12. Vorlesung Modern Methods in Drug Discovery WS04/05 1
Aktuelle Trends
Bioinformatik
Stoff dieser Vorlesung
12. Vorlesung Modern Methods in Drug Discovery WS04/05 2
Optimierungszyklus in derdrug discovery pipeline
Source: D.K. Agrafiotis et al. Nature.Rev.Drug.Discov. 1 (2002) 337.
12. Vorlesung Modern Methods in Drug Discovery WS04/05 3
Typische Targets
Anteil am menschlichen Genom und Pharmaka am Markt
12. Vorlesung Modern Methods in Drug Discovery WS04/05 4
Targets nach Funktion
Enzyme: Kinasen, Proteasen
G-Protein gekoppelte Rezeptoren (GPCR)
Ionen-Kanäle: Kaliumkanal (hERG), Ca-Kanal
Nukleare Rezeptoren, DNA
Sonstige Rezeptoren
Transporter
Literatur zu GPCR und Signal Netzwerken
M.J. Marinissen & J.S. Gutkind Trends in Pharmacological Sciences 22 (2001) 368.
12. Vorlesung Modern Methods in Drug Discovery WS04/05 5
GPCRs und andere Targets
ion channelN
C
ligand
G-proteincomplex
adenylatcyclase
inactiveenzymes
ATPcAMP
proteinkinase A
P
activeenzymes
nucleus
transcriptionfactors
gene expressionregulation
12. Vorlesung Modern Methods in Drug Discovery WS04/05 6
Rhodopsin (I)
Lit: D.C. Teller et al. Biochemistry 40 (2001) 77611HZX.pdb
cytoplasmic side
extracellular side
12. Vorlesung Modern Methods in Drug Discovery WS04/05 7
1HZX.pdb
Rhodopsin (II)G-protein Bindungsstellen
Bindungsstelle des Liganden
12. Vorlesung Modern Methods in Drug Discovery WS04/05 8
G-protein coupled receptors
G-protein gekoppelte Rezeptoren bilden eine große Superfamilie von Enzymen die an der Zelloberfläche lokalisiert sind. Sie leiten eine Reihe von Signalen in die Zelle weiter, z.B. hormonelle, visuelle und neuronelle. Zur Zeit gruppiert man menschliche GPCRs in 3 große Familien:
family A: rhodopsin-like or adrenergic-receptor-like
family B: glucagon-receptor-like or secretin-receptor-like
family C: metabotopic-glutamate-receptor-like
12. Vorlesung Modern Methods in Drug Discovery WS04/05 9
Orphan GPCRs
Bezeichnung für G-protein gekoppelte Rezeptoren die man im Genom identifiziert hat, deren Liganden man aber (noch) nicht kennt.
Die Bestrebungen entsprechende Liganden zu finden, z.B. mittels Screening werden als deorphanizing bezeichnet.
12. Vorlesung Modern Methods in Drug Discovery WS04/05 10
Pharmaka nach Funktion
Losec (omeprazole) ion channel ATPase inhibitor
Viagra (sildenafil) enzyme PDE inhibitor
Zocor (simvastatin) enzyme HMG-CoA inhibitor
Lipitor (atorvastatin) enzyme HMG-CoA inhibitor
Norvasc (amlodipine) ion channel
Claritin (laratadine) GPCR
Celebrex (celecoxib) enzyme COX-2-inhibitor
Prozac (fluoxetine) GPCR 5-HT transporter
Auswahl der meistenverkauften der letzten Jahre
12. Vorlesung Modern Methods in Drug Discovery WS04/05 11
Prodrugs
Eigentlicher Wirkstoff ist der Hauptmetabolit des Medikaments
Beispiel: Esterspaltung
O
COOH
CH3 O
OH
COOH
Acetylsalicylsäure Salicylsäure
12. Vorlesung Modern Methods in Drug Discovery WS04/05 12
Statine als HMG-CoA Reduktase HemmerProdrug ist ein Lacton, dessen Metabolit wirksam ist
O
COOH
SCoA
OH
CH3
OH
COOHOH
CH3
HMG-CoA
mevalonic acid
HMG-CoAReductase
cholesterolbiosynthesis
OOH
HO
H
CH3
H
CH3
OCH3
O
CH3
lovastatin
OH
COOHOH
H
H
CH3
H
CH3
OCH3
O
CH3
active metabolite
mevinolin
Ki = 1 nM
12. Vorlesung Modern Methods in Drug Discovery WS04/05 13
Antivirale Nucleosidanaloga Nucleoside denen die 3‘-OH Gruppe fehlt führen zum Abbruch der DNA-Synthese
OH O
H
N
N
OH
O
CH3
O
H
3'
Thymidine
OP O
H
N
NO
O
O 3
OH
O
CH3
O
HTymidineKinase
NucleosiddiphosphatKinase
OP O
H
N
NO
O
OH
O
CH3
O
H
OP O
H
N
NO
O
O
O
O
CH3
O
H
DNA-Polymerase
OH O
H
N
N
H
O
CH3
O
H
OP O
H
N
NO
O
O 3
H
O
CH3
O
H
3'
D4T
TymidineKinase
NucleosiddiphosphatKinase
12. Vorlesung Modern Methods in Drug Discovery WS04/05 14
Mehrstufige Prodrugs -Methyldopa-Phe wird über den Dipeptid-Transporter aktiv aufgenommen.
