную активность и ингибирование циклооксигеназы 1,2 и липоксигеназу проводилось в Аристотелевском Университете (Салоники, Греция) под руководством проф. А. Героникаки. Противовоспалительная активность исследовалась in vivo, на мышах, ингибированием отека, индуцированного карагенином. Ингибирование циклооксигеназы было проведено на рекомбинантных овечьих (циклооксигеназа 1) и человеческих (циклооксигеназы 2) белках, с использованием “COX Inhibitor Screening Assay” фирмы Cayman (Cayman Chemical Co., Ann Arbor, MI). Исследование ингибирования 5 липоксигеназы было проведено на белке из сои.

4. Экспериментальное исследование ноотропной активности антигипертензивных веществ осуществлялась на мышах по тесту спонтанной ориентации (поведение патрулирования) в закрытом крестообразном лабиринте (Салимов и др., 1988). Исследование проводилось проф. Р.М. Салимовым с сотрудниками в ФГБУ НИИ фармакологии имени В.В. Закусова РАМН.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ Глава 3. Компьютерная оценка плейотропного действия фармакологических веществ 3.1. Методология компьютерной оценки плейотропного действия фармакологических веществ В соответствии с определением методологии (Collins English Dictionary, 2009), под которой понимают систему методов и принципов, используемых в той или иной дисциплине, разработанная нами методология предназначена для компьютерной оценки плейотропного действия органических соединений. Любая методология имеет свою логическую структуру, описывающую объекты исследования, методы и результаты исследования. Объектами нашего исследования являются структуры органических соединений и их биологическая активность. Под биологической активностью мы понимаем результат взаимодействия химического вещества с определенным биологическим объектом. При клиническом исследовании потенциального лекарственного препарата биологическим объектом является организм человека, а в доклинических испытаниях – экспериментальные животные (in vivo) и экспериментальные модели (in vitro).

В основе разработанной нами методологии лежат три положения:

1. Биологическая активность зависит от структуры соединения.





2. Органические соединения способны проявлять несколько видов биологической активности (спектр биологической активности).

3. Между видами биологической активности существуют взаимосвязи.

На утверждении 1 базируются все современные методы компьютерного поиска и модификации новых базовых структур, прежде всего, анализ зависимостей “структура-активность”.

Спектр биологической активности отражает как полезные при лечении определенного заболевания виды биологических активностей, так и другие, являющиеся побочными или токсическими эффектами. Различное биологическое действие может быть проявлено одним и тем же веществом при разных условиях.

Поскольку всё разнообразие условий не может быть рассмотрено в процессе экспериментального тестирования веществ, спектр биологической активности может быть определен только как “внутреннее” свойство соединения, зависящее от его структуры и физико-химических параметров, и может быть оценен качественно (Филимонов и Поройков, 2006).

Входящие в методологию методы основаны на анализе взаимосвязей «структура-активность» и «активность-активность». Анализ взаимосвязей «структура-активность» реализован в разработанной ранее (Филимонов и др., 1995) компьютерной программе PASS для прогноза спектра биологических активностей химических соединений на основе их структурной формулы. Дальнейшее развитие программы PASS осуществлялась с непосредственным участием соискателя, и было направлено на решение задачи анализа плейотропного действия биологически активных соединений.

Для создания описания взаимосвязей «активность-активность» все виды биологической активности мы подразделяем на 7 классов:

1. Фармакотерапевтические эффекты.

2. Механизмы действия - взаимодействие с макромолекулами-мишенями вызывающими фармакотерапевтические эффекты.

3. Побочные и токсические эффекты.

4. Взаимодействие с нежелательными белками-мишенями, вызывающими побочные и токсические эффекты.

5. Взаимодействие с ферментами лекарственного метаболизма.

6. Взаимодействие с белками-транспортерами.

7. Влияние на генную экспрессию.

Общая схема компьютерного анализа плейотропного действия биологически активных соединений представлена на рис. 1.

Рис.1. Общая схема компьютерного анализа плейотропного действия биологически активных соединений В рамках создаваемой методологии было разработано три метода анализа плейотропного действия биологически активных соединений, реализованные в компьютерной программе PharmaExpert:

1. Метод анализа терапевтических эффектов и их механизмов действия.

2. Метод поиска соединений, действующих на несколько мишеней, вызывающих общий фармакологический эффект.

3. Метод оценки взаимодействия лекарственных соединений.

В зависимости от задачи исследования результаты анализа плейотропного действия биологически активных соединений могут представлять собой либо список соединений с наиболее вероятным проявлением желательных видов биологической активности, либо наиболее вероятные эффекты взаимодействия биологически активных соединений, возникающие при использовании комбинаций лекарств или компонентов экстрактов лекарственных растений. Использование разработанных методов продемонстрировано на примере типичных случаев анализа плейотропного действия биологически активных соединений, которые описаны в главах 4-диссертационной работы.

3.2. База знаний видов биологической активности Для хранения, обработки и редактирования информации о видах биологической активности, встречающихся в базах данных по химическим соединениям и различных научных публикациях, нами была разработана специализированная база знаний, составляющая основу компьютерной программы PharmaExpert. В базе знаний все термины разделены на “канонические” и синонимы:

- Канонический термин 1 (Acetylcholinesterase inhibitor) - синоним 1 (ACHE inhibitor) - синоним 2 (Cholinesterase inhibitor) - ……… - синоним n (Anticholinesterase agent) Общая логическая структура базы знаний представлена на рис. 2.

TMainTermin TRelation ID: integer ID: integer Termin: ^TTermin Termin: ^TMainTermin ActivityClass: byte InteractionType: byte Description: string LitRef: ^TLitRef Antagonist: ^TMainTermin Synonyms: array of ^TTermin Effects-relations: array of ^TRelation Causes-relations: array of ^TRelation Genes: array of Pstring TLitRef Proteins: array of Pstring ID: integer GO: array of Pstring Name: Pstring EC: string TTermin ID: integer Name: Pstring Parent: integer RightChild : integer LeftChild : integer Рис. 2. Основные таблицы, объекты и связи между ними в базе знаний по видам биологической активности Таблица TMainTermin является главным массивом данных, каждая запись которого содержит информацию о названии канонического термина (поле Termin);

его класс (поле ActiveClass) и описание активности (поле Description); указатель на активность c противоположным действием (поле Antagonist); список указателей на синонимы (поле Synonyms); список указателей на следствия и частные классы активностей (поле Effects-relations); список указателей на причины и общие классы активностей (поле Causes-relations); гены (поле Genes), белки (поле Proteins), идентификаторы ферментов по единой классификации ферментов (поле ЕС) и термины GeneOntology (поле GO) связанные с белком. Описание полей, связанных с каноническими терминами, приведено в Таблице 1.

Таблица 1. Поля базы знаний PharmaExpert, связанные с каноническими терминами Объекты Содержание Массив синонимов Список идентификаторов синонимов Массив следствий и Список идентификаторов терминов, являющихся результатом частных классов проявления данной активности (эффект), либо подклассом данной активностей активности Массив причин и Список идентификаторов терминов, являющихся причиной общих классов (механизм действия) проявления данной активности, либо общим активностей классом данной активности Антагонизм Идентификатор активности с противоположным действием Описание Расшифровка термина Класс активности Определяет класс биологической активности: механизм действия;

фармакотерапевтический эффект; токсический или побочный эффект; взаимодействие с белками транспортерами; взаимодействие с antitarget-белками; взаимодействие с ферментами лекарственного метаболизма; регуляция экспрессии генов.

Идентификатор(ы) Список идентификаторов белков из базы данных UniProt белков (http://www.uniprot.org/), для терминов, описывающих взаимодействие с белками-мишенями.

Идентификатор(ы) Список Gene ID идентификаторов генов из базы данных Gene NCBI генов (http://www.ncbi.nlm.nih.gov/gene), для терминов, описывающих взаимодействие с белками-мишенями или влияние на генную экспрессию.

Идентификатор(ы) Список идентификаторов биологических процессов и молекулярных Gene Ontology функций базы данных Gene Ontology (http://www.geneontology.org), для терминов, описывающих взаимодействие с белками-мишенями.

ЕС номер Идентификатор фермента по единой классификации ферментов ЕС (http://expasy.org/enzyme/enzyme-search-ec.html) Массив объектов TTermin, организованный в виде «сбалансированного бинарного дерева» для ускорения поиска, содержит наименования биологических активностей. Массив TLitRef содержит список литературных ссылок, подтверждающих причинно-следственные взаимосвязи между биологическими активностями.

Каждый объект массивов причин и следствий содержит идентификатор терминов, с которыми связан текущий термин, литературную ссылку, где описаны эта взаимосвязь и тип связи. База знаний содержит более 21000 терминов, 8000 из которых являются каноническими, 11000 взаимосвязей между биологическими активностями и 2000 литературных ссылок. Взаимосвязи между биологическими активностями разделяются на три типа (рис. 3):

1. «Общее-частное», когда один термин является подклассом другого (классификация).

2. «Причина-следствие», когда один термин описывает причину возникновения другой активности (например, взаимосвязь «механизм-эффект»).

3. «Антагонизм», когда один термин противоположен другому.

Механизмы Антагонизм Dopamine agonist Dopamine antagonist Dopamine 1 agonist Dopamine 1 antagonist Antihypertensive Hypertensive Классификация Antiparkinsonian Parkinsonian Причинно-следственная связь Эффекты Рис. 3. Примеры типов взаимосвязей между видами биологической активности в базе знаний PharmaExpert 3.3. Компьютерная программа PharmaExpert Компьютерная программа PharmaExpert предназначена для анализа плейотропного действия биологически активных веществ на основе результатов прогноза спектров биологической активности, прогнозируемых программой PASS.

PharmaExpert была нами разработана с использованием среды быстрой разработки компьютерных приложений Delphi фирмы Embarcadero. Она включает в себя базу знаний по видам биологической активности и модули анализа результатов прогноза спектров биологической активности химических соединений, реализующие соответствующие методы:

1. Модуль интерпретации спектров биологической активности и поиска соединений с заданной биологической активностью.

2. Модуль поиска соединений с множественными механизмами действия.

3. Модуль анализа межлекарственных взаимодействий.

Все модули детально описаны в тексте диссертационной работы. Здесь приведено краткое описание, необходимое для объяснения результатов исследований.

Интерпретация спектров биологической активности и поиск соединений с заданной биологической активностью В модуле реализован метод поиска соединений для которых одновременно предсказывается определенный фармакотерапевтический эффект и вызывающие его механизмы действия (рис. 4), а также визуализация взаимосвязей между биологическими активностями на основе информации из базы знаний PharmaExpert.

Рис. 4. Алгоритм поиска соединений, для которых одновременно предсказывается определенный фармакотерапевтический эффект и вызывающие его механизмы действия Визуализация реализована для следующих типов взаимосвязей биологических активностей:

Взаимосвязь типа «классификация», когда один из двух видов биологической активности является подклассом другого (например, «Агонист 5НТ1A рецепторов» является подклассом «Агонист 5НТ1 рецепторов»).

Взаимосвязь типа «эффектмеханизм(ы)» отображает причинно-следственную связь между двумя видами биологической активности (например, анксиолитический эффект вызывается путем стимуляции 5НТ1A рецепторов), позволяет определить, какие из предсказанных механизмов действия могут вызывать определенный эффект.

Взаимосвязь типа «механизмэффект(ы)» также отображает причинноследственную связь между парами видов биологической активности (например, «Агонист 5НТ1A рецепторов» вызывает анксиолитический эффект). Отличие состоит в том, что этот тип связи определяет, какие из предсказанных эффектов могут быть обусловлены определенным механизмом действия.

