Анализ и прогноз биологической активности соединений на основе физико-химических закономерностей тема автореферата и диссертации по химии, 02.00.04 ВАК РФ

На правах рукописи

ГРИШИНА МАРИЯ АЛЕКСАНДРОВНА

АНАЛИЗ И ПРОГНОЗ БИОЛОГИЧЕСКОЙ АКТИВНОСТИ СОЕДИНЕНИИ НА ОСНОВЕ ФИЗИКО-ХИМИЧЕСКИХ ЗАКОНОМЕРНОСТЕЙ

02.00.04 - физическая химия

Автореферат диссертации на соискание ученой степени доктора химических наук

1 2 (;:др 2012

Уфа, 2012

005012693

005012693

Работа выполнена на кафедре химии фармацевтического факультета ГБОУ ВПО Челябинской государственной медицинской академии Минздравсоцразвития России.

Официальные оппоненты: доктор химических наук, профессор

Герчиков Анатолий Яковлевич

доктор химических наук Лвдин Вячеслав Викторович

доктор биологических наук, профессор Поройков Владимир Васильевич

Ведущая организация: Государственное образовательное учреждение

высшего профессионального образования «Тверской государственный университет»

Защита состоится "_15_" _марта__2012 г. в 10 часов на заседании диссертационного совет

Д 212.013.10 в ФГБОУ ВПО «Башкирский государственный университет», по адресу: 450074, г. Уфа, ул. Заки Валиди, 32, химический факультет, ауд. 305, e-mail' dissovet2@rambIer.ru С диссертацией можно ознакомиться в библиотеке Башкирского государственного университета Ваш отзыв в одном экземпляре, заверенный гербовой печатью, просим направлять по адрес. 450074, г. Уфа, ул. Заки Валиди, 32, Башкирский государственный университет, химически факультет, ученому секретарю совета доктору хим. наук, профессору Прочухану Ю.А.

Автореферат разослан " / ty"^сСрйЛ&ЪХ2 г.

УЧЕНЫЙ СЕКРЕТАРЬ диссертационного совета доктор хим. наук, проф.

Ю.А. Прочухан

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Одним из важнейших направлений исследований современной химии является создание эффективных лекарственных препаратов. На разработку одного лекарственного препарата в среднем требуется от 5 до 16 лет с затратами, часто превышающими 1 млрд. долларов с учетом препаратов, не достигших рынка. В связи с этим важным является создание теоретических (ш ¡Шсо) методов исследования механизмов действия лекарственных средств, прогноза активности, виртуального дизайна новых препаратов. Данные подходы позволяют определить количественные взаимосвязи физико-химических характеристик процессов взаимодействия лекарственных средств с биологическими системами от параметров строения молекул, их комплексов с биологическими рецепторами. Полученные закономерности могут быть использованы в прогнозе активности новых соединений, дизайне новых эффективных лекарственных средств, что позволяет существенно снизить стоимость лекарственных средств и время на их разработку. Существующие методы требуют значительных модификаций, поскольку недостаточный учет наиболее важных видов взаимодействия в комплексах лекарственных средств с рецептором, вероятности существования различных таутомерно-конформационных форм молекул, подстройки лекарственного средства к рецептору, мультистадийности процесса биологического действия приводят к низкой прогностической ценности получаемых количественных моделей для описания биологической активности.

Целью работы является компьютерное моделирование биологического действия соединений с учетом таутомерно-конформавдонного (ТК) состояния молекул, распределения электронной плотности, взаимодействия с биологическим рецептором, возможности метаболизма для прогноза новых перспективных лекарственных средств с учетом их метаболических свойств. Научная новизна. В работе впервые осуществлено

-развитие теоретических подходов, позволяющих оценивать энергии ТК форм молекул, вероятность их существования с учетом влияния водной среды (комбинация алгоритмов МиШвеп и РгоК). Для этого предложено моделировать процессы таугомерных переходов, включающих стадии протонирования и депротонирования молекул, оценивать свободные энергии Гиббса данных процессов на основании предсказанных кислотно-основных свойств соединений;

- модифицированы 30/4Б С^АИ подходы, полученная модификация реализована в ЗОЛЮ ОБАЯ алгоритме В15/МиШсоп5огта1юпа1 (В18/МС), осуществляющем рассмотрение внешнего поля молекул, представленного в виде суммы кулоновского и ван-дер-ваальсового потенциалов; впервые наложение биологически активных соединений осуществлено с использованием процедуры самосогласованного поля, использованной ранее в методах квантовой химии;

- модифицированы сеточные ЗШ4Э (23 А Я подходы, полученная модификация реализована в ЗБ/40 (ЗБАК алгоритме СопСО, впервые осуществляющем анализ схожести биологически

активных соединений путем их наложения друг на друга до максимального совпадения электронной структуры, что позволило получить закономерности биологической активности от величин электронной плотности в узлах сетки, разбивающей результат наложения структур, осуществлять поиск фармакофорных и антифармакофорных фрагментов электронной структуры молекул с счетом их ТК состояния;

- впервые для оценки электронной плотности соединений использованы AlteQ функции, найденные с помощью данных прецизионного рентгенострукгурного анализа (РСА) и являющиеся в отличие от квантово-химических функций электронной плотности постоянными для каждого элемента Периодической Системы. Показано, что электронная плотность молекул, описанная с помощью AlteQ функций, также хорошо согласуется с данными прецизионного РСА;

- впервые предложена процедура ограниченного допинга соединений в полости рецептора, по качеству превышающая процедуру докинга с использованием существующих в мире аналогов, основанная на использовании данных РСА комплекса «рецептор-лиганд» хотя бы для одного соединения выборки и результата наложения структур, полученного алгоритмом BiS/MC.

- произведена модификация теоретических подходов для анализа строения комплексов «рецептор-лиганд», реализованная в подходе СоСоп и позволяющая устанавливать активные центры рецептора и лиганда, определять количественные взаимосвязи величины БА с параметрами строения комплексов, структура которых была установлена методами докинга, в качестве параметров строения использованы энергетические (энергии водородных связей, ван-дер-ваальсовых и кулоновских взаимодействий) и силовые характеристики, рассчитанные с использованием непараметрических подходов.

- впервые совокупность этих методов была использована для анализа различных выборок биологически активных соединений - ингибиторов дигидрофолатредуктазы, р38 MAP киназы, нейраминидазы, ингибиторов 5-HTia и ai-AR рецепторов. Кроме того, в работе рассмотрены субстралы 1А2, 2С9, ЗА4 изоформ цитохрома р450, что позволяет оценивать возможность метаболизма соединений. Полученные закономерности позволили сделать прогноз новых перспективных лекарственных средств с учетом их метаболических свойств.

- с помощью предложенных в работе подходов и моделей найдены новые эффективные соединения противоопухолевого и противовоспалительного действия, прошедшие успешные предклинические испытания.

Практическая значимость. Разработанные методы дают возможность направленного создания новых перспективных лекарственных средств с учетом возможности их метаболизма в живых организмах.

