stringtranslate.com

Разработка лекарств

Разработка лекарств , часто называемая рациональным дизайном лекарств или просто рациональным дизайном , представляет собой изобретательский процесс поиска новых лекарств на основе знания биологической цели . [1] Лекарство чаще всего представляет собой органическую малую молекулу , которая активирует или подавляет функцию биомолекулы, такой как белок , что, в свою очередь, приводит к терапевтическому эффекту для пациента . В самом простом смысле разработка лекарств включает в себя разработку молекул, которые по форме и заряду комплементарны биомолекулярной цели, с которой они взаимодействуют и, следовательно, будут связываться с ней. Разработка лекарств часто, но не обязательно, опирается на методы компьютерного моделирования . [2] Этот тип моделирования иногда называют компьютерным дизайном лекарств . Наконец, разработка лекарств, которая опирается на знание трехмерной структуры биомолекулярной цели, известна как разработка лекарств на основе структуры . [2] В дополнение к малым молекулам, биофармацевтические препараты , включая пептиды [3] [4] и особенно терапевтические антитела, являются все более важным классом лекарственных средств, и также были разработаны вычислительные методы для улучшения сродства, селективности и стабильности этих терапевтических средств на основе белков. [5]

Определение

Фраза «дизайн лекарства» похожа на дизайн лиганда (т. е. дизайн молекулы, которая будет прочно связываться со своей целью). [6] Хотя методы дизайна для прогнозирования сродства связывания достаточно успешны, есть много других свойств, таких как биодоступность , метаболический период полувыведения и побочные эффекты , которые сначала должны быть оптимизированы, прежде чем лиганд сможет стать безопасным и эффективным лекарством. Эти другие характеристики часто трудно предсказать с помощью рациональных методов дизайна.

Из-за высоких показателей отсева, особенно на клинических этапах разработки лекарств , больше внимания уделяется раннему выбору лекарств-кандидатов, физико-химические свойства которых, как прогнозируется, приведут к меньшему количеству осложнений во время разработки и, следовательно, с большей вероятностью приведут к одобрению, поступлению на рынок препарата. [7] Кроме того, эксперименты in vitro , дополненные методами вычислений, все чаще используются на ранних этапах разработки лекарств для выбора соединений с более благоприятными ADME (абсорбция, распределение, метаболизм и выведение) и токсикологическими профилями. [8]

Цели по наркотикам

Биомолекулярная мишень (чаще всего белок или нуклеиновая кислота ) — это ключевая молекула, участвующая в определенном метаболическом или сигнальном пути, который связан с определенным заболеванием или патологией или с инфекционностью или выживанием микробного патогена . Потенциальные лекарственные мишени не обязательно вызывают заболевание, но по определению должны быть модифицирующими заболевание. [9] В некоторых случаях будут разработаны малые молекулы для усиления или ингибирования целевой функции в определенном модифицирующем заболевание пути. Будут разработаны малые молекулы (например, агонисты рецепторов , антагонисты , обратные агонисты или модуляторы ; активаторы или ингибиторы ферментов ; или открыватели или блокаторы ионных каналов ) [10] , которые являются комплементарными участку связывания цели. [11] Малые молекулы (лекарства) могут быть разработаны таким образом, чтобы не влиять на какие-либо другие важные «внецелевые» молекулы (часто называемые антицелями ), поскольку взаимодействие лекарств с нецелевыми молекулами может привести к нежелательным побочным эффектам . [12] Из-за сходства участков связывания, близкородственные мишени, идентифицированные с помощью гомологии последовательностей, имеют самую высокую вероятность перекрестной реактивности и, следовательно, самый высокий потенциал побочных эффектов.

Чаще всего лекарства представляют собой органические малые молекулы , полученные путем химического синтеза, но лекарства на основе биополимеров (также известные как биофармацевтические препараты ), полученные с помощью биологических процессов, становятся все более распространенными. [13] Кроме того, технологии подавления генов на основе мРНК могут иметь терапевтическое применение. [14] Например, нанолекарства на основе мРНК могут оптимизировать и ускорить процесс разработки лекарств, обеспечивая временную и локализованную экспрессию иммуностимулирующих молекул. [15] Транскрибированная in vitro (IVT) мРНК позволяет осуществлять доставку в различные доступные типы клеток через кровь или альтернативными путями. Использование IVT мРНК служит для передачи определенной генетической информации в клетки человека с основной целью предотвращения или изменения конкретного заболевания. [16]