Отобранные структуры с результатами предсказания и их интерпретацией могут быть сохранены в отдельном файле в формате SDF.

Модуль поиска соединений с множественными механизмами действия В этом модуле реализован метод поиска соединений, с множественными механизмами действия, основанный на информации о причинно-следственных взаимосвязях, хранящейся в базе знаний о видах биологической активности (рис. 5).

Для оценки вероятностей комбинированного действия соединения на несколько мишеней было использовано среднее арифметическое значение вероятности проявления искомой комбинации видов биологической активности (Pm):

Pm = (Pa1+Pa2+ … + Pan)/n, где n – количество мишеней.

При этом отбирали только те комбинации, для которых Pm превышали 0,5, а вероятности проявления любого вида биологической активности (Pai), входящего в комбинацию, превышали 0,3.

Рис. 5. Алгоритм поиска соединений с множественными механизмами действия Модуль анализа межлекарственного взаимодействия Межлекарственные взаимодействия в организме человека могут быть разделены на две большие группы: фармакодинамические и фармакокинетические взаимодействия. К фармакодинамическим взаимодействиям лекарств относят случаи, когда пара препаратов проявляет аддитивные, синергетические или антагонистические фармакологические эффекты. К фармакокинетическим взаимодействиям лекарств относят влияние одного лекарства на абсорбцию, распределение, метаболизм и экскрецию другого. Алгоритмы оценки фармакодинамических и фармакокинетических взаимодействий различаются.

Наличие фармакодинамических взаимодействий лекарств можно предположить на основе анализа результатов прогноза молекулярных механизмов действия, фармакотерапевтических эффектов и токсичности (рис. 6). Выявление фармакодинамических взаимодействий лекарств осуществляется на основе сравнения спектров биологической активности соединений (в блок-схеме указаны как соединение 1 и соединение 2), с использованием информации о причинноследственных взаимосвязях между биологическими активностями из базы знаний программы PharmaExpert.

Рис. 6. Общая блок-схема алгоритма выявления фармакодинамических взаимодействий лекарств В процессе сравнения для выявления антагонистических фармакодинамических эффектов определяются:

1. Биологические эффекты с противоположным действием. Например, гипертензивный и антигипертензивный эффекты.

2. Антагонистическое воздействие на одну и ту же мишень. Например, активатор и блокатор калиевых каналов.

3. Молекулярные механизмы, вызывающие противоположные биологические эффекты. Например, агонист альфа-адренорецепторов повышает артериальное давление, а ингибитор ангиотензин-превращающего фермента снижает.

Для выявления аддитивных/синергетических фармакодинамических эффектов определяются:

1. Одинаковые биологические эффекты, т.е. могут ли два соединения вызывать один и тот же биологический эффект. Например, снижение артериального давления или увеличение интервала QT.

2. Механизмы действия, вызывающие общий биологический эффект, т.е. имеют ли эти соединения различные молекулярные механизмы действия, вызывающие общий биологический эффект. Например, и диуретик и ингибитор ангиотензинпревращающего фермента вызывают снижение артериального давления, а ингибиторы карбамоил-фосфат-синтетазы и ацил-CoA дегидрогеназы – гипераммонемию.

Предположение о возможном фармакокинетическом взаимодействии соединений можно выдвинуть на основе прогноза взаимодействия химических соединений с ферментами метаболизма и белками-переносчиками, участвующими в абсорбции, распределении в организме и экскреции (рис.7). Выявление вероятных фармакокинетических взаимодействий лекарств осуществляется на основе сравнения спектров биологической активности соединений (соединение 1 и соединение 2 в блок-схеме), предсказанных программой PASS.

Рис. 7. Общая блок-схема алгоритма выявления фармакокинетических взаимодействий лекарств В процессе сравнения проводится анализ, имеются ли в предсказанных спектрах виды активности, свидетельствующие о том, что соединения являются субстратами одного и того же белка-переносчика или метаболического фермента;

является ли одно из соединений ингибитором или индуктором белка-переносчика или метаболического фермента, взаимодействующего с другим соединением.

Алгоритмы анализа парных взаимодействий лекарственных соединений применимы также для анализа взаимодействий нескольких веществ. Пример оценки возможного взаимодействия трех соединений, комбинация которых используется при лечении ВИЧ (препарат Atripla, в который входят три ингибитора обратной транскриптазы ВИЧ - эфавиренз, эмтрицитабин, тенофовир дизопроксил (Deeks, Perry 2010)), при пороге Pa > 0,5, представлен на рис. 8.

Из приведенных на рисунке данных видно, что наряду с корректно предсказанным противовирусным эффектом также предсказываются вероятные аддитивные/синергетические побочные эффекты: гепатотоксичный, нефротоксичный и рвотный. На сайте Drugs.com, который содержит общедоступную информацию о применяемых лекарственных препаратах, также сообщается о случаях проявления этих эффектов (http://www.drugs.com/sfx/atripla-side-effects.html). Ни один из аддитивных/синергетических/антагонистических эффектов при взаимодействии исследуемых соединений с ферментами лекарственного метаболизма или белкамитранспортерами не был предсказан. О наличии таких взаимодействий на веб-сайте Drugs.com информация также не приведена. Были предсказаны вероятные аддитивные/синергетические/антагонистические эффекты при взаимодействии исследуемых соединений с обратной транскриптазой ВИЧ (является известной мишенью исследуемых соединений) и РНК-зависимой ДНК-полимеразой – название общего класса ферментов, к которому относиться обратная транскриптаза ВИЧ. Этот пример демонстрирует адекватность результатов анализа межлекарственного взаимодействия, полученных с помощью программы PharmaExpert.

Drug-drug interaction between compounds with ID: Efavirenz, Emtricitabine, Tenofovir disoproxil – Идентификаторы структур исследуемых соединений Synergistic therapeutic effects and actions (7) – аддитивные/синергетические эффекты (в скобках показано их количество), которые могут быть вызваны взаимодействием исследуемых соединений и их возможные причины Antiviral (HIV) – название аддитивного/синергетического эффекта Antiviral (HIV) (3):1,2,3 – название активности приводящей к данному аддитивному/синергетическому эффекту (количество соединений с данной активностью): Идентификатор структуры HIV-1 reverse transcriptase inhibitor (2): 1,DNA synthesis inhibitor (1):RNA directed DNA polymerase inhibitor (3):1,2,Antiviral (HIV) 0.926 0.003 ID:1 Antiviral (HIV) 0.501 0.004 ID:Antiviral (HIV) 0.926 0.003 ID:1 Antiviral (HIV) 0.995 0.002 ID:HIV-1 reverse transcriptase inhibitor 0.930 0.001 ID:1 HIV-1 reverse transcriptase inhibitor 0.849 0.002 ID:Antiviral (HIV) 0.926 0.003 ID:1 RNA directed DNA polymerase inhibitor 0.837 0.002 ID:2 название активности приводящей к данному аддитивному/синергетическому эффекту Pa Pi ID: Идентификатор структуры название активности приводящей к данному аддитивному/синергетическому эффекту Pa Pi ID: Идентификатор структуры Synergistic toxic and side effects - (3) аддитивные/синергетические побочные эффекты, которые могут быть вызваны взаимодействием исследуемых соединений и их возможные причины Hepatotoxic Hepatotoxic (2):1,Hepatotoxic 0.853 0.011 ID:1 Hepatotoxic 0.945 0.003 ID:Emetic Emetic (2):1,Emetic 0.948 0.006 ID:1 Emetic 0.981 0.003 ID:Nephrotoxic Nephrotoxic (2):1,Nephrotoxic 0.710 0.021 ID:1 Nephrotoxic 0.768 0.014 ID:Metabolic drug-drug interactions - аддитивные/синергетические/антагонистические эффекты на уровне ферментов лекарственного метаболизма или белков транспортеров, которые могут быть вызваны взаимодействием исследуемых соединений и их возможные причины Pharmacodynamic drug-drug interactions (2) - аддитивные/синергетические/антагонистические эффекты на уровне мишеней, которые могут быть вызваны взаимодействием исследуемых соединений и их возможные причины RNA directed DNA polymerase inhibitor (3):1,2,HIV-1 reverse transcriptase inhibitor (2): 1,Рис. 8. Результаты анализа межлекарственного взаимодействия трех соединений входящих в состав препарата Atripla, выполненного программой PharmaExpert. Синим цветом и курсивом помечены комментарии Глава 4. Поиск новых анксиолитиков, антиконвульсантов и ноотропных соединений Поиск новых лекарств с определенным терапевтическим эффектом является классической задачей медицинской химии. Проведенное нами исследование по поиску новых анксиолитиков, антиконвульсантов и ноотропных соединений является типичным примером использования разработанного метода анализа терапевтических эффектов и их механизмов действия, который может применяться для поиска соединений с определенными терапевтическими эффектами. Исследование проводилось в рамках международного проекта ИНТАС (№ 00-711) (Geronikaki et al., 2004). В проекте участвовал консорциум исследовательских организаций, объединяющий группы химиков из разных стран (Аристотелевский Университет - Греция, Лейденский Университет - Бельгия, Университет Минхо - Португалия, Институт химии МАН - Молдова, Химический факультет МГУ - Россия, Институт органического синтеза УрО РАН - Россия), биологов (НИИ фармакологии имени В. В. Закусова РАМН) и специалистов по компьютерному конструированию лекарств (Институт биомедицинской химии им. В. Н. Ореховича РАМН и Университет Джона Мура, Великобритания). На основе информации, полученной от химиков, была создана база данных из 5494 структур потенциально синтезируемых химических соединений (Таблица 2).

Таблица 2. Количество соединений, предложенных для исследования участниками проекта Организация Ntotal Nsel Ntest Аристотелевский Университет (Греция) 142 Лейденский Университет (Бельгия) 37 5/- Университет Минхо (Португалия) 168 Институт химии МАН (Молдавия) 343 Химический факультет МГУ (Россия) 4688* Институт органического синтеза УрО РАН (Россия) 116 Всего 5494 Ntotal – общее количество соединений; Nsel – количество отобранных соединений; Ntest – количество испытанных соединений; * - виртуально сгенерированная комбинаторная библиотека структур химических соединений.

Для всех структур химических соединений из БД был выполнен прогноз спектров биологической активности с использованием компьютерной программы PASS. Отбор потенциальных анксиолитиков, антиконвульсантов и ноотропных соединений осуществлялся с помощью метода анализа терапевтических эффектов и их механизмов действия программы PharmaExpert. При отборе применяли следующие критерии:

1. В прогнозе встречается один из интересующих нас фармакологических эффектов (анксиолитический, противосудорожный, ноотропный) с вероятностью Pa, превышающей 0,5, и любой из известных механизмов действия, вызывающих соответствующий эффект.

2. Вероятность Pa проявления токсических и побочных эффектов у отобранных соединений должна быть менее 0,3.

3. Если в предоставленной конкретной организацией выборке имелось много структурно-подобных соединений, удовлетворяющих обоим приведенным выше критериям, то отбирали соединения, относящиеся к разным химическим классам (МГУ, Университет Минхо).

4. Для соединений из выборки Института органического синтеза УрО РАН первый критерий был снижен до вероятности 0,35, так как вероятность проявления заданных фармакологических эффектов для этих соединений была ниже 0,5.

Из 5494 структур было отобрано 94, из которых на основе экспертной оценки было отобрано и синтезировано 29 соединений. Для 21 соединения было выполнено экспериментальное тестирование прогнозируемой активности. Восемь соединений не обладали необходимой растворимостью для проведения экспериментов на животных (пять из них были синтезированных группой из Университета Минхо).