Апробация. Основные положения диссертации доложены на 13th European Symposium on Quantitative Structure-Activity Relationships (Dusseldorf, Germany, 2000), 2-ой и 3-й Всероссийских

конференциях "Молекулярное моделирование" (Москва, 2001, 2003), 33rd crystallographic course "From Genes to Drugs via Crystallography" (Erice, Italy 2002), I - V Национальной Конференции "Информационно-вычислительные технологии в решении фундаментальных научных проблем и прикладных задач химии, биологии, фармацевтики, медицины" (Москва, 2002, 2003, 2004, 2005, 2006), I Российской школе-конференции "Молекулярное моделирование в химии, биологии и медицине" (Саратов, 2002), XI - XIII Симпозиумах по межмолекулярному взаимодействию и конформациям молекул (Саратов, 2002; Санкт-Петербург, 2006, Челябинск, 2008), DPhg-Doktorandentagung (Germany, Dusseldorf, 2003), Fock School on computational and quantum chemistry (Novgorod the Great, Russia, 2003), III и IV Национальной кристаллохимической конференции (Черноголовка, 2003, 2006), IX and X International Seminar on Inclusion Compounds (Novosibirsk, Russia, 2003), 16th European Symposium on Quantitative Structure - Activity Relationships and Molecular Modelling (Mediterranean Sea, Italy, 2006), International Conference on Medicinal Chemistry (Istanbul, Turkey, 2007), Virtual Discovery-2007 and 2008 (London, Great Britain, 2007, Palm Springs, USA, 2008), MedChemEurope-2008 (Стокгольм, Швеция), "ADMET Europe-2010" (Мюнхен, Германия), International conference on medicinal chemistry (Брюссель, Бельгия, 2010), Green chemistry (Вашингтон, США, 2011)

Структура h объем диссертации. Диссертационная работа общим объемом 244 страницы состоит из введения, четырех глав, выводов, списка используемой литературы, включающего 290 наименований. Диссертация содержит 21 таблицу, 46 рисунков, 3 приложения.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Первая глава посвящена обзору существующих в мире компьютерных методов для анализа и прогноза биологической активности соединений, рассмотрены их преимущества и недостатки, определяющие низкую прогностическую ценность моделей.

Во второй главе приведены разработанные в рамках данной работы компьютерные методы моделирования биологической активности (БА) соединений, учитывающие трехмерную структуру молекулы, которая представляет собой набор ядер, окруженных электронной плотностью. Такая совокупность ядер, связанных друг с другом химической связью, рассматривается как прообраз скелета, изменение геометрии которого осуществляется за счет таутомерных и/или конформационных превращений, возникающих в результате подстройки под окружение, например, при взаимодействии с рецептором, растворителем и др. На рис. 1 представлено значительное изменение геометрии молекулы в зависимости от условий на примере конформеров ингибитора риновируса HRV14.

Для решения первой задачи - определения ТК формы молекулы в момент взаимодействия с рецептором -использована комбинация алгоритмов BiS и MultiGen, названная BiS/MC. Алгоритм

МиШСеп позволяет определить конформеры для каждого из предполагаемых таугомеров. Алгоритм ВіБ/МС рассматривает мультитаутомерно-конформационную модель биологически активных соединений, выделяет конформеры, ответственные за связывание молекулы лекарственного средства с рецептором. Для решения второй задачи - оценки электронной плотности молекул -использованы методы квантовой химии или альтернативные подходы.

С а) Г.) Г^ в)

Рис. 1. Ингибитор HRV14: а) при взаимодействии с рецептором, б) и в)- изоэнергетические зеркально противоположные конформеры (энантиоконформеры) в газовой фазе.

В п.п. 2.1 рассмотрено построение мультитаутомерно-конформационной модели молекул с использованием алгоритма MultiGen. В его основе лежит предположение о том, что любые конформационные изменения в молекуле должны осуществляться вдоль направлений движения атомов во время колебаний. Поэтому для определения данных направлений необходимым является решение прямой спектральной задачи, определение мод колебаний. Тогда смещение координат атомов молекулы вдоль мод колебаний должно приводить к генерации новых конформеров. Поскольку каждая ахиральная структура может существовать в виде двух изоэнергетических зеркально противоположных конформеров (энангиоконформеров), форма которых также Эиожет иным образом определять возможность и эффективность взаимодействия с хиральным рецептором, в процедуре поиска конформеров осуществляется построение зеркально противоположной структуры путем изменения знака координаты атомов в найденном конформере на противоположный вдоль одной из трех координатных осей. Пример подобных энантиоконформеров представлен на Рис. 16 и в.

В случае существования соединения в различных таутомерных формах подобный мультиконформационный анализ проведен для каждого из таугомеров соединения. Тогда вероятность существования каждой ТК формы определяется по соотношению (1), а свойство (А) соединения представлено суперпозицией свойств (Ají) всех ТК форм молекул (уравнение (2)).

р"=ехр("й/йехр(_^)(1) А=ША"-р"(2)

где inj- номера таугомеров, к - номер рассматриваемого конформера для таугомера под номером í; J-общее количество таугомеров; I - номер конформера для таутомера под номером j\ L¡ - общее

6

количество конформеров в пределах 3 ккал/моль по отношению к наиболее выгодному конформеру таугомера j, E¡k и Ej¡ - полные энергии ТК форм.

Для определения энергий ТК могут быть использованы квантовохимические методы с учетом влияния растворителя (воды), однако данные подходы требуют значительных временных затрат, что в подавляющем большинстве случаев делает их применение чрезвычайно сложным для решения подобных задач. Поэтому в данной работе предложен новый метод оценки энергий ТК форм с учетом влияния водного окружения, определяющего среду в биосистемах. Метод основан на рассмотрении процесса протолитической диссоциации соединения с отщеплением протона:

АН+Н20 = А+Н30+

Данный процесс характеризует величина константы кислотности соединения АН - Ка. Тогда изменение свободной энергии Гиббса AG процесса, характеризующего стабильность ТК формы, можно определить по уравнению Вант-Гоффа: AG = —КГ In Ка = 2.303 • RT ■ рКа.

Полная энергия ТК формы в водной среде с учетом энергий напряжения структуры может быть рассчитана по соотношению (3), причем меньшее значение полной энергии конформера с для таутомера t (Е,с) соответствует большей стабильности структуры:

Е,с =Em¡-áG (3)

Для расчета величин Ка предложено использовать алгоритм РгоК. Данный алгоритм основан на моделировании взаимодействия структуры с пробным зарядом (протоном), помещенным на поверхность пространство-заполняющей модели молекулы, полученной с использованием силового поля MERA. Энергия электростатического взаимодействия пробного заряда, помещенного на поверхность атома m, с данным атомом m равна <7т/(4лЕ0гт)(где г,„ - ван-дер-ваальсов радиус атома т), с соседним атомом (i'-ым атомом) молекулы эта величина составляет qJ(4nE0Rm¡) (где /?„„ - расстояние между атомами m и i). Полная энергия взаимодействия должна учитывать возможность собственной ионизации атома т, что было сделано путем расчета величины ifn = Iнal IР (где ао Боровский радиус, 1ц - потенциал ионизации атома водорода), которая коррелирует с электроотрицательностью атомов. При расчетах был использован принцип полного выравнивания элекгроотрицательности [Mortier W.J., Van Genechten К., Gasteiger J. // J. Am. Chem. Soc.- 1985,- V. 107.- P. 829 - 835]. Выровненная электроотрицательность (t¡„) атома, взаимодействующего с пробным зарядом, рассчитана с использованием системы уравнений (4):

jj - где )/ - молекулярная характеристика, постоянная для

4ж0Ль всех атомов молекулы, a Q - заряд рассматриваемой

= rfi+—^—+V —^— структуры, в случае молекулы равный 0.