Открытие лекарств

Фенотипическое открытие лекарств

Фенотипическое открытие лекарств — это традиционный метод открытия лекарств, также известный как прямая фармакология или классическая фармакология. Он использует процесс фенотипического скрининга на коллекциях синтетических малых молекул, натуральных продуктов или экстрактов в химических библиотеках для выявления веществ, проявляющих полезные терапевтические эффекты. Этот метод заключается в том, чтобы сначала обнаружить функциональную активность лекарств in vivo или in vitro (например, экстракты лекарств или натуральные продукты), а затем выполнить идентификацию цели. Фенотипическое открытие использует практический и независимый от цели подход для генерации начальных лидов, направленных на обнаружение фармакологически активных соединений и терапевтических средств, которые действуют через новые механизмы лекарств. [17] Этот метод позволяет исследовать фенотипы заболеваний, чтобы найти потенциальные методы лечения состояний с неизвестным, сложным или многофакторным происхождением, где понимание молекулярных мишеней недостаточно для эффективного вмешательства. [18]

Рациональное открытие лекарств

Рациональный дизайн лекарств (также называемый обратной фармакологией ) начинается с гипотезы о том, что модуляция конкретной биологической цели может иметь терапевтическую ценность. Для того, чтобы биомолекула была выбрана в качестве цели для лекарства, необходимы две основные части информации. Первая — это доказательства того, что модуляция цели будет модифицировать болезнь. Эти знания могут быть получены, например, из исследований связи болезней, которые показывают связь между мутациями в биологической цели и определенными болезненными состояниями. [19] Вторая заключается в том, что цель способна связываться с малой молекулой и что ее активность может модулироваться малой молекулой. [20]

После того, как подходящая цель была идентифицирована, цель обычно клонируется , производится и очищается . Очищенный белок затем используется для установления скринингового анализа . Кроме того, может быть определена трехмерная структура цели.

Поиск малых молекул, которые связываются с целью, начинается с скрининга библиотек потенциальных лекарственных соединений. Это можно сделать с помощью скринингового анализа («мокрого скрининга»). Кроме того, если структура цели доступна, можно провести виртуальный скрининг потенциальных лекарственных соединений. В идеале, потенциальные лекарственные соединения должны быть « подобными лекарствам », то есть они должны обладать свойствами, которые, как прогнозируется, приведут к пероральной биодоступности , адекватной химической и метаболической стабильности и минимальным токсическим эффектам. [21] Существует несколько методов оценки лекарственной подобности, таких как правило пяти Липински и ряд методов оценки, таких как липофильная эффективность . [22] В научной литературе также было предложено несколько методов прогнозирования метаболизма лекарств. [23]

Из-за большого количества свойств лекарственных препаратов, которые должны быть одновременно оптимизированы в процессе разработки, иногда применяются методы многокритериальной оптимизации . [24] Наконец, из-за ограничений в современных методах прогнозирования активности разработка лекарственных препаратов по-прежнему во многом зависит от счастливой случайности [25] и ограниченной рациональности . [26]

Компьютерное проектирование лекарств

Самая фундаментальная цель в разработке лекарств — предсказать, будет ли данная молекула связываться с мишенью, и если да, то насколько сильно. Молекулярная механика или молекулярная динамика чаще всего используются для оценки силы межмолекулярного взаимодействия между малой молекулой и ее биологической мишенью. Эти методы также используются для прогнозирования конформации малой молекулы и моделирования конформационных изменений в мишени, которые могут произойти, когда малая молекула связывается с ней. [3] [4] Полуэмпирические методы , методы квантовой химии ab initio или теория функционала плотности часто используются для предоставления оптимизированных параметров для расчетов молекулярной механики, а также для предоставления оценки электронных свойств (электростатический потенциал, поляризуемость и т. д.) кандидата на лекарство, которые будут влиять на сродство связывания. [27]

Методы молекулярной механики также могут использоваться для полуколичественного прогнозирования сродства связывания. Кроме того, для оценки сродства связывания может использоваться функция оценки на основе знаний. Эти методы используют линейную регрессию , машинное обучение , нейронные сети или другие статистические методы для получения уравнений сродства связывания, прогнозирующих сродство связывания, путем подгонки экспериментальных сродств к вычислительно полученным энергиям взаимодействия между малой молекулой и мишенью. [28] [29]

В идеале вычислительный метод сможет предсказать сродство до того, как соединение будет синтезировано, и, следовательно, в теории нужно синтезировать только одно соединение, что экономит огромное количество времени и средств. Реальность такова, что существующие вычислительные методы несовершенны и в лучшем случае дают только качественно точные оценки сродства. На практике требуется несколько итераций проектирования, синтеза и тестирования, прежде чем будет обнаружено оптимальное лекарство. Вычислительные методы ускорили открытие, сократив количество требуемых итераций, и часто обеспечивали новые структуры. [30] [31]