Экспериментальные исследования соединений проводились сотрудниками лаборатории психофармакологии ФГБУ НИИ фармакологии имени В. В. Закусова РАМН под руководством д.м.н., профессора Т. А. Ворониной (методику см. в разделе «Материалы и методы исследований»). На основе предсказанных программой PASS спектров биологической активности исследуемых соединений с помощью компьютерной программы PharmaExpert были выявлены вероятные механизмы ноотропного эффекта. Для всех соединений было предсказано влияние на холинергическую систему. В связи с этим, анализ ноотропной активности был проведен с использованием амнезии скополамином. В то же время, результаты предсказания PASS показывают, что причиной ноотропного эффекта могут быть и взаимодействия с другими системами, ответственными за процессы обучения и памяти: взаимодействие с МАО, ГАМК и 5-HT 2B рецепторами.

Экспериментальное исследование отобранных соединений показало, что они обладают выраженным ноотропным эффектом, что выразилось в значительном снижении скополамин-индуцированной УРПИ (условный рефлекс пассивного избегания) амнезии (подробные результаты экспериментального исследования приведены в тексте диссертации). Соединения 1, 2, 7 в дозе 1 мг/кг и 3, 4, 5, 6, 8 в дозе 10 мг/кг вызывали статистически значимое изменение основных поведенческих параметров и латентного времени рефлекса. При тестировании соединений 1, 5, 6, 7, наблюдалось статистически значимое увеличение еще одного параметра - числа животных, которые не вошли в темную камеру при тестировании УРПИ. Соединения 5, 6, 7, 8 проявили более выраженный ноотропный эффект, чем препарат сравнения пирацетам. Таким образом, полученные данные свидетельствуют о высокой предсказательной способности предложенного метода по отношению к отбору фармакологических веществ, влияющих на когнитивные функции.

Анксиолитическое действие отобранных соединений было изучено на модели конфликтного ситуационного теста на крысах (см. раздел «Материалы и методы исследований»). Подробные результаты экспериментального исследования соединений приведены в тексте диссертации. В исследовании был использован препарат сравнения - анксиолитик медазепам, бензодиазепин-подобное соединение, действующее на ГАМК-бензодиазепин-рецепторный комплекс. Биологическая активность медазепама хорошо согласуется с предсказаниями PASS: значения вероятности Pa равны 0,89, 0,78 и 0,73 для анксиолитического эффекта, стимуляции бензодиазепин 1 и ГАМК рецепторов, соответственно. Для всех испытанных соединений было выявлено наличие статистически достоверной анксиолитической активности, которой не наблюдалось для контрольной группы (животным этой группы вводили физиологический раствор с небольшой дозой Твин-80 или ДМСО).

Соединения 11, 13, 14, 15 и 16 обладали анксиолитической активностью, статистически значимо превышающей активность медазепама.

Противосудорожное действие отобранных соединений было изучено у крыс с использованием методики максимального электрошока с пентилентетразолом (см.

раздел «Материалы и методы исследований»). Было продемонстрировано, что большинство изученных соединений обладает противосудорожной активностью, что проявилось в значительном увеличении количества выживших животных по сравнению с контрольной группой, хотя и уступали по выраженности противосудорожного эффекта препарату сравнения - клоназепаму. Основными предсказанными механизмами действия противосудорожного эффекта для исследуемых соединений являются стимуляция ГАМК А рецепторов (соединения 17, 18, 19) и блокада глутаматных рецепторов (соединения 20, 21).

Приведенные данные показывают, что для всех отобранных соединений прогнозируемый фармакологический эффект был подтвержден в экспериментальных исследованиях. Для некоторых соединений наблюдаемый эффект значительно превосходил действие препаратов сравнения. Оценка сходства исследуемых соединений с известными биологически активными соединениями, проявляющими соответствующие эффекты, не выявила соединений с коэффициентом Танимото более 0,7. Можно предположить, что обнаруженные соединения могут принадлежать к новым химическим классам анксиолитиков, противосудорожных и ноотропных веществ. Таким образом, на примере данного исследования продемонстрирована эффективность предложенного метода для поиска новых соединений с заданным фармакотерапевтическим эффектом.

Глава 5. Поиск соединений, действующих на несколько мишеней Исследование по поиску новых антигипертензивных и противовоспалительных соединений с комбинированным действием представляет собой типичный пример использования разработанного нами метода поиска новых лекарственных соединений, действующих на несколько мишеней (Лагунин и др., 2001; Lagunin et al., 2003; Geronikaki et al., 2008).

5.1. Поиск антигипертензивных соединений с комбинированным механизмом действия Для валидации предложенного метода была использована база данных биологически активных соединений MDDR 99.2 фирмы MDL Information System Inc.

Среди возможных молекулярных механизмов действия, вызывающих антигипертензивный эффект, были отобраны те, которые прогнозируются программой PASS и встречаются в описании соединений в базе данных MDDR 99.2.

Всего было отобрано 30 видов молекулярных механизмов антигипертензивного действия химических соединений. Из 30 молекулярных механизмов антигипертензивного действия, рассматриваемых в этой работе, теоретически можно составить 30*(30-1)/2 = 435 парных комбинаций. В описании биологически активных соединений в базе данных MDDR 99.2 встречается 15 пар комбинированных механизмов действия, вызывающих антигипертензивный эффект. Для всех соединений, входящих в базу данных MDDR 99.2, был выполнен прогноз спектров биологической активности. Полученные спектры биологической активности были проанализированы программой PharmaExpert на предмет наличия любой из 4возможных комбинаций механизмов антигипертензивного действия. Было выявлено 57 комбинации. Прогноз считали совпадающем с известными экспериментальными данными, если в нем, для изучаемого вещества, содержались названия обоих механизмов действия, описанных в базе данных MDDR 99.2. Критерию отбора соответствовало 12 из 15 пар (80%). Возможность существования соединений с некоторыми предсказанными комбинациями была подтверждена впоследствии на основе анализа базы данных известных биологически активных соединений, находящихся на различных стадиях доклинических и клинических испытаний Integrity (Thomson Reuters). Положительные результаты валидации предложенного метода при идентификации соединений с комбинированным действием на разные мишени позволил нам перейти к поиску новых соединений с комбинированным антигипертензивным действием.

Поиск веществ с комбинированными механизмами антигипертензивного действия был проведен в базах данных образцов доступных химических соединений фирм ChemBridge (Express-pick, May 1999) и AsInEx (99.7) содержащих 1834уникальные структуры (Лагунин А.А. и др., 2001; Lagunin A.A. et al., 2003). Для этих структур был выполнен прогноз возможных антигипертензивных механизмов действия программой PASS. На основе анализа результатов прогноза, выполненного программой PharmaExpert, для экспериментальной проверки были отобраны 4 соединения с высокой вероятностью совместного проявления ингибиторной активности по отношению к АПФ и НЭП. Эти соединения были экспериментально протестированы в лаборатории биохимии и химической патологии белков ИБМХ РАМН (Таблица 3).

Таблица 3. Результаты прогноза и экспериментальные величины ингибиторной активности соединений, отобранных на основе компьютерного прогноза Прогноз Эксперимент Структура IC50 АПФ, М IC50 НЭП, М ID вещества Pa Pi Название активности оч. сыв. сыв. мем.

O 0,855 0,002 Ингибирование НЭП 0 2·10-O P N O 1 0,805 0,003 Ингибирование АПФ 1·10-4 1·10-O O N 0,773 0,003 Ингибирование АПФ 1·10-9 2·10-O 2 O S 0,440 0,005 Ингибирование НЭП 0 2·10-O S N O 0,684 0,003 Ингибирование НЭП 2·10-5 2·10-3 0,569 0,004 Ингибирование АПФ 3·10-7 2·10-O S 0,618 0,004 Ингибирование НЭП 2·10-5 2·10-N O 4 0,511 0,005 Ингибирование АПФ 5·10-4 2·10-N O O N N O O O 0,115 0,012 Ингибирование НЭП лизиноприл 0,607 0,004 Ингибирование АПФ 10-O O O N O O O N P N O O O O 0,203 0,006 Ингибирование НЭП 10-7 2·10-фосфорамидон 0,151 0,017 Ингибирование АПФ ID - идентификатор соединения в базе данных. Источники ферментов: сыв. - человеческая сыворотка крови, мем. – ферментативный препарат из мембран клеток мозга крысы, оч. - высокоочищенный АПФ из почки быка.

Все отобранные соединения оказались активными по отношению к одному или обоим ферментам, причем лучшие из них (соединения 2 и 3) имели ингибиторную активность (IC50) 10-910-7 М для АПФ, и 2·10-5 M для НЭП (соединения 3 и 4).

Наиболее активным двойным ингибитором является соединение 3: IC50 АПФ - 3·10-7, НЭП - 2·10-5. Хотя выявленные нами ингибиторы АПФ и НЭП уступали по активности препаратам сравнения (лизиноприл и фосфорамидон, соответственно), эти соединения могут представлять интерес в качестве исходных базовых структур для последующей оптимизации, поскольку величины IC50 у них ~ 10-5 М.

Для сравнения структур четырех отобранных соединений со структурами известных биологически активных соединений из базы данных MDDR 99.2 была использована процедура поиска структур по сходству реализованная в СУБД ISIS/Base и описанная в разделе «Материалы и методы исследований». За исключением соединения 2, в базе данных MDDR не было обнаружено ни одного известного ингибитора АПФ и/или НЭП с величиной сходства более 70% с исследуемыми соединениями. Таким образом, 3 выявленных соединения не являются аналогами известных биологически активных соединений. Полученные нами результаты подтверждают обоснованность и эффективность использования разработанного метода для поиска новых соединений с комбинированными механизмами действия.

5.2. Поиск соединений с комбинированными механизмами противовоспалительного действия Поиск противовоспалительных соединений с комбинированным механизмом действия был проведен среди 573 виртуальных, потенциально синтезируемых соединений, представленных Аристотелевским Университетом (Греция) (Geronikaki et al., 2008). Для всех соединений с помощью программы PASS был сделан прогноз механизмов действия, связанных с противовоспалительным эффектом. С использованием модуля поиска соединений с множественными механизмами действия программы PharmaExpert были выявлены наиболее часто встречающиеся комбинации механизмов действия противовоспалительного эффекта в исследуемых соединениях (Таблица 4).

Таблица 4. Выявленные комбинации противовоспалительных механизмов действия с вероятностью Pa более 0,No Pa(max) Комбинация N 1. 0,837 Ингибитор 5-липоксигеназы/Ингибитор циклооксигеназы 2. 0,783 Ингибитор циклооксигеназы/Ингибитор липоксигеназы 3. 0,742 Ингибитор циклооксигеназы/Антагонист интерлейкина 1 4. 0,733 Ингибитор циклооксигеназы/Антагонист простагландина 5. 0,713 Ингибитор 5-липоксигеназы/Антагонист простагландина 6. 0,699 Ингибитор 5-липоксигеназы/Антагонист интерлейкина 1 7. 0,669 Антагонист интерлейкина 1/Ингибитор липоксигеназы 8. 0,658 Ингибитор липоксигеназы/Антагонист простагландина 9. 0,544 Антагонист простагландина/Ингибитор конвертазы ФНО 10. 0,521 Ингибитор циклооксигеназы/ Ингибитор конвертазы ФНО Pa(max) –максимальная вероятность проявления комбинации механизмов действия среди исследуемых соединений; N – число соединений, в результатах прогноза которых встречается данная пара механизмов противовоспалительного действия с вероятностью более 50%; ФНО – фактор некроза опухоли.