" 4щг2

^ Найдено, что величина ц связана с величинами

„ „ рКа, измеренными в водных растворах при ионной

Г1п=Ц0п+-^— + У-2!-

4яе0гп £Г4да0/г„,. силе, равной 0, и температуре 298 К, согласно

5]<7, = 6 соотношению:

Ъ=Пг=- = г1,=П рКА=а+Ь-п

где я и ¿> параметры регрессии. Коэффициент корреляции данной зависимости для выборки из 150 веществ, включающей амины, гетероциклы, карболовые кислоты и т.д., составляет R=0.903 (коэффициент Фишера F=277).

Пример мультитаутомерно-конформационной модели молекулы представлен на Рис. 2. Всего для таутомера А найдено 5 конформеров, для таугомера Б найдено 7 конформеров. Таким образом, данная молекула может быть представлена 12 ТК структурами. Произведенная оценка вероятности существования каждой ТК формы согласно выражению (2) позволила определить суммарную вероятность существования таутомеров А и Б, которая составила 0, 585 и 0, 415 для таутомера А и Б соответственно.

Рис. 2. Мультитаутомерно-конформационнаямодель молекулы: а) и б)- наиболее выгодные таутомеры (соответственно А и Б) соединения по данным расчетов по формуле (3), в) результат наложения конформеров этих двух таутомеров с использованием алгоритма Ш5/МС

Для подтверждения возможности использования полученной мультитаутомерно-конформационной модели соединений в п.п. 2.1 рассмотрены примеры сопоставления различных экспериментальных физико-химических характеристик соединений с расчетными, определенными в мультитаутомерно-конформационном приближении; Например, показано, что расчетная плотность 137 соединений выборки, для которых было найдено 1408 конформеров, коррелирует с экспериментальной (R = 0.9978, F = 30400; стандартное отклонение о = 0.042).

Для анализа БА в п.п. 2.1 используется алгоритм BiS/MC, в основе которого лежит принцип комплементарное™ соединения полости рецептора. Ориентацию молекулы определяет весь комплекс ван-дер-ваальсовых, кулоновских и специфических взаимодействий с рецептором. В совокупности данные виды взаимодействий определяют молекулярное поле, которое и должно обеспечивать максимальную комплементарность к рецептору биологически активных соединений. При этом каждая молекула с данным видом БА содержит фрагменты, определяющие связывание с активными центрами рецептора. Эту часть молекулы можно назвать фармакофорной. Величина БА в значительной степени будет определяться эффективностью связывания фармакофорной части молекулы с рецептором. Остальные атомы, которые не взаимодействуют с рецептором, могут играть роль "балластной" части молекулы. Разные молекулы могут связываться с разными активными центрами рецептора. Поэтому генеральная совокупность всех активных молекул должна достоверно описывать поле рецептора Тогда для решения проблемы ориентации молекул в полости рецептора необходимо определение совокупного поля выборки молекул.

Определение молекулярного поля в алгоритме BiS/MC проводится с использованием кулоновского потенциала и потенциала ван-дер-ваальсовых взаимодействий, наводимых на точку т поверхности молекулы. Кулоновский потенциал определяется из известного уравнения (5). Дм расчета потенциала ван-дер-ваальсовых взаимодействий, наводимых на точку т, по аналогии с кулоновским использованы уравнения (6):

где N- число атомов рассматриваемой структуры, q¡ - заряд ее атома i, R¡„, - расстояние от точки т до атома і, к - коэффициент пересчета в единицы СИ, V¡,„- глубина минимума потенциальной энергии в соответствии с потенциалом Леннард-Джонса, г, - ван-дер-ваальсовый радиус атома і. Расчет величин V„„, r¡ и q¡ произведен в рамках модели MERA [Потемкин В.А., Барташевич Е.В., Белик A.B. //Журн. общ. химии,- 1995,-Т. 65,-№ 2,- С. 205 - 208]. В уравнении (6) для упрощения расчетов учтено только притяжение за счет ван-дер-ваальсовых взаимодействий.

Комплементарное поле рецептора смоделировано в виде совокупности псевдо-атомов (пробных сфер с некоторым зарядом и радиусом), контактирующих с поверхностью молекулы. Для определения характеристик комплементарного поля вычисляются кулоновский и ван-дер-ваальсов потенциалы поля первой молекулы выборки. Полученные потенциалы позволяют определить по уравнениям (7) и (8) характеристики псевдо-атома с центром в точке т (заряд qm и радиус гт), который обеспечивает максимальную комплементарность рассматриваемой молекуле в данной точке поля. Набор псевдо-атомов является моделью рецептора.

Процедура определения комплементарного поля, расчета характеристик псевдо-атомов производится для первой ТК формы молекулы, затем в комплементарном поле в рамках комбинированного симплексного и квази-ньютоновского метода проводится оптимизация ориентации второй ТК формы до достижения минимума совокупной вероятности контакта (Р) ее атомов со всеми псевдо-атомами.

/> = 1- ]^[(1-рт), где рт = ехр^- ^^^, М - число пробных сфер

В найденной ориентации комплементарное поле рецептора уточняется путем добавки потенциалов поля второй ТК формы к имеющимся:

Потенциалы поля второй ТК формы <р1' и ' вычисляются аналогично потенциалам первой формы по формулам (5) и (6). Аналогичная процедура осуществляется для третьей, четвертой и всех последующих ТК форм всех соединений выборки. Процедура прекращается, если различие в координатах атомов структур на новом и предыдущем шаге ориентации не превышает заданного предела. По окончании процедуры ориентации строится линейная зависимость между величиной БА и параметрами взаимодействий псевдо-атомов модельного рецептора с ТК формами.

I. С £ с

ВА = о, дЛ, +о3 Х^РЛі

Ы ¿-=1 Ы с =1

где Ес, и ТсГ энергия и сила взаимодействия ТК формы с/ (где с - номер конформера у татомера Г) с активными центрами модельного рецептора, рг, - вероятность существования ТК формы сі. В качестве параметров использованы энергии взаимодействия, рассчитанные по уравнению (9), и

N ЛГ

силы =£-==^(10).