Компьютерное проектирование лекарств может использоваться на любом из следующих этапов разработки лекарств:

  1. идентификация хитов с использованием виртуального скрининга (дизайн на основе структуры или лиганда)
  2. оптимизация сродства и селективности по принципу «хит-ту-лид» (дизайн на основе структуры, QSAR и т. д.)
  3. оптимизация других фармацевтических свойств с сохранением сродства
Блок-схема общего кластерного анализа для разработки лекарственных препаратов на основе структуры
Блок-схема обычного кластерного анализа для разработки лекарственных препаратов на основе структуры

Чтобы преодолеть недостаточное предсказание связывающей аффинности, рассчитанной с помощью последних функций оценки, для анализа используются данные о взаимодействии белка с лигандом и трехмерной структуре соединения. Для разработки лекарственных препаратов на основе структуры были разработаны несколько анализов после скрининга, фокусирующихся на взаимодействии белка с лигандом, для улучшения обогащения и эффективного поиска потенциальных кандидатов:

Типы

Цикл разработки лекарственных препаратов, включающий стратегии разработки лекарственных препаратов как на основе лигандов (косвенные), так и на основе структур (прямые).

Существует два основных типа дизайна лекарств. Первый называется дизайном лекарств на основе лигандов , а второй — дизайном лекарств на основе структур. [2]

На основе лиганда

Разработка лекарств на основе лигандов (или непрямая разработка лекарств ) опирается на знание других молекул, которые связываются с интересующей биологической мишенью. Эти другие молекулы могут быть использованы для получения модели фармакофора , которая определяет минимально необходимые структурные характеристики, которыми должна обладать молекула для связывания с мишенью. [36] Модель биологической мишени может быть построена на основе знания того, что с ней связывается, и эта модель, в свою очередь, может быть использована для разработки новых молекулярных объектов, которые взаимодействуют с мишенью. В качестве альтернативы, может быть получена количественная связь структура-активность (QSAR), в которой корреляция между рассчитанными свойствами молекул и их экспериментально определенной биологической активностью . Эти связи QSAR, в свою очередь, могут быть использованы для прогнозирования активности новых аналогов. [37]

На основе структуры

Структурно-ориентированный дизайн лекарств (или прямой дизайн лекарств ) опирается на знание трехмерной структуры биологической мишени, полученное с помощью таких методов, как рентгеновская кристаллография или ЯМР-спектроскопия . [38] Если экспериментальная структура мишени недоступна, может быть возможным создание гомологической модели мишени на основе экспериментальной структуры родственного белка. Используя структуру биологической мишени, кандидаты на лекарства, которые, как прогнозируется, будут связываться с мишенью с высоким сродством и селективностью , могут быть разработаны с помощью интерактивной графики и интуиции медицинского химика . В качестве альтернативы, различные автоматизированные вычислительные процедуры могут быть использованы для предложения новых кандидатов на лекарства. [39]

Текущие методы структурно-ориентированного дизайна лекарств можно условно разделить на три основные категории. [40] Первый метод заключается в идентификации новых лигандов для данного рецептора путем поиска в больших базах данных трехмерных структур малых молекул с целью найти те, которые соответствуют связывающему карману рецептора с использованием быстрых программ приблизительной стыковки . Этот метод известен как виртуальный скрининг .

Вторая категория — это de novo дизайн новых лигандов. В этом методе молекулы лигандов создаются в рамках ограничений связывающего кармана путем поэтапной сборки небольших фрагментов. Эти фрагменты могут быть как отдельными атомами, так и молекулярными фрагментами. Ключевым преимуществом такого метода является то, что могут быть предложены новые структуры, не содержащиеся ни в одной базе данных. [41] [42] [43] Третий метод — это оптимизация известных лигандов путем оценки предлагаемых аналогов в связывающей полости. [40]

Идентификация места связывания

Идентификация сайта связывания является первым шагом в структурно-ориентированном дизайне. [20] [44] Если структура мишени или достаточно похожего гомолога определяется в присутствии связанного лиганда, то лиганд должен быть наблюдаемым в структуре, и в этом случае местоположение сайта связывания является тривиальным. Однако могут быть незанятые аллостерические сайты связывания , которые могут представлять интерес. Кроме того, может быть, что доступны только структуры апопротеина (белка без лиганда), и надежная идентификация незанятых сайтов, которые имеют потенциал для связывания лигандов с высоким сродством, является нетривиальной. Короче говоря, идентификация сайта связывания обычно основана на идентификации вогнутых поверхностей на белке, которые могут вмещать молекулы размером с лекарство, которые также обладают соответствующими «горячими точками» ( гидрофобными поверхностями, сайтами водородных связей и т. д.), которые управляют связыванием лиганда. [20] [44]