Оказалось, что наибольшее количество соединений прогнозируются как двойные ингибиторы циклооксигеназы (ЦОГ) и 5 липоксигеназы (5-ЛОГ). Поэтому для синтеза и экспериментального тестирования было отобрано 9 соединений с наиболее высокой вероятностью проявления двойного ингибирования ЦОГ/5-ЛОГ.

Результаты прогноза и экспериментального тестирования представлены в Таблице 5 и тексте диссертации.

Таблица 5. Результаты эксперимента и предсказания для исследованных соединений Противовоспалительная Результаты предсказания PASS:

Соединение активность (CPE)a и ЦОГ/ЛОГ противовоспалительного эффекта (ПВЭ) ингибирующая активность и ингибирования ЦОГ/5ЛОГ (Pa) ПВЭ% % Ингибирования ЦОГ-1 ЦОГ-2 5ЛОГ ПВЭ ЦОГ ЦОГ-1 ЦОГ-2 5ЛОГ 1 57 ± 3 62,0 0,0 44,0 0,73 0,70 0,49 0,28 0,2 73 ± 7 25,0 6,2 51,0 0,70 0,72 0,49 0,25 0,3 51 ± 4 8,0 2,5 22,4 0,73 0,75 0,58 0,29 0,4 66 ± 1 60,0 4,5 12,5 0,65 0,60 - 0,29 0,5 69 ± 2 25,0 12,1 76,0 0,65 0,61 - 0,27 0,6 54 ± 2 31,0 6,2 25,0 0,73 0,74 0,49 0,31 0,7 45 ± 2 90,0 30,4 12,0 0,72 0,74 0,44 0,30 0,8 62 ± 3 50,0 2,1 44,2 0,67 0,66 0,36 0,29 0,9 - - - - 0,73 0,70 0,49 0,28 0,Индометацин 47 100 100 - 0,75 0,54 0,27 0,17 - a Ингибирующая активность исследована на каррагенин-индуцированном отеке лапы крыс;

- эффект не наблюдался или не предсказывался.

Восемь из девяти испытанных соединений проявили противовоспалительную активность. Было показано, что 7 из 9 (77,8%) тестируемых соединений ингибировали 5-ЛОГ, 7 из 9 (77,8%) ингибировали ЦОГ, и 6 (66,7%) тестируемых соединений одновременно ингибировали как ЦОГ, так и 5-ЛОГ. Исследуемые соединения можно рассматривать как более активные ингибиторы 5-ЛОГ и менее активные ингибиторы ЦОГ-1. Одно из соединений ингибировало ЦОГ-2. Соединения 2 и 5, которые проявили высокую противовоспалительную активность, также имеют выраженную ингибиторную активность по отношению к 5-ЛОГ. Более того, они проявляют также 5-ЛОГ ингибирующую активность, наряду с умеренным ингибированием ЦОГ-1.

Определение величины IC50 исследуемых соединений показало, что соединения 1 и 4 ингибируют ЦОГ-1 и 5-ЛОГ, а соединение 7 ЦОГ-1,2 и 5-ЛОГ в концентрации порядка 10-4 моль/л. Несмотря на невысокое значения IC50 при ингибировании ЦОГ/5ЛОГ исследуемыми соединениями, следует учитывать, что они являются первыми известными соединениями среди тиазолидинов с таким механизмом противовоспалительного действия. Поэтому они могут рассматриваться в качестве базовых структур для дальнейшей оптимизации свойств веществ данного класса.

Таким образом, результаты экспериментального исследования, проведенного в Аристотелевском Университете, показывают, что из 9 отобранных и протестированных соединений 2 являются двойными ингибиторами ЦОГ-1/5-ЛОГ и одно соединение является ингибитором трех ферментов ЦОГ-1, ЦОГ-2 и 5-ЛОГ.

Результаты двух приведенных выше исследований по поиску соединений одновременно действующих на пары мишеней, показывают, что из 13 отобранных и экспериментально протестированных соединений, 4 соединения ингибировали две мишени с величиной IC50 10-5 М. Таким образом, активных соединений в отобранной выборке около 30%. Известно, что вероятность обнаружить активное соединение, действующее на одну мишень, при случайном экспериментальном скрининге составляет 10-4 а при удачном виртуальном скрининге варьирует от 0,01 до 0,(Fukunishi, 2009). Вероятность обнаружения соединений, действующих на две мишени ниже, т.к. вероятности перемножаются, и в лучшем случае она составляет 0,01. Наше исследование показало, что эффективность предложенного метода для поиска соединений, действующих на несколько мишеней в тридцать раз выше, чем у традиционных методов виртуального скрининга.

Глава 6. Компьютерная оценка взаимодействия биологически активных соединений Одновременное использование нескольких фармакологических веществ происходит при комбинированной терапии современными лекарственными средствами и при применении экстрактов природных соединений, полученных из различных организмов (лекарственные растения, морские организмы и др.). Несмотря на определенные успехи применения комбинированной терапии и многочисленные многоцентровые клинические исследования, этот подход во многом остается эмпирическим. Априорные оценки эффективности комбинированной терапии, как в отношении прямого терапевтического эффекта, так и возможных побочных эффектов, как правило, отсутствуют (Гуськова, 2008). Использование разработанного нами метода компьютерной оценки взаимодействия биологически активных соединений позволит рационализировать подбор лекарств для комбинированной терапии и применение соединений, полученных из природных источников. Практическое применение предложенного нами метода было продемонстрировано на примере лекарств, используемых в комбинированной терапии артериальной гипертензии (Гомазков и др., 2008) и при анализе природных соединений, выявленных в экстрактах зверобоя (Lagunin et al., 2010).

6.1. Компьютерный анализ комбинированного действия антигипертензивных препаратов В современной клинике используется несколько комбинаций антигипертензивных препаратов разного класса: ингибиторы АПФ и диуретики;

антагонисты кальция и бета адреноблокаторы; антагонисты кальция и диуретики и др.

Такие комбинации составляются в соответствии с тактикой ведения пациента на основе анализа его индивидуальности и формы развития болезни. При сочетании препаратов с различными механизмами фармакотерапевтического действия могут затрагиваться разные пути патогенеза артериальной гипертонии, а также снижаться возможные проявления побочного действия препаратов. С другой стороны, возможно напротив, усиление токсических эффектов используемых для терапии соединений, предсказание которых в клинике представляется затруднительным.

Мы проанализировали возможное межлекарственное взаимодействие антигипертензивного препарата: семь ингибиторов АПФ (каптоприл, лизиноприл, периндоприл, эналаприл, рамиприл, цилазаприл, трандолаприл); семь блокаторов ангиотензин 1 рецепторов (лозартан, валсартан, ирбесартан, олмесартан, эпросартан, кандесартан, телмисартан) и семь антагонистов кальция (амлодипин, нифедипин, нимодипин, лерканидипин, верапамил, нитрендипин, дилтиазем). Целью исследования являлся отбор наиболее безопасных парных комбинаций ингибиторов АПФ/антагонистов кальция и антагонистов кальция/ блокаторов ангиотензин рецепторов с наибольшим количеством ожидаемых аддитивных/синергетических терапевтических эффектов. Всего было проанализировано 49 пар ингибиторов АПФ/антагонистов кальция и 49 пар антагонистов кальция/ блокаторов ангиотензин рецепторов. Анализ проводился программой PharmaExpert на основе прогноза спектра биологической активности для структур исследуемых лекарственных соединений выполненного программой PASS 2010 с порогом Pa 0,5 (Таблица 6).

Таблица 6. Количество видов биологической активности исследуемых лекарств, предсказанных программой PASS и выявленных программой PharmaExpert с вероятностью Pa, превышающей 0,Соединение Эффекты Механизмы Токсичность Antitarget-белки Метаболизм Ингибиторы АПФ каптоприл 18 87 7 3 лизиноприл 23 63 10 1 периндоприл 13 18 11 0 рамиприл 11 11 9 0 трандолаприл 11 11 9 0 цилазаприл 6 7 3 0 эналаприл 21 31 12 0 Блокаторы ангиотензин 1 рецепторов валсартан 7 18 0 1 ирбесартан 4 10 1 2 кандесартан 7 9 1 1 лозартан 5 10 1 1 олмесартан 4 9 0 1 телмисартан 4 2 0 0 эпросартан 5 10 0 1 Антагонисты кальция амлодипин 17 19 6 3 верапамил 21 27 11 6 дилтиазем 20 25 9 3 лерканидипин 20 21 6 3 нимодипин 20 23 11 2 нитрендипин 19 35 9 5 нифедипин 22 40 10 5 Были проанализированы возможные межлекарственные взаимодействия, приводящие к изменению фармакологических и токсических эффектов, влияние на активность механизмов действия, нежелательные мишени и ферменты лекарственного метаболизма. Наиболее предпочтительными комбинациями считали те, для которых наблюдается наибольшее количество возможных аддитивных/синергетических фармакотерапевтических эффектов и наименьшее количество аддитивных/синергетических токсических эффектов, а также наименьшее количество взаимодействий с нежелательными мишенями и ферментами лекарственного метаболизма. Анализ показал, что для всех комбинаций антагонистов кальция и ингибиторов АПФ характерно отсутствие возможных негативных взаимодействий на уровне ферментов лекарственного метаболизма, но возможно наличие аддитивных/синергетических токсических эффектов. По результатам анализа среди 49 пар антагонистов кальция и ингибиторов АПФ было отобрано 10 наиболее перспективных комбинаций с наибольшим количеством возможных аддитивных/синергетических терапевтических эффектов и наименьшим количеством возможных аддитивных/синергетических токсических эффектов (Таблица 7).

Таблица 7. Количество возможных межлекарственных взаимодействий отобранных комбинаций антагонистов кальция и ингибиторов АПФ Комбинация Эффекты Токсичность Метаболизм Нимодипин/Цилазаприл 5 1 Нитрендипин/Цилазаприл 6 2 Амлодипин/Цилазаприл 6 3 Лерканидипин/Лизиноприл 13 4 Нимодипин/Каптоприл 11 4 Лерканидипин/Каптоприл 12 5 Нитрендипин/Каптоприл 12 5 Лерканидипин/Эналаприл* 10 5 Нимодипин/Лизиноприл 11 6 Амлодипин/Лизиноприл*# 10 6 * - данная комбинация существует в виде комбинированной лекарственной формы Среди отобранных комбинаций оказались две, используемых в известных комбинированных лекарственных препаратах: амлодипин/лизиноприл (препарат «Экватор», фирма Gedeon Richter) и лерканидипин/эналаприл (препарат «Carmen ACE» фирмы Berlin-Chemie).

Аналогичным образом были исследованы 49 парных комбинаций антагонистов кальция и блокаторов ангиотензин 1 рецепторов. В отличие от комбинаций “антагонисты кальция”/“ингибиторы АПФ”, для комбинаций “антагонисты кальция”/“блокаторы ангиотензин 1 рецепторов” характерно небольшое количество возможных аддитивных/синергетических токсических эффектов, но возможно наличие взаимодействий на уровне ферментов лекарственного метаболизма. Поэтому при отборе перспективных комбинаций, кроме возможных аддитивных/синергетических терапевтических и токсических эффектов, также учитывалось наименьшее количество возможных взаимодействий на уровне ферментов лекарственного метаболизма. В результате были отобраны 6 наиболее перспективных комбинаций, которые характеризуются отсутствием аддитивных/синергетических токсических эффектов и взаимодействий с ферментами лекарственного метаболизма (Таблица 8).