OH
OH
NCH3 NH2
O
H
COOHOH
OH
OHCH3 NH2
Ofirst passmetabolism
-Methyldopa-Phe -Methyldopa
OH
OH
OHCH3 NH2
O
AminosäurenTransporterBlut-Hirn Schranke
OH
OHCH3
NH2
OHDecarboxylierung
Hydroxylierung
-Methylnoreprinephrine
-Methylnoreprinephrine ist ein 2 Agonist(falscher Neurotransmitter)
12. Vorlesung Modern Methods in Drug Discovery WS04/05 15
4D und 5D QSAR
3D QSAR: Information aus der 3D-Struktur wird benutzt
3D-Deskriptoren, Pharmacophormodelle
4D und 5D QSAR: multiple Konformationen
multiples Docking
Lit: M. Dobler et al. Helvetica Chim. Acta 86 (2003) 1554
12. Vorlesung Modern Methods in Drug Discovery WS04/05 16
Multiple Konformation beim Docking (I)
Die Bindungstasche vieler Cytochrom P450 Enzyme (v.a. CYP3A4 und CYP2D6) ist groß genug, um ein Substrat in verschiedenen Orientierungen zu binden, was zu unter-schiedlichen Produkten führt.
Die prinzipielle Reaktivität einer bestimmten Molekülstelle läßt sich mit bereits mit quanten-chemischen Rechnungen abschätzen.
Lit: M. de Groot et al. J.Med.Chem. 42 (1999) 4062S.B. Singh et al. J.Med.Chem. 46 (2003) 1330
12. Vorlesung Modern Methods in Drug Discovery WS04/05 17
Multiple Konformation beim Docking (II)
Lit: Park & Harris J.Med.Chem. 46 (2003) 1645
Neben der Information über die Reaktivität einer bestimmten Molekülstelle benötigt man also auch die Wahrscheinlichkeit der zugehörigen Bindungsposition, durch statistische Auswertung von• einer Vielzahl von Dockingergebnissen, oder• Moleküldynamik Simulationen
12. Vorlesung Modern Methods in Drug Discovery WS04/05 18
Drug / Non-Drug Erkennung (1)
Kann man anhand typischer Wirkstoffeigenschaften die potentielle Eignung einer Verbindung vorhersagen ?
Ansätze:
Erkennen typischer Eigenschaften von Verbindungen in Datenbanken die (fast) auschließlich Pharmaka enthalten
Beispielsweise:
World Drug Index (WDI)
Comprehensive Medicinal Chemistry (CMC)
MACCS-II Drug Report (MDDR)
12. Vorlesung Modern Methods in Drug Discovery WS04/05 19
Drug / Non-Drug Erkennung (2)Die häufigsten Gerüstfragmente von Pharmaka
CH2n
n=1-7
Lit: G.W.Bemis & M.M.Murcko, J.Med.Chem. 39 (1996) 2887
12. Vorlesung Modern Methods in Drug Discovery WS04/05 20
Drug / Non-Drug Erkennung (3)
Wenn ein bestimmtes Gerüstfragment oder eine Seitenkette nicht besonders häufig vorkommt, heißt nicht zwangsläufig, daß dieses unbedeutend oder ungeeignet ist.