Функции подсчета очков

Структурно-ориентированный дизайн лекарств пытается использовать структуру белков в качестве основы для проектирования новых лигандов, применяя принципы молекулярного распознавания . Избирательное связывание с высокой степенью сродства к мишени обычно желательно, поскольку оно приводит к более эффективным препаратам с меньшим количеством побочных эффектов. Таким образом, одним из важнейших принципов проектирования или получения потенциальных новых лигандов является прогнозирование сродства связывания определенного лиганда с его мишенью (и известными антимишенями ) и использование прогнозируемого сродства в качестве критерия для отбора. [45]

Одна из первых эмпирических функций оценки общего назначения для описания энергии связывания лигандов с рецепторами была разработана Бёмом. [46] [47] Эта эмпирическая функция оценки имела вид:

где:

Более общее термодинамическое «главное» уравнение выглядит следующим образом: [48]

где:

Основная идея заключается в том, что общая свободная энергия связывания может быть разложена на независимые компоненты, которые, как известно, важны для процесса связывания. Каждый компонент отражает определенный вид изменения свободной энергии в процессе связывания между лигандом и его целевым рецептором. Основное уравнение представляет собой линейную комбинацию этих компонентов. Согласно уравнению свободной энергии Гиббса, была построена связь между константой равновесия диссоциации, K d , и компонентами свободной энергии.

Различные вычислительные методы используются для оценки каждого из компонентов основного уравнения. Например, изменение площади полярной поверхности при связывании лиганда может быть использовано для оценки энергии десольватации. Количество вращающихся связей, замороженных при связывании лиганда, пропорционально члену движения. Конфигурационная или деформационная энергия может быть оценена с использованием расчетов молекулярной механики . Наконец, энергия взаимодействия может быть оценена с использованием таких методов, как изменение неполярной поверхности, статистически полученные потенциалы средней силы , количество образованных водородных связей и т. д. На практике компоненты основного уравнения подгоняются под экспериментальные данные с использованием множественной линейной регрессии. Это можно сделать с помощью разнообразного обучающего набора, включающего множество типов лигандов и рецепторов, чтобы создать менее точную, но более общую «глобальную» модель или более ограниченный набор лигандов и рецепторов, чтобы создать более точную, но менее общую «локальную» модель. [49]

Примеры

Конкретный пример рационального дизайна лекарств включает использование трехмерной информации о биомолекулах, полученной с помощью таких методов, как рентгеновская кристаллография и ЯМР-спектроскопия. Компьютерный дизайн лекарств, в частности, становится гораздо более податливым, когда есть структура высокого разрешения целевого белка, связанного с мощным лигандом. Этот подход к открытию лекарств иногда называют дизайном лекарств на основе структуры. Первым недвусмысленным примером применения дизайна лекарств на основе структуры, приводящим к одобренному лекарству, является ингибитор карбоангидразы дорзоламид , который был одобрен в 1995 году. [50] [51]

Другим примером рационального дизайна лекарств является иматиниб , ингибитор тирозинкиназы , разработанный специально для белка слияния bcr-abl , который характерен для лейкемии с положительной филадельфийской хромосомой ( хронический миелоидный лейкоз и иногда острый лимфоцитарный лейкоз ). Иматиниб существенно отличается от предыдущих препаратов для лечения рака , поскольку большинство агентов химиотерапии просто нацелены на быстро делящиеся клетки, не различая раковые клетки и другие ткани. [52]

Дополнительные примеры включают:

Проверка на наркотики

Типы скрининга лекарств включают фенотипический скрининг , высокопроизводительный скрининг и виртуальный скрининг . Фенотипический скрининг характеризуется процессом скрининга лекарств с использованием клеточных или животных моделей заболеваний для выявления соединений, которые изменяют фенотип и оказывают полезные эффекты, связанные с заболеванием. [54] [55]  Новые технологии в высокопроизводительном скрининге существенно повышают скорость обработки и уменьшают требуемый объем обнаружения. [56] Виртуальный скрининг выполняется компьютером, что позволяет проводить скрининг большого количества молекул за короткий цикл и с низкими затратами. Виртуальный скрининг использует ряд вычислительных методов, которые позволяют химикам сокращать обширные виртуальные библиотеки до более управляемых размеров. [57]