Таблица 8. Количество возможных межлекарственных взаимодействий отобранных комбинаций антагонистов кальция и блокаторов ангиотензин 1 рецепторов Комбинация Эффекты Токсичность Метаболизм Амлодипин/Телмисартан* 3 0 Нитрендипин/Телмисартан 3 0 Амлодипин/Валсартан* 5 0 Амлодипин/Эпросартан 4 0 Нифедипин/Эпросартан 4 0 Нимодипин/Эпросартан 3 0 * - данная комбинация существует в виде препарата.

Только для комбинации амлодипин/валсартан прогнозируется взаимодействие на уровне фермента CYP2C9. Среди отобранных комбинаций также оказались две, используемые в известных лекарственных препаратах: амлодипин/телмисартан (препарат «Exforge», фирмы Novartis) и амлодипин/валсартан (препарат «Twynsta» фирмы Boehringer Ingelheim).

Полученные результаты демонстрируют преимущества предлагаемого подхода анализа межлекарственных взаимодействий над эмпирическим подходом. В настоящее время известно 13 препаратов, содержащих пары исследуемых соединений, из 98 возможных. Если бы процесс отбора комбинаций был случайным, то вероятность их обнаружения составила бы 13/98 ~ 13%. В результате применения разработанного нами подхода было отобрано 16 пар, 4 из которых известны, что составляет 25%. Эффективность подхода в 2 раза выше, чем случайный перебор всех возможных вариантов. Несмотря на то, что для оставшихся 12 пар отобранных препаратов не было обнаружено известных лекарственных препаратов, вероятность их негативного межлекарственного взаимодействия невелика. Поэтому они могут являться перспективными для дальнейшего экспериментального исследования и могут стать основой для создания новых методов комбинированного лечения артериальной гипертонии.

6.2. Компьютерная оценка взаимодействия природных соединений Целью исследования являлась оценка применимости предлагаемого нами метода анализа межлекарственного взаимодействия для растительных экстрактов, на примере соединений, входящих в состав зверобоя (Lagunin et al., 2010).

Зверобой (St John’s Wort, Hypericum perforatum) является одним из наиболее используемых лекарственных растений в мире. В Германии зверобой является широко применяемым препаратом для лечения легкой и умеренной депрессии.

Основным преимуществом зверобоя является меньшее число побочных эффектов по сравнению с синтетическими антидепрессантами. Зверобой также рекомендуется для лечения бактериальных и вирусных инфекций, кожных ран, опухолей, язвенной болезни и воспаления, он обладает антисептическим, желчегонным, спазмолитическим, обезболивающим, антиоксидантным и фотосенсибилизирующим действием (Erdelmeier et al., 2000; Di Carlo et al., 2001; Куркин 2007). Зверобой широко распространен в Америке, Европе, Азии, Африке и Австралии. Содержание некоторых компонентов в экстрактах может различаться в зависимости от региона произрастания. Эти различия могут повлиять на проявление как терапевтических, так и побочных эффектов экстрактов зверобоя. Таким образом, информация о возможной активности каждого из компонентов и взаимодействиях между ними важна для оценки клинического использования экстрактов зверобоя, собранного в различных регионах.

В процессе исследования нами были собраны данные о структурных формулах и известной биологической активности 93 органических соединений, идентифицированных в зверобое, произрастающем в различных географических регионах. Прогноз спектров биологической активности для 93 структур был проведен компьютерной программы PASS 2009. Анализ результатов прогноза выполняли с использованием компьютерной программы PharmaExpert. Было показано, что все известные фармакотерапевтические эффекты предсказываются, по крайней мере, для одного из исследуемых соединений с вероятностью Pa более 0,5. Исключения составляют анальгетический и противовирусный эффекты, оценки вероятности наличия которых находились в интервале между 0,4 и 0,5. Результаты предсказания позволили также определить соединения, которые, согласно прогнозу, могут обуславливать проявление определенных побочных эффектов.

Для каждого соединения зверобоя прогнозировался уникальный профиль биологической активности. Поскольку в экстракте зверобоя содержится значительное число индивидуальных соединений, они взаимодействуют друг с другом, что может привести как к положительным, так и к негативным фармакологическим эффектам. С использованием программы PharmaExpert было изучено возможное взаимодействие между исследуемыми соединениями. Были выявлены взаимодействия на уровне молекулярных механизмов действия, фармакотерапевтических эффектов, токсических/побочных эффектов и метаболизма соединений. Примеры выявленных аддитивных/синергетических терапевтических эффектов представлены в Таблице 9.

Таблица 9. Примеры аддитивных/синергетических терапевтических эффектов с количеством соединений в скобках, для которых предсказан соответствующий вид биологической активности Эффект Предсказанные активности, связанные с эффектом Противоязвенный Противоязвенный (5) Цитопротекция (30) Ловушка свободных радикалов (19) Ингибирование проницаемости мембран (55) Защита слизистой оболочки (30) Стимулятор апоптоза Стимулятор апоптоза (24) Психотропный Противоэпилептический (1) Анксиолитический (6) Лечение тревожных расстройств (6) Ноотропный (2) Психотропный (6) На основе проведенного анализа было обнаружено несколько новых фармакотерапевтических эффектов, которые могут быть вызваны аддитивным/синергетическим взаимодействием компонентов зверобоя (например, антиатеросклеротический, антипсориатический, нейропротективный эффект и др.).

Эти результаты могут служить основанием для экспериментальных исследований по расширению клинического применения зверобоя.

Данные о соединениях, ответственных за возможные аддитивные/синергетические токсические эффекты могут быть использованы либо для элиминации таких соединений из конечного лекарственного препарата, либо для сбора лекарственного сырья в определенных географических регионах, в которых произрастают растения с пониженным содержанием или отсутствием этих компонентов. Данные об аддитивных/синергетических или антагонистических взаимодействиях на уровне ферментов метаболизма следует принимать во внимание при определении дозировки препаратов, особенно, при комбинированной терапии.

Анализ прогнозируемых спектров биологической активности позволяет выявить особенности клинических проявлений действия растительных экстрактов зверобоя собранного в различных географических регионах. Это было проиллюстрировано путем сравнения соединений входящих в эфирные масла зверобоя, собранного в юго-восточной Сербии (Smelcerovic et al., 2007) и Литве (Radusiene et al., 2005). В эфирномасличных экстрактах зверобоя, собранного в ЮгоВосточной Сербии и Литве, было выявлено 14 и 19 эфирномасличных соединений, соответственно. Шесть соединений были идентичными. Проведенный компьютерный анализ плейотропного действия этих соединений показал, что каждый из экстрактов может обладать отличными друг от друга видами биологической активности и проявлениями аддитивного действия (Таблица 10).

Таблица 10. Сводная информация о прогнозируемых видах биологической активности для эфирномасличных соединений зверобоя, собранного в ЮгоВосточной Сербии и Литве Регион N Эффекты Механизмы Токсические Метаболизм Генная эффекты экспрессия Сербия 14 58 354 14 21 Литва 19 72 356 14 37 Сербия* 14 32 78 17 20 Литва* 19 36 47 15 14 - N – число соединений в исследуемом экстракте; * - число возможных аддитивных/синергетических взаимодействий между предсказанными активностями.

В то время как общее количество механизмов действия и токсических эффектов являются близким для обеих выборок, наблюдаются значительные различия в прогнозе фармакотерапевтических эффектов и взаимодействий с ферментами метаболизма. Более детальный анализ предсказанных токсических/побочных эффектов показал, что, несмотря на то, что количество эффектов одинаково в обеих выборках, число соединений, которые могут привести к этим эффектам, различается.

Отсюда следует, что одни и те же эффекты могут быть результатом действия разных химических соединений. В результате исследования были выявлены различия в предсказанных аддитивных/синергетических фармакотерапевтических эффектах для компонентов эфирных масел Юго-Восточной Сербии и Литвы. Эта информация может помочь в оценке фармакотерапевтического потенциала растительных экстрактов, полученных в разных географических регионах.

Таким образом, данное исследование продемонстрировало эффективность использования разработанного нами метода компьютерного анализа плейотропного действия природных соединений, входящих в экстракты лекарственных растений, на основе результатов прогноза спектра биологической активности химических соединений, и учета известных взаимосвязей между биологическими активностями.

Глава 7. Репозиционирование лекарств, на примере выявления ноотропного действия антигипертензивных препаратов Целью данного исследования являлось изучение применимости метода анализа терапевтических эффектов и их механизмов действия для репозиционирования лекарств, на примере выявления ноотропной активности у ингибиторов ангиотензинпревращающего фермента (Крыжановский и др., 2011). Результаты компьютерного прогноза ноотропного действия и молекулярных механизмов, которые могут привести к его возникновению, для нескольких антигипертензивных препаратов приведены в Таблице 11.

Таблица 11. Компьютерный прогноз ноотропной активности и возможных механизмов ноотропного действия исследуемых соединений Название Ноотропный препарата эффект А1 А2 А3 А4 А5 АКаптоприл 0,446 - - - - 0,817 - Эналаприл 0,655 0,378 0,509 - - 0,5Лизиноприл 0,618 0,336 - - 0,442 0,560 - Периндоприл 0,609 0,334 - 0,372 0,353 0,3Квинаприл 0,651 0,383 - 0,370 - 0,4Рамиприл 0,633 0,386 0,369 0,409 - 0,3Моноприл 0,309 - - - 0,707 0,632 0,3Пирацетам 0,817 0,433 0,425 - 0,386 0,342 - Амлодипин - - - - - - - Гидрохлоротиазид - - - - - - 0,6В таблице приведены значения вероятности Pa, превышающие 0,3, для каждого вида активности: А1 – агонист М2-холинорецепторов; А2 – стимулятор высвобождения ацетилхолина; А3 – стимулятор высвобождения серотонина; А4 – антагонист ГАМКрецепторов; А5 – ингибитор Х-Про дипептидазы; А6 – агонист глутаматных рецепторов.

Ноотропное действие прогнозируется для изученных ингибиторов АПФ с вероятностью Pa от 0,309 (моноприл) до 0,656 (эналаприл). Для препарата сравнения пирацетама ноотропное действие прогнозируется с вероятностью Pa 0,817.

Количественные оценки вероятности наличия ноотропной активности не слишком велики, что позволяет надеяться на выявление оригинальных ноотропных веществ.

Анализ прогнозируемых молекулярных механизмов ноотропного действия показывает, что для исследуемых препаратов вероятно наличие действия на несколько мишеней (Таблица 11). В то же время, прогнозируемый «профиль» каждого из исследуемых соединений индивидуален, что может отражать особенности их механизмов ноотропного действия. В частности, наиболее сильные по сравнению с остальными препаратами различия наблюдаются для моноприла, для которого не прогнозируется взаимодействие с ацетилхолиновыми рецепторами, но прогнозируется взаимодействие с глутаматными рецепторами, и для каптоприла, для которого прогнозируется ингибирование Х-Про дипептидазы. Для сравнения в таблице 14 приведены результаты прогноза ноотропной активности и соответствующих механизмов действия для представителей двух других классов антигипертензивных препаратов – амлодипина – дигидпропиридинового антагониста кальциевых каналов 3-го поколения и гидрохлоротиазида – тиазидного диуретика. Ни для одного из этих двух веществ ноотропное действие не прогнозируется. Также для амлодипина и гидрохлоротиазида не прогнозируется большинство механизмов, связанных с возможностью ноотропного действия, за исключением возможного взаимодействия гидрохлоротиазида с глутаматными рецепторами. Для экспериментального тестирования ноотропной активности на основе результатов прогноза нами были отобраны три препарата – периндоприл, квинаприл и моноприл.