Для построения модели использованы регрессионные методы анализа, которые позволяют выделить те псевдоатомы, характеристики взаимодействия молекул с которыми описывают величину БА соединений с наибольшим коэффициентом корреляции. Данные атомы модельного рецептора представляют собой активные центры, а другие атомы модельного рецептора вносят менее существенный вклад в проявление биологического действия соединением, либо могут быть вариабельными вследствие конформационной подвижности рецептора.

По окончании данной процедуры определялась активность ТК формы с1 (где с - номер конформера у таутомера I) по формуле:

Это позволяет выделить наиболее активные ТК формы соединения, которые в наибольшей степени определяют связывание молекулы с рецептором.

Возможность использования алгоритма BiS/MC для анализа БА проверена на значительном количестве выборок соединений, обладающих противотуберкулезным, антибактериальным, противовоспалительным, противоопухолевым эффектом, а также субстраты цитохрома Р450. При этом рассмотрены соединения различного строения и состава, включающие как типичные органогены, так и элементы высших периодов, в том числе переходные металлы. С использованием алгоритма BiS/MC определены фармакофорные части молекул, выявлены взаимосвязи БА с характеристиками взаимодействия в системах «модельный рецептор - лиганд» (выражения (5), (6), (9), (10)). Результаты данных исследований подробно представлены в главе 3. Показано, что коэффициенты корреляции полученных количественных моделей для описания величины БА составляют 0,90 - 0,99.

Для оценки возможности использования алгоритма BiS/MC в определении геометрии молекулы в момент ее связывания с рецептором проведено сопоставление расчетных наиболее активных ТК форм в случае соединений, имеющих несколько таутомеров, и наиболее активных конформеров в случае соединений, не претерпевающих таутомерных переходов, с данными РСА соответствующих комплексов «рецептор-лиганд», найденных в Protein Data Bank [Berman H.M., Westbrook J., Feng Z., Gilliland G., Bhat T.N., Weissig H., Shindyalov I.N., Bourne P.E. // Nucleic Acids Research.- 2000 - V.28.-p. 235-242]. На рис. За представлен пример подобного сопоставления - противоопухолевый ингибитор дагидрофолатредуктазы lhfp1. Для данного соединения найдено 2910 ТК форм, представляющих собой набор более 50 таутомеров.

Рис. 3. Сравнение расчетных ТКформ ингибитора 1Ь/р со структурой, найденной РСА (выделена жирным, рС/да'А (эксп.) =8,2): а) наиболее активной (рС/зоъ (расч.) =21,70); б) наименее активной

(рС150% (расч.) = -9,08).

ВАС, = а, +a2pc,Ecl+alPc,Fcl

Название соответствует идентификатору в Protein Data Bank

На Рис. 36 показано сравнение наименее активной ТК формы данного соединения со структурой найденной РСА в комплексе. Данный рисунок демонстрирует значительные отличия между ними, что объясняет низкую расчетную БА для данной ТК формы соединения.

Конформационный анализ для противоопухолевого ДНК-антиметаболита 1<135 позволил выявить 39 конформеров, из которых с помощью алгоритма ВіБ/МС была выделена наиболее активная форма, представленная на Рис.4 в сравнении с данными РСА.

Использование алгоритма ВіБ/МС в мультиконформационном и мультитаутомерно-конформационном режиме позволяет определить строение «скелета» молекулы, взаимодействующей с рецептором. Показано, что расчетная геометрия молекулы, взаимодействующей с рецептором, хорошо согласуется с данными РСА комплексов «рецептор-лиганд». Для детального описания распределения электронной плотности в молекуле, связывающейся с рецептором, было предложено использовать алгоритм СопСО.

а) б) в)

Рис. 4. ДНК-антиметаболит 1635: а) и 6)результаты сравнения экспериментальной (выделена жирным) и расчетной ТК формы, в) 1(135 в комплексе с ДИК (определен РСА)

Данный алгоритм описан в п.п. 2.2.. В алгоритме СопСО рассматрены значения функции электронной плотности в узлах кубической сетки, разбивающей молекулу, с расстоянием между узлами, равным <1А (Рис. 5). В данном алгоритме молекулы выборки поочередно накладываются друг на друга путем операций вращения и трансляции до достижения максимального сходства в значении электронной плотности в узлах сетки. При этом критерием максимального сходства электронной плотности является минимальное значение величины:

где / - номер рассматриваемой молекулы,

сеткой с расстоянием между ближайшими узлами, равным Л к (обычно с1=з А и менее).

рт,.- электронная плотность в узле т сетки, разбивающей рассматриваемую ¡'-ую молекулу, М - общее число узлов сетки,

Д.,. = Л Л» /' _ средняя электронная

плотность в узле т сетки, определенная для рассмотренных молекул. Аналогичная процедура наложения осуществляется для третьей, четвертой и др. молекул выборки.

После этого весь цикл процедуры наложения структур повторяется заново для уточнения результата наложения. Итеративная процедура завершается, если различие электронных плотностей в узлах сетки на текущем и предыдущем шагах не превышает 0.1. После этого производится уточнение ориентации молекул друг относительно друга с разбиением структур сеткой с шагом 0,1 й А. Определенная ориентация соответствует максимальному совпадению наиболее схожих фрагментов электронной структуры молекул. Далее строится зависимость БА соединений от значений электронной плотности в узлах сетки с использованием методов регрессионного анализа. Уравнение имеет вид:

Т и

&4 = (с1+с2£р1-с3£11>„)

/=1 и=1

где г - номер узла сетки, значение в котором электронной плотности приводит к повышению величины БА, и - номер узла сетки, значение электронной плотности в котором приводит к понижению величины БА, а, сг, сз - параметры.

Полученная модель является двухфакторной, одним из факторов является сумма электронных плотностей в узлах сетки, приводящих к повышению БА, другим фактором - сумма электронных плотностей в узлах сетки, приводящих к понижению БА. Тогда те узлы сетки, увеличение электронной плотности в которых приводит к повышению БА, можно отнести к фармакофорной части структуры, а узлы, увеличение электронной плотности в которых приводит к понижению БА, - к антифармакофорной части молекулы.

Классификация соединений на активные и неактивные с присвоением величин активностей Рк, равных соответственно 1 и 0, позволяет производить процедуру распознавания образов электронной структуры лекарственных средств с использованием алгоритма Сот&О, что описано в п.п. 2.3. В этом случае количественная зависимость имеет вид функции желательности:

т

V

Рк = ехр(-ехр(0.834032-3.0844■/,)), где /4 =(с, +с2 5>й

1=1 И=1

Очевидно, что рассмотрение электронной структуры молекул требует оценки функции распределения электронной плотности в молекулах. Для этого могут быть использованы квантовохимические функции электронной плотности. Однако для сокращения временных затрат при расчетах в п.п. 2.4 предложен АИе(2 подход. В данном алгоритме вклад электронной плотности атома А в молекулярную электронную плотность представляется в виде суммы (11) эмпирически подобранных экспоненциальных функций. Электронная плотность молекулы представляется в виде суммы (12) вкладов атомов в точке т молекулярного пространства:

ам и Ь/и - параметры для каждого элемента Периодической системы, п - номер периода атома А, Иа - расстояние от ядра атома А, N - общее количество атомов в молекуле. Выражение (11) предложено на основании анализа зависимостей логарифма экспериментальной электронной плотности (определенной прецизионным РСА) от расстояния до ядер атомов. Примеры подобных зависимостей представлены на Рис. 6 для атомов водорода и кислорода.