Примеры исследований

Критика

Утверждалось, что крайне жесткая и целенаправленная природа рационального дизайна лекарств подавляет случайность в открытии лекарств. [58]

Смотрите также

Ссылки

  1. ^ Мэдсен У, Крогсгаард-Ларсен П, Лильефорс Т (2002). Учебник по разработке и открытию лекарств . Вашингтон, округ Колумбия: Тейлор и Фрэнсис. ISBN 978-0-415-28288-8.
  2. ^ abc Reynolds CH, Merz KM, Ringe D, ред. (2010). Разработка лекарств: подходы, основанные на структуре и лигандах (1-е изд.). Кембридж, Великобритания: Cambridge University Press. ISBN 978-0521887236.
  3. ^ ab Fosgerau K, Hoffmann T (январь 2015 г.). «Пептидная терапия: текущее состояние и будущие направления». Drug Discovery Today . 20 (1): 122–128. doi : 10.1016/j.drudis.2014.10.003 . PMID  25450771.
  4. ^ ab Ciemny M, Kurcinski M, Kamel K, Kolinski A, Alam N, Schueler-Furman O, Kmiecik S (август 2018 г.). «Белково-пептидная стыковка: возможности и проблемы». Drug Discovery Today . 23 (8): 1530–1537. doi : 10.1016/j.drudis.2018.05.006 . PMID  29733895.
  5. ^ Шираи Х., Прадес С., Вита Р., Маркатили П., Попович Б., Сюй Дж. и др. (ноябрь 2014 г.). «Информатика антител для открытия лекарств». Biochimica et Biophysical Acta (BBA) - Белки и протеомика . 1844 (11): 2002–2015. дои : 10.1016/j.bbapap.2014.07.006. ПМИД  25110827.
  6. ^ Tollenaere JP (апрель 1996 г.). «Роль структурно-ориентированного проектирования лигандов и молекулярного моделирования в разработке лекарств». Pharmacy World & Science . 18 (2): 56–62. doi :10.1007/BF00579706. PMID  8739258. S2CID  21550508.
  7. ^ Waring MJ, Arrowsmith J, Leach AR, Leeson PD, Mandrell S, Owen RM и др. (Июль 2015 г.). «Анализ отсева кандидатов на лекарственные препараты из четырех крупных фармацевтических компаний». Nature Reviews. Drug Discovery . 14 (7): 475–486. doi :10.1038/nrd4609. PMID  26091267. S2CID  25292436.
  8. ^ Yu H, Adedoyin A (сентябрь 2003 г.). «ADME-Tox в разработке лекарств: интеграция экспериментальных и вычислительных технологий». Drug Discovery Today . 8 (18): 852–861. doi :10.1016/S1359-6446(03)02828-9. PMID  12963322.
  9. ^ Dixon SJ, Stockwell BR (декабрь 2009 г.). «Идентификация лекарственных препаратов, модифицирующих заболевания генных продуктов». Current Opinion in Chemical Biology . 13 (5–6): 549–555. doi :10.1016/j.cbpa.2009.08.003. PMC 2787993. PMID  19740696 . 
  10. ^ Имминг П., Синнинг К., Мейер А. (октябрь 2006 г.). «Лекарства, их цели и природа и количество целей лекарств». Nature Reviews. Drug Discovery . 5 (10): 821–834. doi :10.1038/nrd2132. PMID  17016423. S2CID  8872470.
  11. ^ Андерсон AC (сентябрь 2003 г.). «Процесс структурно-ориентированного проектирования лекарств». Химия и биология . 10 (9): 787–797. doi : 10.1016/j.chembiol.2003.09.002 . PMID  14522049.
  12. ^ Recanatini M, Bottegoni G, Cavalli A (декабрь 2004 г.). «In silico antitarget screening». Drug Discovery Today: Technologies . 1 (3): 209–215. doi :10.1016/j.ddtec.2004.10.004. PMID  24981487.
  13. ^ Ву-Понг С., Роджанасакул Ю. (2008). Проектирование и разработка биофармацевтических лекарств (2-е изд.). Тотова, Нью-Джерси Humana Press: Humana Press. ISBN 978-1-59745-532-9.
  14. ^ Scomparin A, Polyak D, Krivitsky A, Satchi-Fainaro R (ноябрь 2015 г.). «Достижение успешной доставки олигонуклеотидов — от физико-химической характеристики до оценки in vivo». Biotechnology Advances . 33 (6 Pt 3): 1294–1309. doi :10.1016/j.biotechadv.2015.04.008. PMID  25916823.