Тестирование осуществлялось д.б.н. Р.М. Салимовым с сотрудниками в ФГБУ НИИ фармакологии имени В.В. Закусова РАМН на мышах по тесту спонтанной ориентации в закрытом крестообразном лабиринте (Салимов, 1988).

В качестве препаратов сравнения были использованы ноотропные препараты пирацетам и меклофеноксат. Подробные результаты экспериментального исследования соединений приведены в тексте диссертации. Было показано, что введение мышам пирацетама и меклофеноксата вызывает значимое улучшение показателей патрулирования лабиринта, что соответствует ранее опубликованным данным (Салимов, 1988; Salimov et al., 1995). При этом пирацетам в дозе 300 мг/кг также ослаблял спонтанную стереотипию и изменял асимметрию поворотов при переходе из тупика в тупик лабиринта.

Исследование отобранных ингибиторов АПФ в тесте спонтанной ориентации в закрытом крестообразном лабиринте выявило их ноотропную активность.

Периндоприл в дозе 1 мг/кг вызывал статистически значимое улучшение показателей поведения патрулирования лабиринта. В этой же дозе он также изменяет показатели двигательной асимметрии и по этим двум показателям его эффект сходен с эффектом пирацетама в дозе 300 мг/кг. Кроме того, периндоприл в дозах 1, 4 и 8 мг/кг вызывает укорочение времени пребывания в центре лабиринта при переходе из тупика в тупик, и по этому показателю он напоминает действие тимолептических средств. Квинаприл в дозе 10 мг/кг вызывает статистически значимое улучшение показателей поведения патрулирования лабиринта и уменьшал число стереотипных визитов. Моноприл в дозе 10 мг/кг также вызывает статистически значимое улучшение показателей поведения патрулирования лабиринта. Эффекты периндоприла, квинаприла и моноприла сходны с соответствующими эффектами пирацетама в дозе 300 мг/кг и меклофеноксата в дозе 120 мг/кг. Популяционные исследования дают противоречивые результаты в отношении связи уровня активности АПФ с развитием расстройств мышления (Visscher et al., 2003; Yip et al., 2002). В тех же случаях, когда лечение пациентов с сердечной недостаточностью с помощью средних и высоких доз ингибиторов АПФ сопровождалось улучшением их когнитивных функций, это вряд ли можно считать результатом непосредственного ноотропного эффекта ингибиторов АПФ, поскольку аналогичный эффект отсутствовал у субъектов, не имевших симптомов сердечной недостаточности (Zuccala et al., 2005). Против наличия связи между антигипертензивным и ноотропным действием ингибиторов АПФ свидетельствуют и результаты данного исследования, поскольку ноотропный эффект имел место лишь при применении относительно малых доз периндоприла, квинаприла и моноприла и исчезал при дальнейшем увеличении дозы.

Таким образом, выявление ноотропных свойств у широко применяемых в медицинской практике антигипертензивных препаратов открывает возможности для их новых клинических применений с учетом соответствующих индивидуальных особенностей пациентов. Исходя из результатов исследования, можно заключить, что предложенный компьютерный метод оценки плейотропного действия фармакологических соединений эффективен при поиске новых областей терапевтического применения известных лекарств.

ВЫВОДЫ 1. Разработана и реализована в компьютерной программе PharmaExpert методология компьютерной оценки плейотропного действия фармакологических соединений на основе методы анализа взаимосвязей между различными видами биологической активности. Создана база знаний по видам биологической активности и логическим взаимосвязям между ними, содержащая информацию о 21 тысяче терминов и 11 тысячам взаимосвязей.

2. На примере поиска новых анксиолитиков, антиконвульсантов и ноотропных соединений с использованием разработанного метода анализа терапевтических эффектов и их механизмов действия установлено, что метод применим для поиска новых соединений с заданными фармакотерапевтическими свойствами.

3. На примере использования разработанного метода поиска соединений, действующих на несколько мишеней при поиске новых антигипертензивных и противовоспалительных соединений с комбинированными механизмами действия, доказана возможность целенаправленного поиска новых химических соединений, действующих на разные мишени вызывающие определенный фармакотерапевтический эффект.

4. На примере оценки плейотропного действия компонентов экстрактов зверобоя с использованием разработанного нами метода анализа межлекарственных взаимодействий установлено, что метод применим для определения комплексных взаимодействий компонентов природных экстрактов, а также оценки клинического потенциала природных экстрактов, полученных в разных географических регионах.

5. На примере анализа парного межлекарственного взаимодействия антигипертензивных препаратов разных классов показано, что разработанный нами метод анализа межлекарственного взаимодействия применим для выявления предпочтительных комбинаций лекарственных препаратов.

6. На примере использования метода анализа терапевтических эффектов и их механизмов действия для обнаружения ноотропного действия у ряда ингибиторов ангиотензин-превращающего фермента показано, что разработанный нами метод применим для репозиционирования лекарств.

СПИСОК РАБОТ ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ Свидетельства о регистрации компьютерных программ и баз данных:

1. Лагунин А.А., Поройков В.В., Филимонов Д.А., Глориозова Т.А. Свидетельство об официальной регистрации программы для ЭВМ PharmaExpert № 2006613590 от октября 2006 г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам.

2. Филимонов Д.А., Поройков В.В., Глориозова Т.А., Лагунин А.А. Свидетельство об официальной регистрации программы для ЭВМ PASS № 2006613275 от 15 сентября 20г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам.

3. Филимонов Д.А., Поройков В.В., Глориозова Т.А., Лагунин А.А. Свидетельство об официальной регистрации программы для ЭВМ ПРЕТОКС (PreTox) № 2006613276 от сентября 2006 г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам.

4. Захаров А.В., Филимонов Д.А., Лагунин А.А., Поройков В.В. Свидетельство об официальной регистрации программы для ЭВМ GUSAR (General Inrestricted Structure Activity Relationships) № 2006613591 от 16 октября 2006 г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам.

5. Зотчев С.Б., Соболев Б.Н., Степанчикова А.В., Сергейко А.П., Филимонов Д.А., Лагунин А.А., Глориозова Т.А., Поройков В.В. Свидетельство об официальной регистрации программы для ЭВМ BIOGENPHARM № 2006614395 от 15 февраля 2007 г., Москва, Федеральная служба по интеллектуальной собственности, патентам и товарным знакам.

Статьи 6. Глориозова Т.А., Филимонов Д.А., Лагунин А.А., Поройков В.В. Тестирование компьютерной системы предсказания спектра биологической активности PASS на выборке новых химических соединений. // Хим.-фарм. журн. 1998. Т. 32, № 12. С. 32-39.

7. Geronikaki A., Poroikov V., Hadjipavlou-Litina D., Filimonov D., Lagunin A., Mgonzo R.

Computer aided predicting the biological activity spectra and experimental testing of new thiazole derivatives. // Quant. Struct.-Activ. Relationships. 1999. № 18. P. 16-25.

8. Lagunin A., Stepanchikova A., Filimonov D., Poroikov V. Internet server for on-line prediction of the biological activity spectrum for a substance. // Bioinformatics. 2000. Vol. 16, № 8. P.

747-748.

9. Poroikov V.V., Filimonov D.A., Borodina Yu.V., Lagunin A.A., Kos A. Robustness of biological activity spectra predicting by computer program PASS for non-congeneric sets of chemical compounds. // J. Chem. Inf. Comput. Sci. 2000. Vol. 40, № 6. P. 1349-1355.

10. Лагунин А.А., Филимонов Д.А., Поройков В.В. Компьютерный поиск потенциальных антигипертензивных соединений комбинированного действия. // Хим.-фарм. журн. 2001.

Т. 35, № 7. C. 28-34.

11. Geronikaki A., Lagunin A., Poroikov V., Filimonov D., Hadjipavlou-Litina, Vicini P. Computer Aided prediction of biological activity spectra: evaluating versus known and predicting of new activities for thiazole derivatives. // SAR QSAR Environ. Res. 2002. Vol. 3, № (3-4). P. 457471.

12. Садым А.В., Лагунин А.А., Филимонов Д.А., Поройков В.В. Интернет-система прогноза спектра биологической активности химических соединений. // Хим.-фарм. журн. 2002. Т.

36, №10. С. 21-26.

13. Lagunin A., Poroikov V. PharmaExpert: knowledge-based computer system for interpretation of biological activity spectrum for substance. // Newsletter of The QSAR and Modelling Society.

2002. № 13. P. 23-25.

14. Stepanchikova A.V., Lagunin A.A., Filimonov D.A., Poroikov V.V. Prediction of biological activity spectra for substances: evaluation on the diverse set of drug-like structures. // Current Medicinal Chemistry. 2003. Vol. 10, № 3. P. 225-233.

15. Poroikov V.V., Filimonov D.A., Ihlenfeld W.-D., Gloriozova T.A., Lagunin A.A., Borodina Yu.V., Stepanchikova A.V., Nicklaus M.C. PASS Biological Activity Spectrum Predictions in the Enhanced Open NCI Database Browser. // J.Chem.Inf.Comput. Sci. 2003. Vol. 43, № 1. P.

228-236.

16. Lagunin A.A., Gomazkov O.A., Filimonov D.A., Gureeva T.A., Dilakyan E.A., Kugaevskaya E.V., Elisseeva Yu.E., Solovyeva N.I., Poroikov V.V. Computer-Aided Selection of Potential Antihypertensive Compounds with Dual Mechanism of Action. // J. Med. Chem. 2003. Vol. 46, № 15. P. 3326-3332.

17. Geronikaki A., Vicini P., Theophilidis G., Lagunin A., Poroikov V., Dearden J. Study of Local Anesthetic Activity of some Derivatives of 3-amino-benzo-[d]-isothiazole. // SAR QSAR Environ. Res. 2003. Vol. 14, № 5-6. P. 485-495.

18. Филимонов Д.А., Бородина Ю.В., Лагунин А.А., Акимов Д.В., Садым А.В., Поройков В.В. Компьютерное прогнозирование биологической активности химических соединений. // В кн.: Проблемы создания новых лекарственных средств, Уфа: Гилем.

2003. C. 83-84.

19. Sadym A., Lagunin A., Filimonov D., Poroikov V. Prediction of Biological Activity Spectra via the Internet. // SAR QSAR Environ. Res. 2003. Vol. 14, № 5-6. P. 339-347.

20. Geronikaki A., Dearden J., Filimonov D., Galaeva I., Garibova L., Gloriozova T., Krajneva V., Lagunin A., Macaev F., Molodavkin G., Poroikov V., Pogrebnoi S., Shepeli F., Voronina T., Tsitlakidou M., Vlad L. Design of New Cognition Enhancers: From Computer Prediction to Synthesis and Biological Evaluation. // J. Med. Chem. 2004. Vol. 47, №11. P. 2870-2876.

21. Geronikaki A., Babaev E., Dearden J., Dehaen W., Filimonov D., Galaeva I., Krajneva V., Lagunin A., Macaev F., Molodavkin G., Poroikov V., Pogrebnoi S., Saloutin V., Stepanchikova A., Stingaci E., Tkach N., Vlad L., Voronina T. Design, synthesis, computational and biological evaluation of new anxiolytics. // Bioorg. Med. Chem. 2004. Vol. 12, №24. P. 6559-6568.

22. Поройков В.В., Филимонов Д.А., Лагунин А.А., Глориазова Т.А., Рудик А.В., Степанчикова А.В., Акимов Д.В., Захаров А.В., Дмитриев А.В. Компьютерная оценка спектра биологической активности химических соединений с целью минимизации рисков их применения в медицине. // В кн. «Проблемы оценки риска здоровью населения от воздействия факторов окружающей среды», М. 2004. C. 167-169.