Vielmehr wird dieses Fragment möglicherweise• Schwierig zu synthetisieren sein, oder• Neuartig sein, oder• Ungünstige Eigenschaften aufweisen
12. Vorlesung Modern Methods in Drug Discovery WS04/05 21
Drug / Non-Drug Erkennung (4)
Beispiele von funktionellen Gruppen mit ungünstigen Eigenschaften
RS
Cl
OOR1
R2
P
R
O
Cl
R1N
NR2
mutagen toxisch
reaktiv
cancerogen
Solche Gruppen sollten nicht im fertigen Pharmaka auftauchen, können aber für die Synthese von Bedeutung sein
12. Vorlesung Modern Methods in Drug Discovery WS04/05 22
Drug / Non-Drug Erkennung (5)
Weiterer Ansatz:
Vergleich von Verbindungen in einer Datenbank die auschließlich Pharmaka enthält (World Drug Index) mit Substanzen aus einer Datenbank die vorwiegend nicht-pharmazeutische Sunstanzen enthält(Available Chemical Directory).
12. Vorlesung Modern Methods in Drug Discovery WS04/05 23
Drug / Non-Drug Erkennung (6)
Klassifizierung der Verbindungen anhand ihrer Atomtypen mittels eines neuronalen Netzes
Lit: J. Sadowski & H. Kubinyi J.Med.Chem. 41 (1998) 3325.
Increasing drug-likeness
Training set 10000 compounds
Test set 207747 compounds
12. Vorlesung Modern Methods in Drug Discovery WS04/05 24
N
NS
O
O OH
OH
HN
NO
O
O OH
OH
H
N
N
N
OMe
OMe
H
N
N
N
SMe
OMe
H
N N
Cl
NH2
N
NO
OH
OHOH N N
NH2
F
N
NO
OH
OHOH
O
Cl
OH
OCOOH
OH
O
F
OH
OCOOH
OH
0.78 0.74
0.78 0.74
0.79 0.78
0.93 0.93
Drug / Non-Drug Erkennung (7)Verbindungen für die ein hoher drug-likeness score vorausgesagt wurde:
ACD WDI
Lit: J. Sadowski & H. Kubinyi J.Med.Chem. 41 (1998) 3325.
Fa
lsch
po
sitiv
e
12. Vorlesung Modern Methods in Drug Discovery WS04/05 25
Drug / Non-Drug Erkennung (8)
Klassifizierung der Verbindungen anhand ihres ISIS fingerprints (Set von 73 Deskriptoren die das Vorhandensein von strukturellen, topologischen und chemischen Eigenschaften bzw. Gruppen kodieren)
Ermöglicht den Vergleich der Verbinungen anhand ihrer Similarität über den Tanimoto-Index
Lit: Ajay et al. J.Med.Chem. 41 (1998) 3314.
Diese 73 binären Deskriptoren dienen als Inputlayer für ein neuronales Netz, das mit Verbindungen aus Wirkstoffdatenbanken und der ACD trainiert wurde.
Ergebnis: etwa 80% aller Verbindungen werden richtig eingestuft.
12. Vorlesung Modern Methods in Drug Discovery WS04/05 26
Drug / Non-Drug Erkennung (9)
Klassifizierung der Verbindungen anhand von Atomtypen die sog. pharmacophore points repräsentieren:
Zu diesen funktionellen Gruppen gehören u.a.
NHR, C(=O)NH, OH, C=O, C(=O)OR, SO2, SO2NH
Vorauswahl: Eine Verbindung ist möglicherweise drug-like, wenn sie mindestens einen Ring und zwischen 2 und 7 solcher Gruppen enthält.
Lit: J.Muegge et al. J.Med.Chem. 44 (2001) 1841.
Anhand der Zugehörigkeit zu einem solchen pharamacophore point werden die Atome eines Moleküls klassifiziert und als Input für ein neuronales Netz verwendet.
Auch hier wird die ACD mit anderen Datenbanken, die vorwiegend Wirkstoffe enthalten verglichen.
12. Vorlesung Modern Methods in Drug Discovery WS04/05 27
Drug / Non-Drug Erkennung (10)
Klassifizierung der Verbindungen anhand topologischer Deskriptoren mittels eines neuronalen Netzes
Lit: M.Murcia-Soler et al. J.Chem.Inf.Comput.Sci. 43 (2003) 1688.
Increasing drug-likeness
680 Verbindungen aus dem Merck Index, davon etwa 76 % richtig klassifiziert
12. Vorlesung Modern Methods in Drug Discovery WS04/05 28
Drug / Non-Drug Erkennung (11)
Klassifizierung der Verbindungen mit Hilfe eines decision tree. Dabei werden Atomtypen verwendet die bestimmte funktionelle Gruppen repräsentieren.