  15. ^ Юсеф М., Хитти С., Пуппин Чавес Фулбер Дж., Камен А.А. (октябрь 2023 г.). «Возможность применения мРНК-терапии: текущая ситуация и проблемы в производстве». Биомолекулы . 13 (10): 1497. doi : 10.3390/biom13101497 . ПМЦ 10604719 . ПМИД  37892179. 
  16. ^ Sahin U, Karikó K, Türeci Ö (октябрь 2014 г.). «терапия на основе мРНК — разработка нового класса лекарств». Nature Reviews. Drug Discovery . 13 (10): 759–780. doi : 10.1038/nrd4278 . PMID  25233993. S2CID  27454546.
  17. ^ Суинни DC, Ли JA (2020). «Последние достижения в области фенотипического открытия лекарств». F1000Research . 9 : F1000 Faculty Rev–944. doi : 10.12688/f1000research.25813.1 . PMC 7431967. PMID  32850117 . 
  18. ^ Moffat JG, Vincent F, Lee JA, Eder J, Prunotto M (август 2017 г.). «Возможности и проблемы в фенотипическом открытии лекарств: перспектива отрасли». Nature Reviews. Drug Discovery . 16 (8): 531–543. doi : 10.1038/nrd.2017.111 . PMID  28685762. S2CID  6180139.
  19. ^ Ганеллин CR, Джефферис R, Робертс SM (2013). «Процесс открытия малых молекулярных препаратов — от выбора цели до выбора кандидата». Введение в исследования и разработки биологических и малых молекулярных препаратов: теория и примеры . Elsevier. ISBN 9780123971760.
  20. ^ abc Yuan Y, Pei J, Lai L (декабрь 2013 г.). «Обнаружение мест связывания и прогнозирование лекарственной активности белковых мишеней для разработки лекарственных препаратов на основе структуры». Current Pharmaceutical Design . 19 (12): 2326–2333. doi :10.2174/1381612811319120019. PMID  23082974.
  21. ^ Rishton GM (январь 2003 г.). «Несвинцовое сходство и свинцовое сходство в биохимическом скрининге». Drug Discovery Today . 8 (2): 86–96. doi :10.1016/s1359644602025722. PMID  12565011.
  22. ^ Хопкинс AL (2011). «Глава 25: Фармакологическое пространство». В Wermuth CG (ред.). Практика медицинской химии (3-е изд.). Academic Press. стр. 521–527. ISBN 978-0-12-374194-3.
  23. ^ Kirchmair J (2014). Прогнозирование метаболизма лекарств . Методы и принципы медицинской химии Wiley. Т. 63. Wiley-VCH. ISBN 978-3-527-67301-8.
  24. ^ Николау КА, Браун Н (сентябрь 2013 г.). «Многоцелевые методы оптимизации в разработке лекарств». Drug Discovery Today: Technologies . 10 (3): e427–e435. doi :10.1016/j.ddtec.2013.02.001. PMID  24050140.
  25. ^ Ban TA (2006). «Роль счастливой случайности в открытии лекарств». Dialogues in Clinical Neuroscience . 8 (3): 335–344. doi :10.31887/DCNS.2006.8.3/tban. PMC 3181823. PMID  17117615 . 
  26. ^ Ethiraj SK, Levinthal D (сентябрь 2004 г.). «Ограниченная рациональность и поиск организационной архитектуры: эволюционная перспектива проектирования организаций и их способности к развитию». Administrative Science Quarterly . 49 (3). Sage Publications, Inc. от имени Высшей школы менеджмента Джонсона, Корнелльский университет: 404–437. doi :10.2307/4131441. JSTOR  4131441. S2CID  142910916. SSRN  604123.
  27. ^ Льюис РА (2011). "Глава 4: Разработка программ молекулярного моделирования: использование и ограничения физических моделей". В Gramatica P, Ливингстон DJ, Дэвис AM (ред.). Стратегии разработки лекарств: количественные подходы . RSC Drug Discovery. Королевское химическое общество. стр. 88–107. doi :10.1039/9781849733410-00088. ISBN 978-1849731669.
  28. ^ Раджамани Р., Гуд АС (май 2007 г.). «Ранжирование поз в структурно-ориентированном лид-открытии и оптимизации: текущие тенденции в разработке оценочной функции». Текущее мнение в области обнаружения и разработки лекарств . 10 (3): 308–315. PMID  17554857.
  29. ^ de Azevedo WF, Dias R (декабрь 2008 г.). «Вычислительные методы расчета сродства связывания лиганда». Current Drug Targets . 9 (12): 1031–1039. doi :10.2174/138945008786949405. PMID  19128212.