23. Poroikov V., Lagunin A., Filimonov D. Pharmaexpert: Diseases, Targets and Ligands – Three in One. // In: Proceedings of the 15th European Symposium on Structure-Activity Relationships (QSAR) and Molecular Modeling. / Esin Aki (SENER), Ismail Yalcin, Ed. Istanbul. 2004. P.

514-515.

24. Filimonov D.A., Lagunin A.A., Poroikov V.V. Prediction of Activity Spectra for Substances using New Local Integrative Descriptors. // In: Proceedings of the 15th European Symposium on Structure-Activity Relationships (QSAR) and Molecular Modeling. / Esin Aki (SENER), Ismail Yalcin, Ed. 2004. P. 98-99.

25. Lagunin A., Dearden J., Filimonov D., Poroikov V. A New in silico Approach for the Mutagenicity Prediction. // In: Proceedings of the 15th European Symposium on StructureActivity Relationships (QSAR) and Molecular Modeling. / Esin Aki (SENER), Ismail Yalcin, Ed. 2004. P. 209-210.

26. Zakharov A.V., Lagunin A.A., Filimonov D.A., Poroikov V.V. Computer Prediction of Human Carcinogenicity for Chemical Compounds According to the IARC Classification. // In:

Proceedings of the 15th European Symposium on Structure-Activity Relationships (QSAR) and Molecular Modeling. / Esin Aki (SENER), Ismail Yalcin, Ed. 2004. P. 211-212.

27. Lagunin A.A., Dearden J.C., Filimonov D.A., Poroikov V.V. Computer-aided rodent carcinogenicity prediction. // Mutation Research. 2005. Vol. 586, № 2. P. 138–146.

28. Поройков В.В., Филимонов Д.А., Глориозова Т.А., Лагунин А.А. Компьютерное прогнозирование спектров биологической активности азотсодержащих органических соединений. // В кн.: Азотсодержащие гетероциклы, М.: ICSPF. 2006. C. 92-97.

29. Захаров А.В., Лагунин А.А., Филимонов Д.А., Поройков В.В. Количественный анализ взаимосвязей «структура-активность» ингибиторов циклин-зависимой киназы 1. // Биомедицинская химия. 2006. Т. 52, №1. C. 3-18.

30. Geronikaki A., Vasilevsky S., Hadjpavlou-Litina D., Lagunin A., Poroikov V. Synthesis and anti-inflammatory activity of ethynylthiazoles. // In: Chemistry of Heterocyclic Compounds, М.: ICSPF. 2006. Vol. 5. P. 769-774.

31. Kolpakov F., Poroikov V., Sharipov R., Kondrakhin Yu., Zakharov A., Lagunin A., Milanesi L., Kel A. CYCLONET—an integrated database on cell cycle regulation and carcinogenesis. // Nucleic Acids Research. 2007. Vol. 35, doi:10.1093/nar/gkl912, D550–D556.

32. Poroikov V., Filimonov D., Lagunin A., Gloriozova T., Zakharov A. PASS: identification of probable targets and mechanisms of toxicity. // SAR QSAR Environ. Res. 2007. Vol. 18, №1-2.

P. 101-110.

33. Lagunin A.A., Zakharov A.V., Filimonov D.A., Poroikov V.V. A new approach to QSAR modelling of acute toxicity. // SAR QSAR Environ. Res. 2007. Vol. 18, №3–4. P. 285-298.

34. Devillers J., Dor J.C., Guyot M., Poroikov V., Gloriozova T., Lagunin A., Filimonov D.

Prediction of biological activity profiles of cyanobacterial secondary metabolites. // SAR QSAR Environ. Res. 2007. Vol. 18, №7. P. 629-643.

35. Сергейко А.П., Степанчикова А.В., Соболев Б.Н., Зотчев С.Б., Лагунин А.А., Филимонов Д.А., Поройков В.В. Компьютерное конструирование поликетидов с заданными свойствами. // Биомедицинская химия. 2007. Т. 53, №5. C. 522-531.

36. Коборова О.Н., Филимонов Д.А., Захаров А.В., Лагунин А.А., Кель А., Колпаков Ф., Кондрахин Ю.В., Шарипов Р., Поройков В.В. Выявление противоопухолевых мишеней с использованием биоинформационных технологий. // Рос. биотерапевт. журн. 2008. Т. 7, №2. C. 54-56.

37. Benaamane N., Nedjar-Kolli B., Bentarzi Y., Hammal L., Geronikaki A., Eleftheriou P., Lagunin A. Synthesis and in silico biological activity evaluation of new N-substituted pyrazolooxazin-2-one systems. // Bioorg. Med. Chem. 2008. Vol. 16, №6. P. 3059-3066.

38. Geronikaki A.A., Lagunin A.A., Hadjipavlou-Litina D.I., Eleftheriou Ph.T., Filimonov D.A., Poroikov V.V., Alam I., Saxena A.K. Computer-aided discovery of anti-inflammatory thiazolidinones with dual cyclooxygenase/lipoxygenase inhibition. // J. Med. Chem. 2008. Vol.

51, №6. P. 1601-1609.

39. Filz O., Lagunin A., Filimonov D., Poroikov V. Computer-aided prediction of QT-prolongation.

// SAR QSAR Environ. Res. 2008. Vol. 19, № 1-2. P. 81-90.

40. Гомазков О.А., Лагунин А.А., Поройков В.В. Компьютерный прогноз комбинированного действия препаратов, используемых в терапии артериальной гипертонии. // Кардиоваскулярная терапия и профилактика. 2008. Т. 7, № 5. С. 100-104.

41. Коборова О.Н., Филимонов Д.А., Захаров А.В., Лагунин А.А., Кель A., Колпаков Ф., Кондрахин Ю.В., Шарипов Р., Поройков В.В. Моделирование регуляторных сетей для выявления противоопухолевых мишеней на примере рака молочной железы. // Информационный вестник ВОГиС. 2009. Т. 13, № 1. С. 201-207.

42. Поройков В.В., Филимонов Д.А., Глориозова Т.А., Лагунин А.А., Дружиловский Д.С., Степанчикова А.В.. Компьютерное предсказание биологической активности химических веществ: виртуальная хемогеномика. // Информационный вестник ВОГиС. 2009. Т. 13, № 1. C. 137-143.

43. Geronikaki A., Vicini P., Dabarakis N., Lagunin A., Poroikov V., Dearden J., Modarresi H., Hewitt M., Theophilidis G. Evaluation of the local anaesthetic activity of 3aminobenzo[d]isothiazole derivatives using the rat sciatic nerve model. // Eur. J. Med. Chem.

2009. Vol. 44, № 2. C. 473-481.

44. Lagunin А., Filimonov D., Zakharov A., Xie W., Huang Y., Zhu F., Shen T., Yao J., Poroikov V. Computer-Aided Prediction of Rodent Carcinogenicity by PASS and CISOC-PSCT. // QSAR Comb. Sci. 2009. Vol. 28, № 8. P. 806-810.

45. Koborova O.N., Filimonov D.A., Zakharov A.V., Lagunin A.A., Ivanov S.M., Kel A., Poroikov V.V. In silico method for identification of promising anticancer drug targets. // SAR QSAR Environ. Res. 2009. Vol. 20, № 7-8. P. 755–766.

46. Filimonov D.A., Zakharov A.V., Lagunin A.A., Poroikov V.V. QNA based “Star Track” QSAR approach. // SAR QSAR Environ. Res. 2009. Vol. 20, № 7-8. P. 679–709.

47. Lagunin A., Filimonov D., Poroikov V. Multi-Targeted Natural Products Evaluation Based on Biological Activity Prediction with PASS. // Cur. Pharm. Design, 2010. Vol. 16, № 15. P. 17031717.

48. Sobolev B., Filimonov D., Lagunin A., Zakharov A., Koborova O., Kel A., Poroikov V.

Functional classification of proteins based on projection of amino acid sequences: application for prediction of protein kinase substrates. // BMC Bioinformatics. 2010. Vol. 11. P. 313.

doi:10.1186/1471-2105-11-313.

49. Hardy B., Douglas N., Helma C., Rautenberg M., Jeliazkova N., Jeliazkov V., Nikolova I., Benigni R., Tcheremenskaia O., Kramer S., Girschick T., Buchwald F., Wicker J., Karwath A., Gutlein M., Maunz A., Sarimveis H., Melagraki G., Afantitis A., Sopasakis P., Gallagher D., Poroikov V., Filimonov D., Zakharov A., Lagunin A., Gloriozova T., Novikov S., Skvortsova N., Druzhilovsky D., Chawla S., Ghosh I., Ray S., Patel H., Escher S. Collaborative development of predictive toxicology applications. // Journal of Cheminformatics. 2010. Vol. 2, № 1. P. 7. doi:10.1186/1758-2946-2-7.

50. Goel R.K., Singh D., Lagunin A., Poroikov V. PASS-assisted exploration of new therapeutic potential of natural products. // Med. Chem. Res. 2011. V. 20, №9. P. 1509-1514.

51. Lagunin A., Zakharov A., Filimonov D., Poroikov V. QSAR Modelling of Rat Acute Toxicity on the Basis of PASS Prediction. // Molecular Informatics. 2011. Vol. 30, № 2-3. P. 241–250.

52. Крыжановский С.А., Салимов Р.М., Лагунин А.А., Филимонов Д.А., Глориозова Т.А., Поройков В.В. Ноотропное действие некоторых антигипертензивных препаратов:

компьютерный прогноз и экспериментальное тестирование. // Хим.-фарм. журн. 2011. Т.

45, №10. С. 73-79.

Список докладов на научных конференциях 53. Лагунин А.А., Поройков В.В. Реляционная система классификации биологически активных веществ. // Материалы II-го съезда биохимического общества РАН. Москва.

1997. Часть II. С. 446.

54. Лагунин А.А., Филимонов Д.А., Поройков В.В. Экспертная система для интерпретации результатов прогноза спектра биологической активности веществ. // Труды V-го Всероссийского национального конгресса «Человек и лекарство». Москва. 1998. С. 582.

55. Лагунин А.А. Компьютерная интерпретация спектров биологической активности веществ, синтезируемых традиционными методами и с помощью комбинаторной химии.

// Международная научная конференция "Органический синтез и комбинаторная химия".

Москва-Звенигород. 1999. П 98.

56. Филимонов Д.А., Лагунин А.А., Поройков В.В. Компьютерная оценка свойств химических соединений с использованием неполной эмпирической информации. // Материалы II-го съезда биофизиков России. Москва. 1999. Т. III. С. 982.

57. Lagounine A., Poroikov V., Filimonov D. PharmaExpert: knoweledge-based computer system for discovery of new drugs. // Abstracts of XVIth International Symposium on Medicinal Chemistry. Bologna. 2000. PB 148.

58. Лагунин А.А., Филимонов Д.А., Поройков В.В. Использование программы PASS для поиска антигипертензивных соединений с несколькими механизмами действия. // Материалы VII-го Всероссийского национального конгресса “Человек и лекарство”.

Москва. 2000. С. 514.

59. Лагунин А.А., Филимонов Д.А., Поройков В.В. Использование программы PASS для поиска соединений с заданными видами биологической активности. // Материалы Третьего Всероссийского симпозиума по органической химии "Стратегия и тактика органического синтеза". Ярославль. 2001. С. 72.

60. Gomazkov O.A., Lagunin A.A., Poroikov V.V. A new computer-aided approach for analysis of modern medicines with dual mechanisms of antihypertensive actions. // Abstracts of Deutsche Medizinische Wochenscrift, Hypertonie. Berlin. 2001. P. 12-9.