Рис. 6. Зависимость логарифма электронной плотности, определенной прецизионным РСА, от расстояния до центра ядра атомов Н, О в молекуле этокси-(2-меркапто-4,6-диметилгексагидропиримидин-5-ил)-метанола (соединение I)

Нижняя часть данных графиков представляет собой логарифм электронной плотности атома без учета перекрывания с соседними атомами, более высокие значения отвечают областям перекрывания с соседними атомами. На данных графиках можно выделить участки, количество которых равно номеру периода, соответствующего рассматриваемому элементу. Поэтому количество функций в выражении (11) выбрано равным номеру периода, в котором находится рассматриваемый атом. Интегрирование АИеС) функции (11) электронной плотности по пространству равно числу электронов (Л^д) в атоме А:

і=і

а

п 1л °° п /I О —

где Од. и £>л. - параметры атома А, они были оценены на основании предположения о том, что каждая экспоненциальная функция I в выражении (11) должна описывать количество электронов (тм) на квантовом уровне /. Тогда интегрирование по пространству функции / должно давать число электронов на соответствующем квантовом уровне.

10ЬЛЯ2Ж =тл, при этом = NrA

о '=1

Параметры аА. и Ьм представлены в Таблице 1 на примере элементов Н, С, N. О, 8, С1. Обнаружено, что параметры атомов, соответствующие наиболее высокому квантовому уровню (('=«) отнесенные к радиусу максимальной электронной плотности (Ктах) коррелируют с потенциалом ионизации атома А (/А) с коэффициентом корреляции 11=0.93 (8=2,0 эВ) (Рис. 7).

Это позволяет предположить то, что Ьм представляет собой эффективный заряд ядра, взятый с противоположным знаком. Сопоставление логарифма экспериментальной электронной плотности с логарифмом А11:е<2-расчетной (1 ёРсотр) представлено на Рис. 8а, б на примере соединений 1 и 2гС12 - (соединение 2). Для сравнения на Рис. 8в,г приведено аналогичное сопоставление, полученное при расчете электронной плотности квантовохимическими методами.

Таблица 1

Параметры экспоненциальных Аке()-функций

1<Л А ам, е/А3 Ьа. А аАг,е1 А3 Ьд 2. А аАЗ,ык3 ЬА з.А

1 Н 3,1623 -1,8672 — — — —

6 С 848,42 -9,5585 10,000 -1,7265 — —

7 N 1362,7 -11,194 17,783 -1,9418 — —

8 О 2083,8 -12,897 31,623 -2,2138 — —

9 Р 2938,0 -14,461 56,234 -2,5478 — —

16 Б 16706 -25,812 1000,0 -6,3606 10,000 -1,5083

17 С1 18926 -26,908 1584,9 -7,4160 14,678 -1,6283

1л=?-5---шьлА„> Обнаружено, что величина 1 ёРсотр,

полученная алгоритмом Аке<2, хорошо согласуется с экспериментальным значением . Области наиболее сильного отклонения расчетных и экспериментальных значений (относительная погрешность расчета

электронной плотности |рт - Рт 11рт > 10),

выделены на рис. 8 прямоугольником. Они 0.4% молекулярного пространства. Данные области для молекулы 1 показаны на рис. 9а, они располагаются около атомов водорода на расстояниях, превышающих ван-дер-ваальсовы радиусы атомов.

Рис. 7. Взаимосвязь потенциала ионизации 1а занимают около и отношения Ь,„ / Д„„ ,

у*

X \ Кг - / :

Рис. 8. Зависимость логарифмов экспериментальной и рассчитанной электронных плотностей 6 узлах сетки, найденной для: а) мол. 1 с помощью алгоритма б) мол. 2 с помощью

алгоритма АНе(2; в)мол. 1 с помощью ОРТВЗЬЇР/б-ЗІЮ(<1,р); г) молекулы 2 с помощью НР, выбран базис 6-31 Ю(сі,р) для аппроксимации волновых функций атомов Сі и 3-2Ю - атома Хг.

Существование подобных точек связано с тем, что экспериментальное значение электронной плотности занижено благодаря ошибке вычитания вклада соседних молекул в кристалле. Кроме того, в соответствии с мультипольной моделью, интерпретация рефлексов на экспериментальной дифрактограмме осуществляется с использованием базисных квантовых функций слэйтерова типа. На Рис. 96 для сравнения показаны области наиболее сильного отклонения расчетных квантовохимических значений от экспериментальных значений электронной плотности для молекулы 1.

Таким образом, показано, что АкеС? может быть использован для корректного описания электронного строения молекул. Совокупное использование алгоритмов ЕИБ/МС и СопвО позволяет полностью описать строение молекулы в момент взаимодействия с рецептором. Важнейшей стадией биологического действия лекарственных средств является их взаимодействие с целевым рецептором. Поэтому наиболее высоким уровнем рассмотрения биологически активных соединений является докинг соединений к рецептору, структура которого установлена с помощью РСА или ЯМР-спектроскопии.

Рис. 9. Области пространства в молекуле 1 с высокой ошибкой расчета электронной плотности: а) расчет выполнен алгоритмом М1е0,; б) квантовохимическим методом.

В п.п. 2.5 предложен метод ограниченного докинга, учитывающий основные недостатки существующих методов докинга. Данный подход основан на ориентации молекул в полости рецептора с использованием результата наложения биологически активных структур, полученного в рамках алгоритма В18/МС с учетом всего комплекса взаимодействий в системе «рецептор-лиганд». Данные РСА комплекса "рецептор - лиганд" хотя бы для одной молекулы выборки и установленная с помощью моделирования (алгоритм В1$/МС) их относительная ориентация, позволяют расположить молекулы всей выборки в реальном рецепторе (Рис. 10).

Рис. 10. Процедура ориентации молекул выборки в модельном рецепторе: а) поворот и б) трансляция результата наложения структур, полученного с помощью алгоритма Вів/МС (жирным выделена молекула, входяїцая в состав экспериментально установленного комплекса), в) комплекс, установленный РСА и используемый в качестве примера для ориентации

Для проверки качества ограниченного докинга молекул с использованием предложенного подхода в Protein Data Bank проведен отбор данных РСА более семидесяти комплексов рецепторов с лекарственными средствами. Среди них ДНК-антиметаболиты, ингибиторы р38 МАР-киназы, риновируса HRV14, термолизина, эластазы, циклин-зависимой киназы (CDK2) и дигидрофолатредуктазы. Результаты сравнения экспериментальной и расчетной ориентации показали, что точность докинга существенно превосходит имеющиеся аналоги. Так, в работе [Cosgrove D.A., Bayada D.M., Johnson A.P. A novel method of aligning molecules by local surface shape similarity// J. Comput.-Aided Mol. Design.- 2000,- 14,- P. 573 - 591] максимальное отклонение координат атомов (Дгмах) истинной и расчетной ориентации по выборке ингибиторов риновируса HRV14 достигает 4.77 Á (соединение 1го9), для ингибиторов термолизина - 11.14 А (соединение 5tln), эластазы - 10.01 Ä (соединение line), для ингибиторов CDK2 - 18.70 А (соединение lian), среднее отклонение координат атомов (RMS) истинной и расчетной ориентации может превышать 9 к (например, для соединения lian (ингибитор CDK2) RMS=9,72 А). При использовании алгоритма BiS для ориентации соединений тех же выборок RMS значительно менее 1 А, а Дгмах по выборке, как правило, не превышают 2А.