Lit: M.Wagner et al. J.Chem.Inf.Comput.Sci. 40 (2001) 280.
Vorteile eines decision tree gegenüber einem neuronalen Netz:Die Kriterien der Einteilung lassen sich an jeder Gabelung nachverfolgen und dafür der jeweilige Fehler angeben.
Ergebnis:
• ¾ aller Verbinungen lassen sich anhand der Anwesenheit von 6 chemischen Gruppen klassifizieren
• Non-drugs besitzten meistens zu wenig solcher funktionellen Gruppen
12. Vorlesung Modern Methods in Drug Discovery WS04/05 29
Drug / Non-Drug Erkennung (12)
Vorläufiges Fazit:
Weder anhand von (Sub-)Strukturfragmenten, topologischen Eigenschaften, noch anhand von Atomtypen läßt sich eine Verbindung wirklich eindeutig als drug-like zuordnen. (Mehr als 95% Genauigkeit)
Offensichtlich braucht man also eine (noch) größere Vielfalt an Deskriptoren, z.B. die elektronischen Eigenschaften.
12. Vorlesung Modern Methods in Drug Discovery WS04/05 30
Drug / Non-Drug Erkennung (13)Hauptkomponentenanalyse (PCA) von 26 Deskriptoren für Verbindungen in der Maybridge Database ergab den Wert der Hauptkomponente (PC) 3 als Unterscheidungskriterium
Lit: M.Brüstle et al. J.Med.Chem. 45 (2002) 3345
12. Vorlesung Modern Methods in Drug Discovery WS04/05 31
Drug / Non-Drug Erkennung (14)Klassifizierung von Verbindungen anhand chemischer Intuition
Lit: Y.Takaoka et al. J.Chem.Inf.Comput.Sci. 43 (2003) 1269
3980 Verbindungen wurden von 5 Chemiker nach ihrerdrug-likeness und Syntheseaufwand beurteilt
12. Vorlesung Modern Methods in Drug Discovery WS04/05 32
Drug / Non-Drug Erkennung (15)Und jetzt Sie !Klassifizieren Sie die Verbindungen in drug / non-drug
Vergleichen Sie ihre Ergebnisse mit dem property prediction modul auf
http://www.organic-chemistry.org/prog/peo/index.html
N
CF3
CF3
NOH
H
CH3
ON
CH3
CH3
N
N S
H
H
O
O
CH3
CH3
CH3
NCH3
N
NN
Cl
Cl
H
H
O
OH NH2
OOH
OHOH
O
OH
OH
OH
OH
O
OH
O
OH
NO
Cl
OH
OH O
N
H
OH
12. Vorlesung Modern Methods in Drug Discovery WS04/05 33
2000 2001 2002 2003 2004
time frame
0
5000
10000
15000
20000
25000
num
ber
of h
its
CheminformaticsChemoinformatics
Which term is more accepted ?
Cheminformatics oder Chemoinformatics ?
Data source: http://www.molinspiration.com
http://www.google.de
12. Vorlesung Modern Methods in Drug Discovery WS04/05 34
Individualisierte Medizin
Variable metabolischer Umsetzung und Prädisposition(Genotyping)
Vermeidung seltener gefährlicher Nebenwirkungen (zum Teil schon gängige klinische Praxis)
Wird der damit verbunden Kostenaufwand des screenings und der klinischen Studien zu einer Beschränkung auf den genetischen Pool der Bevölkerung der Industriestaaten führen ?
Gegenbeispiel:
Das deCode genetics Programm von deCode genetics an dem viele Einwohner Islands beteiligt sind. Hierbei wird eine Datenbank erstellt um genetsiche Marker für die häufigsten Krankheiten zu finden.