61. Лагунин А.А., Поройков В.В., Филимонов Д.А., Степанчикова А.В., Глориозова Т.А.

Web-сайт для прогнозирования спектра биологической активности химических веществ.

// 2-ая Всероссийская конференция "Молекулярное моделирование". Москва. 2001. С. 77.

62. Лагунин А.А., Филимонов Д.А., Поройков В.В., Гомазков О.А., Соловьева Н.И.

Компьютерный поиск новых антигипертензивных веществ с комбинированными механизмами действия. // Материалы IX Российского национального конгресса «Человек и лекарство». Москва. 2002. C. 647.

63. Lagunin A.A., Poroikov V.V., Filimonov D.A. Computer-aided discovery of new pharmaceutical agents with dual mechanism of action. // Abstract of XVIIth International Symposium on Medicinal Chemistry. Barcelona. 2002. P. 309.

64. Lagunin A.A., Filimonov D.A., Poroikov V.V. PharmaExpert: clustering of chemical compounds with required biological activity spectra in large databases. // Abstracts of 6th International Conference on Chemical Structures. Noordwijkerhout. 2002. Р. 25-26.

65. Lagunin A. A., Filimonov D. A., Poroikov V. V. Acute toxicity prediction with computer program PASS. // J. Pharmacy and Pharmacology, Abstracts of 140th British Pharmaceutical Conference, Science Proceedings. 2003. S. 57-58.

66. Poroikov V., Filimonov D., Sadym N., Lagunin A. Prediction of biological activity spectra via Internet. // Abstracts of Computational Methods in Toxicology and Pharmacology. Integrating Internet Resources. Greece. 2003. P. 11.

67.Lagunin A.A., Gomazkov O.A., Filimonov D.A., Solovyeva N.I., Poroikov V.V. Computer-aided discovery of compounds with combined mechanism of pharmacological action in large chemical databases. // Abstracts of The 225th ACS National Meeting. New Orleans. 2003. CINF 68.

68. Лагунин А.А., Поройков В.В., Воронина Т.А., Героникаки А. Компьютерный поиск новых анксиолитиков, антиконвульсантов и ноотропных средств. // Материалы Х Российского национального конгресса «Человек и лекарство». Москва. 2003. С. 728.

69. Geronikaki A., Poroikov V., Lagunin A., Macaev F., Saloutin V. Computer-aided selection and biological testing of anxiolytics, anticonvulsants and cognition enhancers in diverse set of chemical compounds. // Abstracts of 1st International Conference of the Moldavian Chemical Society “Achievements and Perspectives of Modern Chemistry”. Chisinau. 2003. P. 12-13.

70.Глориозова Т.А., Филимонов Д.А., Лагунин А.А., Поройков В.В. Компьютерный прогноз биологической активности для химических соединений из больших баз данных. // Материалы 4-го Всероссийского симпозиума по органической химии. Москва. 2003. С. 36.

71. Poroikov V., Lagunin A., Filimonov D. PharmaExpert: diseases, targets and ligands-three in one. // Abstracts of 15th European Symposium on Quantitative Structure-Activity Relationships. Istanbul. 2004. Р. 334.

72.Филимонов Д.А., Бородина Ю.В., Лагунин А.А., Акимов Д.В., Рудик А.В., Поройков В.В.

Компьютерное прогнозирование биологической активности химических соединений. // Материалы III-го съезда биофизиков России. Воронеж. 2004. Т.2. С. 801-802.

73. Lagunin A.A., Zaharov A.V., Filimonov D.A., Poroikov V.V., Dearden J. Computer aided carcinogenicity prediction in drug design. // Abstracts of 2nd International Conference “Genomics, Proteomics and Bioinformatics for Medicine”. Moscow. 2004. S. 5.6.

74. Lagunin A., Filimonov D., Novikov S., Poroikov V. Computer-aided prediction of eye irritative effect for chemical compounds. // Abstracts of 11th International Workshop on Quantitative Structure-Activity Relationships (QSAR) in the Human Health and Environmental Sciences.

Liverpool. 2004. P. 42.

75. Poroikov V., Lagunin A., Filimonov D. Computer-aided discovery of new pharmacological agents with multiple mechanisms of action. // Abstracts of International Symposium on Advances in Synthetic, Combinatorial and Medicinal Chemistry. Moscow. 2004. P. 82-83.

76. Poroikov V., Filimonov D., Lagunin A., Gloriozova T., Rudik N. Increase of chance to develop safe and potent drug by computer prediction of biological activity spectra. // Abstracts of International Symposium “Advances in Science for Drug Discovery”. Moscow. 2005. P. I-3.

77. Poroikov V., Filimonov D., Lagunin A., Gloriozova T., Rudik N. Increase of chance to develop safe and potent drug by computer prediction of biological activity spectra. // Abstracts of International Symposium “Advances in Science for Drug Discovery”. Moscow. 2005. P. I-3.

78. Lagunin A., Zakharov A., Dmitriev A., Filtz O., Poroikov V. Database of drug-drug interactions. // Abstract of 3rd International Conference «Genomics, Proteomics, Bioinformatics and Nanotechnologies for Medicine» (GPBM 2006). Novosibirsk. 2006. P. 111.

79. Geronikaki A., Dearden J.C., Lagunin A., Garibova T.L., Voronina T.A. QSAR analysis of some thiazole derivatives with anti-amnestic activity. // Abstracts of 12th International Workshop on Quantitative Structure-Activity Relationships in Environmental Toxicology.

Lyon. 2006. P. 138.

80. Gomazkov O., Dergacheva L., Lagunin A., Gloriozova T., Filimonov D., Poroikov V.

Computer – aided approach for search of phytomedicines with the required properties. // Kongressband Phytopharmaka Phytotherapie. Berlin. 2006. S. 23.

81. Poroikov V., Filimonov D., Lagunin A., Gloriozova T., Zakharov A. Identification of probable targets and mechanisms of toxicity. // Abstract of 12th International Workshop on Quantitative Structure – Activity Relationships in Environmental Toxicology (Euro QSAR 2006). France.

2006. P. 117.

82. Поройков В.В., Лагунин А.А., Глориозова Т.А., Филимонов Д.А. Лекарство, действующее на несколько молекулярных мишеней в организме: исключительная ситуация или будущее фармакотерапии? // Материалы Международной конференции «Биологические мишени для действия лекарственных препаратов нового поколения.

Перспективы интеграции российских ученых в международную кооперацию». Химки.

2006. С. 20-21.

83. Lagunin A., Filimonov D., Gloriozova T., Poroikov V. PharmaExpert: estimating drug-drug interactions and finding compounds with multiple mechanisms of action. // Abstracts of 4rd International Symposium «Computational Methods in Toxicology and Pharmacology Integrating Internet Resources (CMTPI-2007)». Moscow. 2007. P. 23.

84. Lagunin A.A., Gomazkov O.A., Dergacheva L.I., Shevchenko T.V., Filimonov D.A., Poroikov V.V. Complex estimation of biological activity for individual herbal substances and their combinations. // Abstracts of International Congress on Complementary Medicine Research.

Munich. 2007. P. 5.

85. Лагунин А.А., Филимонов Д.А., Захаров А.В., Фильц О.А., Дмитриев А.В., Поройков В.В. Компьютерный прогноз взаимодействия лекарств. // Материалы ХIV Российского национального конгресса «Человек и лекарство». Москва. 2007. С. 297.

86. Поройков В.В., Филимонов Д.А., Лагунин А.А., Глориозова Т.А., Захаров А.В.

Лекарства, действующие на несколько молекулярных мишеней в организме:

возможности компьютерного прогнозирования. // Материалы III-го съезда фармакологов России «Фармакология – практическому здравоохранению», журнал «Психофармакол.

биол. наркол.». Санкт-Петербург. 2007. Т. 7, ч. 2. С. 1905.

87. Поройков В.В., Лагунин А.А., Коборова О.Н., Захаров А.В., Филимонов Д.А. Роль био- и хемоинформатики в создании лекарств, действующих на множественные мишени. // Материалы IV Московского международного конгресса «Биотехнология: состояние и перспективы развития». Москва. 2007. C. 396.

88. Lagunin A., Geronikaki A., Filimonov D., Poroikov V., Hadjipavlou–Litina D., Eleftheriou Ph., Alam I., Saxena A. Computer – aided discovery of anti – inflammatory thiazolidinones with dual cycloxygenase / lipoxygenase inhibition. // Abstracts of XXth International Symposium on Medicinal Chemistry. Vienna. 2008. P. 80.

89. Гомазков О.А., Лагунин А.А., Поройков В.В. Компьютерный прогноз комбинированного действия препаратов, используемых в терапии артериальной гипертонии. // Материалы ХV Российского национального конгресса «Человек и лекарство». Москва. 2008. С. 520.

90. Geronikaki A.A., Lagunin A.A., Hadjipavlou–Litina D.I., Eleftheriou Ph.T., Filimonov D.A., Alam I., Saxena A.K., Poroikov V.V. Computer – aided discovery of anti – inflammatory thiazolidinones with dual cyclooxygenase/lipoxygenase inhibition. // Abstracts of Fifth International Symposium on Computational Methods in Toxicology and Pharmacology Integrating Internet Resources (CMTPI-2009). Istanbul. 2009. P. 37.

91. Lagunin A., Geronikaki A., Eleftheriou Ph., Zakharov A., Sobolev B., Filimonov D., Poroikov V. Creation and External Validation of QSAR Models for Cyclooxygenase/Lipoxygenase Inhibitors. // Abstracts 3rd International Symposium on Methods and Applications of Computational Chemistry. Odesa. 2009. P. 50.

92. Poroikov V.V., Filz O.A., Koborova O.N., Lagunin A.A., Gloriozova T.A., Filimonov D.A.

Сomputer – aided approaches to virtual screening and rational design of multitargeted drugs.

Abstracts of the Seventh International Conference on Bioinformatics of Genome Regulation and Structure\Systems Biology. Novosibirsk. 2010. P. 234.

93. Lagunin A.A., Zakharov A.V., Koborova O.N., Filimonov D.A., Poroikov V.V. computer – aided finding of new anticancer targets and their ligands. // Abstracts of the 5th International Conference “Genomics, Proteomics, Bioinformatics and Nanobiotechnology for Medicine”.

St.Peterburg- Kizhi-Mandrogy-Valaam-Konevets- St.Peterburg. 2010. P. 79.

94. Лагунин А.А., Поройков В.В., Гоел Р.К. Компьютерный анализ спектров биологической активности лекарственных растений, используемых в традиционной индийской медицине. // Материалы ХVII Российского национального конгресса «Человек и лекарство». Москва. 2010. С. 661.

95. Poroikov V, Filimonov D, Lagunin A, Gloriozova T. PASS based virtual screening of drug-like compounds. Abstracts of XXIst International Symposium on Medicinal Chemistry. Brussels.

2010. P. 174.

96. Poroikov V., Gloriozova T., Lagunin A., Filimonov D. Computer-aided prediction of biological activity spectra for substances: virtual chemogenomics. // Abstracts of 18th European Symposium on Quantitative Structure – Activity Relationships (QSAR). Rhodes. 2010. P. 142.

97. Поройков В.В., Глориозова Т.А., Лагунин А.А., Филимонов Д.А. Применение компьютерных методов для репозиционирования лекарств. // Материалы ХVIII Российского национального конгресса «Человек и лекарство». Москва. 2011. С. 561.

98. Лагунин А.А., Поройков В.В. Компьютерный анализ профилей биологической активности химических соединений при создании лекарств с полифармакологическим действием. // Материалы ХVIII Российского национального конгресса «Человек и лекарство». Москва. 2011. С. 556.






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.