Для анализа полученных при докинге комплексов «рецептор-лиганд» в п.п.2.6 предложен новый алгоритм СопСоп. Данный алгоритм позволяет определить зависимости БА соединений от параметров строения комплексов «рецептор-лиганд». Он основан на предположении о том, что БА вещества зависит главным образом от взаимодействия активных центров рецептора и

лекарственного средства, все остальные атомы взаимодействующих частиц играют значительно менее важную роль в связывании благодаря конформационной или таутомерной вариабельности.

Для оценки энергии взаимодействия в алгоритме СоСоп используется атом-атомный потенциал, включающий ван-дер-ваальсову и кулоновскую составляющие, оцениваемые с помощью модели MERA. Такое представление позволяет провести декомпозицию энергий парных взаимодействий в поиске наилучшей зависимости величины БА от параметров строения комплексов «рецептор-лиганд». Атомы рецептора и лиганда, чьи параметры входят в данную зависимость, предполагаются в алгоритме СоСоп активными центрами. Декомпозиция реализуется в алгоритме СоСоп путем использования пошагового включения и исключения факторов методами регрессионного описания с оценкой качества (CrossR2) моделей по технике «скользящий контроль». Поскольку количество параметров для построения регрессионной модели должно быть одинаковым, в алгоритме СоСоп предложены следующие подходы. Первый подход: рассматривается взаимодействие всей молекулы лекарственного средства с активными центрами рецептора. Данный подход реализуется в СоСоп построением зависимостей (13-15):

ВА = а+ХьД +Ес/; (13) ВА = а+Ь^Е, (14) ВА = a+b£EKR) +c^Ejm (15) і і І ¡ ¡

N

где a,b,c- параметры; E¡ = £ E¡ñ - энергии взаимодействия í-того активного центра рецептора со

N

всеми атомами лиганда; FJ = ^Г Fjrl силы взаимодействия ./-того активного центра рецептора со

И=1

N

всеми атомами лиганда, ЕМ) = - энергия взаимодействия (-того активного центра

П-Ї

N

рецептора со всеми атомами лиганда, EJIWj =^EjMW) - энергия взаимодействия j-того активного

Л=1

центра молекул воды со всеми атомами лиганда.

Рассмотрение сил в выражении (13) позволяет осуществить учет динамики взаимодействия в системе «рецептор-лиганд», поскольку сила является векторной величиной, показывающей направление движения молекулы в результате взаимодействия. Силы в алгоритме СоСоп определяются с использованием выражения (10).

Второй подход: молекула каждого лиганда разбивается на фиксированное количество фрагментов, при этом рассматриваются взаимодействия атомов рецептора не со всей молекулой, а с каждым фрагментом. Количество фрагментов одинаково для всех молекул выборки, в результате чего число факторов для построения регрессионных моделей также одинаково. Разбиение молекулы на фрагменты осуществляется с постоянным телесным углом, как показано на Рис.11. Далее строятся уравнения (16) и (17) с использованием регрессионного анализа:

ВА = а+ь£Е1Ш+с£Ецю (16) ВА = а+Ъ^ 2Е<лю+сТ2Е^т <17)

I к ¡=1 }=\ Ы

где Е,т = ^Ент - энергия взаимодействия всех атомов рецептора (Ида - общее количество

/=!

атомов сайта рецептора) с /-там фрагментом лиганда, Ек(у/) = - энергия взаимодействия

м

всех молекул воды сайта рецептора (общее количество молекул воды Ида) с &-тым фрагментом лиганда, Етт - энергия взаимодействия ¡-того активного центра белковой части рецептора

с у'-тым фрагментом лиганда, ЕИ(К) - энергия взаимодействия активного центра к молекул воды с /-тым фрагментом лиганда, - общее количество фрагментов, а, Ь, с - параметры регрессии. Кроме того, в СоСоп используются новые подходы для оценки энергий водородных связей (Ен), часто играющих определяющую роль во взаимодействиях «рецептор-лиганд» вследствие расположения данных атомов по периферии молекул. Данные подходы реализованы в СоСоп использованием выражений (18), (19) и (20). В подавляющем большинстве случаев водородная связь характеризуется расстоянием, равным половине суммы расстояний ковалентного и ван-дер-ваальсова контакта. Более того, она имеет энергию, большую по сравнению с энергией ван-дер-ваальсовых взаимодействий и меньшую по сравнению с энергией ковалентных взаимодействий. На основании этих данных вычисляются параметры а, Ь, с и (¡> выражений (18)-(20), что может быть представлено в виде систем уравнений (18а), (19а), (20а), описанных ниже. Подобный расчет параметров делает оценку энергий водородных связей неэмпирической.

Первый вариант расчета энергий водородных связей (Ен) представлен выражением, аналогичным функции распределения Кирквуда (Рис. 12):

Е _ а' ехР(~^ • ) • С05(с Кн+р)

Н г> ^

Кн

где а, Ь, с и (о - его параметры, определяемые из следующей системы уравнений:

Рис. 11. Определение точек на поверхности молекулы для вычисления параметров взаимодействия с сайтом.

2 РХ'ІГ

£с

¡Z¡P .

cRc+<p = x cRmw +<р=5х

(18а)

Рис. 12. Функция для оценки энергий водородных связей, аналогичная функции распределения Кирквуда.

а ■ ехр(-bRc ) = ЕС ■ Нс а • ехр(тЬЯу) = Еут. ■ Нт„

где Не - равновесное расстояние ковалентного связывания, Ее - энергия ковалентного связывания, Куїт - равновесное расстояние ван-дер-ваальсового контакта, £ют - его энергия, Иц - равновесное расстояние водородной связи.