http://www.decodegenetics.com/
12. Vorlesung Modern Methods in Drug Discovery WS04/05 35
Lifestyle vs. Disease (I)
Die meistverkauftesten Medikamente der letzten Jahre (Auswahl):
Simvastatin (Zocor™) HMG-CoA ReduktaseAtorvastatin (Lipitor™) HMG-CoA ReduktaseOmeprazole (Losec™) Protonenpumpe (Magen)Amlodipin (Norvasc™) Calciumkanal (Blutdruck)Erythropoiethin (Epo™) (Blutbildend)Loratadine (Claritin™) GPCR (Antiallergikum)Celecoxib (Celebrex™) COX-2 Inhibitor (Schmerz) Lansoprazol (Takepron™) ProtonenpumpeFluoxetine (Prozac™) GPCR (Antidepressivuum)Losartan (Coozar™) GPCR (Blutdruck)Sildenafil (Viagra™) Phoshodiesterase-5 Inhibitor
12. Vorlesung Modern Methods in Drug Discovery WS04/05 36
Lifestyle vs. Disease (II)
Die meisten „Blockbuster“ Medikamente wurden nicht von den Marketing Abteilungen der Firmen vorausgesagt:
Indikation
Taxomifen BrustkrebsCaptopril BluthochdruckCimetidine Geschwulstbildung im MagenFluoxetine (Prozac™) DepressionenAtorvastatin (Lipitor™) Hyperlipidaemia
Lit: J.Knowles & G.Gromo Nat.Rev.Drug.Discov. 2 (2003) 63.
12. Vorlesung Modern Methods in Drug Discovery WS04/05 37
Lifestyle vs. Disease (III) Innovative neue Medikamente der letzten Jahre
2001 Imatinib Leukämie (Tyrosinkinase Inhibitor)2001 Fondaparinux Thrombose (Antagonist)1999 Zanamivir Influenza (Virale Neuraminase Inhibitor)1999 Amprenavir HIV (Protease Inhibitor)1999 Celecoxib Arthritis (COX-2 Inhibitor)1998 Sildenafil Erectile Dysfunktion (PDE-5 Inhibitor)1998 Orlistat Übergewicht (Pankreas Lipase Inhibitor)1997 Sibutramine Übergewicht (GPCR Inhibitor)1997 Finasteride Prostata (Steroidreduktase Inhibitor)1997 Nelfinavir HIV (Protease Inhibitor)1996 Indinavir HIV (Protease Inhibitor)1996 Nevirapin HIV (Reverse Transkriptase Inhibitor)1996 Meloxicam Arthritis (COX-2 Inhibitor)1995 Dorzolamine Glaukom (Carboanhydrase Inhibitor)1995 Losartan Blutdruck (GPCR Antagonist)
12. Vorlesung Modern Methods in Drug Discovery WS04/05 38
Lifestyle vs. Disease (IV) Innovative neue Medikamente der Jahre 1982-1994:
1994 Famciclovir Herpes (DNA-Polymerase Inhibitor)1993 Risperidon Psychosen (D2 / 5HT2 Antagonist)1991 Sumatriptan Migräne (5HT1 Rezeptor Antagonist)1990 Ondansetron Antiemetikum (5HT3 Antagonist)1988 Omeprazole Magengeschwüre (Protonenpumpe)1987 Lovastatin Cholesterin (Biosynthese Inhibitor)1986 Artemisinin Anti-Malaria (Naturstoff)1985 Fluoxetine Depressionen (5HT Inhibitor)1985 Mefloquine Anti-Malaria1984 Enalapril Blutdruck (ACE-Inhibitor)1983 Cyclosporin A Immunosupressant 1982 Ranitidine Magengeschwüre (H2 Antagonist)
12. Vorlesung Modern Methods in Drug Discovery WS04/05 39
Lifestyle vs. Disease (V)
Wie definieren sich innovative Medikamente ?
• Verbessertes Wirkungsprofil• Besseres ADMET-Profil• Bessere Dareichungsform (oral anstatt intravenös)• Pro-drugs• Neue targets
12. Vorlesung Modern Methods in Drug Discovery WS04/05 40
Lifestyle vs. Disease (VI)
Die großen Herausforderungen
• Virostatika• Antibiotika (Zn--Lactamasen, Malaria)• Anti-Krebs• Anti-Demenz/Alzheimer• Zivilisationskrankheiten ?
12. Vorlesung Modern Methods in Drug Discovery WS04/05 41
Kenntnis des menschlichen Genoms
Die nun vorhandenen Kenntnisse über das menschliche Genom und die darin enthaltenen SNPs bieten zwei Ansatzpunkte:
1. Das Auffinden neuer targets (sei es auf Genom, mRNA oder Proteinebene)
2. Pharmagenomische Methoden werden zu einer individualisierten Medikamentierung (Art und Dosis) führen, v.a. bei längerfristig verabreichten Medikamenten (Blutdrucksenker, Schmerzmittel, Psychopharmaka) und solchen die eine schmale therapeutische Breite (Dosis) aufweisen (Cardiotonics, Antineoplastics)