  30. ^ Singh J, Chuaqui CE, Boriack-Sjodin PA, Lee WC, Pontz T, Corbley MJ и др. (декабрь 2003 г.). «Успешный виртуальный скрининг на основе формы: открытие мощного ингибитора рецепторной киназы TGFbeta типа I (TbetaRI)». Bioorganic & Medicinal Chemistry Letters . 13 (24): 4355–4359. doi :10.1016/j.bmcl.2003.09.028. PMID  14643325.
  31. ^ Becker OM, Dhanoa DS, Marantz Y, Chen D, Shacham S, Cheruku S и др. (июнь 2006 г.). «Интегрированное in silico 3D-моделирование, основанное на открытии нового, мощного и селективного агониста амидосульфонамида 5-HT1A (PRX-00023) для лечения тревожности и депрессии». Journal of Medicinal Chemistry . 49 (11): 3116–3135. doi :10.1021/jm0508641. PMID  16722631.
  32. ^ Liang S, Meroueh SO, Wang G, Qiu C, Zhou Y (май 2009). «Консенсусная оценка для обогащения почти нативных структур из белок-белковых стыковочных ловушек». Белки . 75 (2): 397–403. doi :10.1002/prot.22252. PMC 2656599 . PMID  18831053. 
  33. ^ Ода А., Цучида К., Такакура Т., Ямаотсу Н., Хироно С. (2006). «Сравнение стратегий оценки консенсуса для оценки вычислительных моделей комплексов белок-лиганд». Журнал химической информации и моделирования . 46 (1): 380–391. doi :10.1021/ci050283k. PMID  16426072.
  34. ^ Дэн З., Чуаки С., Сингх Дж. (январь 2004 г.). «Отпечаток структурного взаимодействия (SIFt): новый метод анализа трехмерных взаимодействий связывания белка с лигандом». Журнал медицинской химии . 47 (2): 337–344. doi :10.1021/jm030331x. PMID  14711306.
  35. ^ Amari S, Aizawa M, Zhang J, Fukuzawa K, Mochizuki Y, Iwasawa Y и др. (2006). "VISCANA: визуализированный кластерный анализ взаимодействия белка с лигандом на основе метода молекулярных орбиталей фрагментов ab initio для виртуального скрининга лигандов". Journal of Chemical Information and Modeling . 46 (1): 221–230. doi :10.1021/ci050262q. PMID  16426058.
  36. ^ Guner OF (2000). Восприятие, разработка и использование фармакофора в разработке лекарств . Ла-Хойя, Калифорния: Международная университетская линия. ISBN 978-0-9636817-6-8.
  37. ^ Tropsha A (2010). «QSAR в разработке лекарств». В Reynolds CH, Merz KM, Ringe D (ред.). Разработка лекарств: подходы, основанные на структуре и лигандах (1-е изд.). Кембридж, Великобритания: Cambridge University Press. стр. 151–164. ISBN 978-0521887236.
  38. ^ Лич А.Р., Харрен Дж. (2007). Открытие лекарств на основе структуры . Берлин: Шпрингер. ISBN 978-1-4020-4406-9.
  39. ^ Mauser H, Guba W (май 2008). «Последние разработки в области de novo дизайна и перехода по строительным лесам». Current Opinion in Drug Discovery & Development . 11 (3): 365–374. PMID  18428090.
  40. ^ ab Klebe G (2000). «Последние разработки в области структурно-ориентированного дизайна лекарств». Журнал молекулярной медицины . 78 (5): 269–281. doi :10.1007/s001090000084. PMID  10954199. S2CID  21314020.
  41. ^ Ван Р., Гао И., Лай Л. (2000). «LigBuilder: многоцелевая программа для структурно-ориентированного проектирования лекарств». Журнал молекулярного моделирования . 6 (7–8): 498–516. doi :10.1007/s0089400060498. S2CID  59482623.
  42. ^ Шнайдер Г., Фехнер У. (август 2005 г.). «Компьютерное de novo проектирование молекул, подобных лекарствам». Nature Reviews. Drug Discovery . 4 (8): 649–663. doi :10.1038/nrd1799. PMID  16056391. S2CID  2549851.
  43. ^ Jorgensen WL (март 2004 г.). «Множественные роли вычислений в открытии лекарств». Science . 303 (5665): 1813–1818. Bibcode :2004Sci...303.1813J. doi :10.1126/science.1096361. PMID  15031495. S2CID  1307935.