Другой вариант расчета энергий водородных связей представлен:

DlO nl2

Параметры а и b определяются в СоCon, исходя из предположения о том, что Ен соответствует минимуму энергии взаимодействия. Поэтому параметры могут быть найдены из следующей системы уравнений:

ви

-i2b-% = О

Я13

R" я = 1.2*

EH=E(R = RH) или Е„=Ь-а (19а)

Ен •EVDW ЕН — Ес • EVDW

Третий вариант представлен как:

а 6 рЮ

Ен (20)

Параметры функции рассчитываются аналогично предыдущему предположению из следующей системы уравнений:

dRj^ R R"

EH=E(R = R„)

Ен —JE с' Eyi

b = 0.6a EH =b-a Ен — 'En

(20a)

Таким образом, СоСоп формирует 5 вариантов зависимостей биологической активности от параметров строения комплексов «рецептор-лиганд» (выражения (13)-(17)). Их анализ позволяет выделить наиболее важные для взаимодействия в комплексах «рецептор-лиганд» фрагменты в структуре белка, молекул воды сайта рецептора, лиганда. СоСоп определяет наиболее важные

типы межмолекулярных взаимодействий: электростатических, ван-дер-ваальсовых и водородных связей. Для расчета энергий водородных связей в СоСоп используется 3 новых подхода. Использование совокупности алгоритмов В15/МС, СопвО и СоСоп позволяет наиболее полно описать молекулу биологически активного соединения и рецептора в момент взаимодействия, определить количественные взаимосвязи БА с параметрами строения молекул и их комплексов с рецептором. Каждый из этих подходов может быть использован как индивидуально, так и в комбинации друг с другом, что повышает прогностическую ценность полученных количественных моделей.

В главе 3 рассматриваются примеры теоретического исследования различных выборок биологически активных соединений. В п.п. 3.1 рассмотрено 24 противоопухолевых ингибитора дигидрофолатредуктазы (ОТГО) из базы данных Национального института рака. Некоторые из них представлены на схеме 1.

Схема 1.

Данные соединения могут существовать в различных ТК формах. Примеры таутомерных переходов представлены на Схеме 2. Всего для данной выборки соединений было рассмотрено около 22000 ТК форм.

Схема 2.

Анализ в рамках алгоритма ВіБ/МС позволил определить самые активные ТК формы для каждого ингибитора. Показано, что ими, как правило, являются цвитгер-ионные формы соединений, имеющие развернутую структуру, обеспечивающую эффективное взаимодействие со всеми атомами модельного рецептора (Рис. 13). При этом термодинамически более выгодной ТК

формой являются свернутые структуры. Сопоставление расчетных активных ТК форм с найденными экспериментально представлено на Рис. За на примере комплекса ІЬҐр. Данный пример демонстрирует хорошее согласие расчетной ТК формы экспериментальным данным. Обнаружено, что ТК формы, определяющие связывание наиболее биологически активных ингибиторов, имеют большое количество открытых атомов кислорода за счет развернутой структуры, что позволяет им эффективно взаимодействовать с атомами водорода модельного рецептора (Рис.13).

Рис.13. Ориентация наиболее биологически активных ингибиторов в

полости модельного рецептора на примере ингибиторов: A) NSC184692.1 -Н, 2-С, 3N, 4-0.

В рамках 30 ОБАИ алгоритма СопСО проведен детальный анализ электронной структуры наиболее активных ТК форм, определяющих действие соединений в рецепторе. Показано, что в случае наиболее активных молекул атифармакофорные фрагменты электронной структуры находятся на расстояниях, как правило, превышающих ван-дер-ваальсовы радиусы атомов (Рис. 14а). Электронная плотность на данных расстояниях чрезвычайно низка, поэтому ее негативное влияние на величину активности для высокоактивных соединений сведено к минимуму.

Рис. 14. Фармакофорные (желтые точки) и антифармакофорные (красные точки) фрагменты ингибиторов DHFR: a) NSC174121 (pGI50%=8,20), б) NSC19893 (pGI5o%=4,59). Жирным выделены точки, расположенные в пределах ван-дер-ваальсовыхрадиусов атомов

Точки, определяющие фармакофорные фрагменты, расположены в основном в области ароматических колец, атомов азота и открытых атомов кислорода. Фармакофорное влияние ароматических колец у наиболее активных молекул связано с их эффективными я-стэкинговыми взаимодействиями с ароматическими системами фермента. Атомы азота и атомы кислорода обеспечивают образование водородных связей и электростатических взаимодействий с

полярными фрагментами фермента. Для неактивных соединений наблюдаются в основном точки с антифармакофорным влиянием (Рис. 146).

Использование данных РСА комплекса lrg7 позволило осуществить докинг молекул выборки к полости DHFR. Показано, что высокоактивные молекулы проникают глубоко в полость DHFR, тогда как малоактивные молекулы остаются у входа в полость, что препятствует их эффективному взаимодействию с сайтом. Аминокислотные остатки А1а19, Asn23, Leu28, Asp27, Phe31, Thr46, Ile50, Arg52 и Пе94 образуют значительное количество сокращенных контактов и водородных связей с ингибиторами. Показано, что величина активности pGW,, связана с энергией водородных связей (выражение (19)) с R=0.756 (F=21, S=0.88). 'Наилучшая зависимость, построенная с

использованием алгоритма СоСоп, описывает величину активности ингибиторов DHFR с fsCrossR2=0.91 (R=0.96, S=0.10) (Рис.15):

pGIm = 2.94-0.152j54<» +0-0836S IXw, 1¡=1 1 1=1 s Критическими аминокислотными остатками

l"0I'c""vi являются Ile5, Asn23, Pro25, Leu28, ТгрЗО, Phe31,

Рис. 15. Экспериментальные и Lys32> Gly43> Arg44) Ser49> Ile50j Cly51, Leu 54,

расчетные pGIm ингибиторов DHFR Пе94 и Gly96> обеСпеЧивающие короткие контакты

с лигандами.

В п.п. 3.2 исследованы ингибиторы нейраминидазы, подавляющее большинство которых представляет собой органические соли натрия, калия, аммониевых оснований, пиридиния. Поскольку в выборку соединений входят соли, поэтому для моделирования их оптимальной

геометрии с учетом влияния водного окружения, составляющего основу внутренней среды организма человека, использован алгоритм MOPS, осуществляющий поиск наиболее выгодных комплексов «катион-анион» вдоль колебательных мод гессиана с континуальным учетом влияния растворителя. Примеры структур представлены на Рис. 16.

В рамках 3D-QSAR алгоритма BiS/MC определены структуры, определяющие связывание ингибиторов с нейраминидазой, проведено построение комплексов псевдоатомного рецептора с ингибиторами, найдено уравнение зависимости противовирусной активности от параметров строения комплексов «модельный рецептор - лиганд» с CrossR2=0.999.

рОЦСои»)

Kat+

Kat+ = Na+, K+, аммониевые катионы, пиридиний X, Z = N, С; Y = N"; R = Me, H, Sme, Ph, Py; Ri=Me, Ci2H25, C4H80ac

а) б) в)

Рис. 16. Геометрия наиболее термодинамически выгодных структур солей - ингибиторов

нейраминидазы

Рассмотрение вида комплексов «модельный рецептор - лиганд» выявило следующие закономерности. Обнаружено, что катионы наиболее активных соединений ориентируются рядом с отрицательно заряженной частью модельного рецептора, а анионы - рядом с положительно заряженной частью рецептора (Рис. 17а). Для менее активных соединений характерна обратная картина: катион образует невыгодные электростатические взаимодействия с положительно заряженной частью модельного рецептора, представленной атомами водорода, а анион - с электроотрицательными атомами азота и кислорода (Рис.176).