  44. ^ ab Leis S, Schneider S, Zacharias M (2010). «Прогнозирование in silico участков связывания на белках». Current Medicinal Chemistry . 17 (15): 1550–1562. doi :10.2174/092986710790979944. PMID  20166931.
  45. ^ Warren GL, Warren SD (2011). "Глава 16: Оценка взаимодействия лекарств и рецепторов". В Gramatica P, Livingstone DJ, Davis AM (ред.). Стратегии разработки лекарств: количественные подходы . RSC Drug Discovery. Королевское химическое общество. стр. 440–457. doi :10.1039/9781849733410-00440. ISBN 978-1849731669.
  46. ^ Böhm HJ (июнь 1994). «Разработка простой эмпирической функции оценки для оценки константы связывания для комплекса белок-лиганд известной трехмерной структуры». Журнал компьютерного молекулярного проектирования . 8 (3): 243–256. Bibcode : 1994JCAMD...8..243B. doi : 10.1007/BF00126743. PMID  7964925. S2CID  2491616.
  47. ^ Лю Дж., Ван Р. (март 2015 г.). «Классификация текущих функций оценки». Журнал химической информации и моделирования . 55 (3): 475–482. doi :10.1021/ci500731a. PMID  25647463.
  48. ^ Murcko MA (декабрь 1995 г.). «Вычислительные методы прогнозирования свободной энергии связывания в комплексах лиганд-рецептор». Журнал медицинской химии . 38 (26): 4953–4967. doi :10.1021/jm00026a001. PMID  8544170.
  49. ^ Gramatica P (2011). "Глава 17: Моделирование химических веществ в окружающей среде". В Gramatica P, Ливингстон DJ, Дэвис AM (ред.). Стратегии разработки лекарств: количественные подходы . RSC Drug Discovery. Королевское химическое общество. стр. 466. doi :10.1039/9781849733410-00458. ISBN 978-1849731669.
  50. ^ Greer J, Erickson JW, Baldwin JJ, Varney MD (апрель 1994 г.). «Применение трехмерных структур целевых молекул белка в разработке лекарственных препаратов на основе структуры». Журнал медицинской химии . 37 (8): 1035–1054. doi :10.1021/jm00034a001. PMID  8164249.
  51. ^ Timmerman H, Gubernator K, Böhm HJ, Mannhold R, Kubinyi H (1998). Structure-based Ligand Design (Methods and Principles in Medicinal Chemistry) . Weinheim: Wiley-VCH. ISBN 978-3-527-29343-8.
  52. ^ Capdeville R, Buchdunger E, Zimmermann J, Matter A (июль 2002 г.). «Гливек (STI571, иматиниб), рационально разработанный таргетный противораковый препарат». Nature Reviews. Drug Discovery . 1 (7): 493–502. doi :10.1038/nrd839. PMID  12120256. S2CID  2728341.
  53. ^ "Роль AutoDock в разработке первого клинически одобренного ингибитора интегразы ВИЧ". Пресс-релиз . Научно-исследовательский институт Скриппса. 2007-12-17.
  54. ^ Prior M, Chiruta C, Currais A, Goldberg J, Ramsey J, Dargusch R и др. (Июль 2014 г.). «Назад в будущее с фенотипическим скринингом». ACS Chemical Neuroscience . 5 (7): 503–513. doi :10.1021/cn500051h. PMC 4102969 . PMID  24902068. 
  55. ^ Kotz J (апрель 2012 г.). «Фенотипический скрининг, дубль два». Science-Business EXchange . 5 (15): 380. doi : 10.1038/scibx.2012.380 . ISSN  1945-3477. S2CID  72519717.
  56. ^ Hertzberg RP, Pope AJ (август 2000 г.). «Высокопроизводительный скрининг: новая технология для 21-го века». Current Opinion in Chemical Biology . 4 (4): 445–451. doi :10.1016/S1367-5931(00)00110-1. PMID  10959774.
  57. ^ Walters WP, Stahl MT, Murcko MA (апрель 1998 г.). «Виртуальный скрининг — обзор». Drug Discovery Today . 3 (4): 160–178. doi :10.1016/S1359-6446(97)01163-X.
  58. ^ Кляйн ДФ (март 2008 г.). «Утрата счастливой случайности в психофармакологии». JAMA . 299 (9): 1063–1065. doi :10.1001/jama.299.9.1063. PMID  18319418.

Внешние ссылки