Проведено распознавание образов электронной структуры ингибиторов нейраминидазы в рамках алгоритма СоїЮО. Примеры соединений с фармакофорными и антифармакофорными узлами сетки СопвО представлены на Рис.18. Обнаружено, что активные соединения характеризуются большим количеством фармакофорных фрагментов по сравнению с малоактивными структурами, многие из фармакофорных фрагментов приходятся на катионную часть ингибиторов (Рис. 18), локализуясь в пределах ван-дер- ваальсовых радиусов атомов.

а) б)

Рис. 17. Комплексы ингибиторов нейраминидазы с псевдоатомным рецептором (ВІ5ІМС)

Показано, что анализ электронной структуры соединений позволяет распознавать ингибиторы

нейраминидазы с качеством, определенным по технике «скользящий контроль», равным 100%.

Проведен докинг соединений к полости нейраминидазы с использованием комплекса 2gwh, для которого в Protein Data Bank найдены данные РСА.

Рассмотрение структур полученных комплексов «рецептор-лиганд» показало, что полость, в которую встраивается ингибиторы, представлена Arg 118, Glul 19, Ilel49, Aspl51, Argl52, Glul96, Asn221, ПС222, Arg224, Glu227, Ala246, Glu276, Glu277, Lys292, Arg371, Tyr406, Pro431. Поверхность полости содержит большое количество КН2, СООН, СО, ОН-групп. Высокая гидрофильность полости приводит к координации значительного числа молекул воды, которые принимают активное участие в стабилизации комплекса «фермент - лиганд». Для наиболее активных соединений наблюдается более эффективное связывание с данными аминокислотными остатками: отрицательно заряженные атомы/группы атомов ингибитора координируются около положительно заряженных атомов водорода; положительно заряженная часть соединений стремиться расположиться рядом с электроотрицательными атомами -NH-, -СОО-, -ОН групп фермента, что хорошо согласуется с результатами моделирования псевдоатомного рецептора в рамках алгоритма BiS/MC. При этом образуется максимальное количество электростатических взаимодействий. У менее активных соединений наблюдаются обратные закономерности в строении комплексов. Кроме того, было показано, что важным для проявления высокой активности является способность катиона встраиваться в полость рецептора, взаимодействовать атомами водорода NHrrpynnbi с отрицательно заряженными атомами кислорода Aspl51 фермента, образовывать дополнительное ван-дер-ваальсовое взаимодействие метиленовых фрагментов адамантиламмония, либо атомов водорода и углерода кольца пиридиния с атомами водорода метальных и метиленовых групп аминокислот Пе222, Arg224, А1а246 фермента. Высокая способность катиона к гидратации не позволяет ему проникать в полость фермента, что понижает активность солей натрия и калия. В рамках алгоритма СоСоп получена зависимость эффективности (Ef) ингибиторов от энергии взаимодействий с белковой частью рецептора и водным окружением (CrossR2=0,92, R=0,97, S=2,6.):

^ Oft" ! г ¡ГУГ< ' .* ' А

,4* Ч .-rv-

Рис. 18. Фармакофорные и антифармакофорные фрагменты электронной структуры ингибиторов нейраминидазы: а) активное соединение (Е/=91 %); б) малоактивное (Е/<1%).

Е1 (расч.), %

Рис. 19. Экспериментальная и расчетная (определенная с использованием СоСоп) активности ингибиторов нейраминидазы

Ef = 25.4+ 9.33Л 5Х«> -7.55 J]

.=1 j=l ы Ы

График зависимости представлен на Рис.19.

Одной из важных проблем при создании лекарственных средств является создание препаратов, селективно действующих на нужную биомишень. Так, например, в работе [S. Guccione, A.M. Doweyko, H. Chen, G.U. Barretta, F. Balzano., J. of Comp.-Aid. Mol. Des., 2000.-V.14.-p. 647] изучены активности соединений в отношении конкурирующих 5-HTia и щ-AR рецепторов.

J

N-R,

f

S-(CH2)3 R,, R2=Me, H, Ph, N

?

N-NH,

S-(CH2)3 N

N

CH=CH, (CH2-CH2)4

R3=Me, NH2, H, NHPh r 4 R4=2-CI-Ph, 3-CI-Ph, 2-Pyr, 2-OMe-Ph,Ph

N

MeO-^^

Поэтому в п.п. 33 проведен детальный анализ электронной структуры данных соединений в рамках алгоритма СопСО с распознаванием образов селективно действующих ингибиторов 5-НТіа и аі-АЯ рецепторов. Показано, что активные соединения в обоих случаях распознаются

с качеством, определенным по технике «скользящий контроль», составляющим 100%. Рассмотрение действующих ТК форм показало, что примерно в 50% случаев связывание с данными рецепторами определяют различные зеркально противоположные конформеры. В остальных 50% случаев действующим на этих двух рецепторах оказывается один и тот же конформер. При этом для обоих рецепторов в случае активных соединений было обнаружено преимущественное действие конформеров, характеризующихся компактной геометрией (см. Рис. 20а), позволяющей им без труда встраиваться в полости. У неактивных соединений связывание с данными рецепторами определяют конформеры, имеющие развернутое строение (Рис. 206), приводящее к большим размерам молекулы, что может препятствовать встраиванию в полости 5-НТіа и щ-АЯ рецепторов.

Рассмотрение отличий в проявлении ингибирующего действия на 5-НТіа и аі-АЯ рецепторы показало, что серьезная разница наблюдается в антифармакофорных частях молекул при их действии на данные рецепторы. Так, на Рис. 206 на примере одного из ингибиторов пунктиром выделены антифармакофорные фрагменты при действии данного соединения на 5-НТіА рецептор,

сплошной линией - на с^-АЯ рецептор. Наибольшая разница в величинах р1С5о% при ингибировании б-НТи и о^-АЛ рецепторов наблюдается для соединения, представленного на Рис.20в. Поэтому оно было рассмотрено в качестве эталонного для рекомендаций к усилению селективного действия по отношению к 5-НТи рецептору.

Рис. 20. Связывающиеся с 5-НТіл и/или ai-AR рецепторами конформеры: а) активного соединения, 6) малоактивного соединения, в) соединения, наиболее селективно действующего на 5-HTiA-

рецептор

Обнаружено, что данное соединение не имеет антифармакофорных фрагментов при действии на 5-HTia рецептор. При взаимодействии с ai-AR рецептором наблюдаются антифармакофорные фрагменты, показанные на Рис. 20в пунктиром. Поэтому для понижения активности данного соединения по отношению к ai-AR рецептору в данные области следует ввести более тяжелые атомы. Так, например, заменить помеченные крестом атомы водорода на атомы галогенов. Данные замены приведут к усилению электронной плотности в антифармакофорной части соединения по отношению ai-AR рецептору, а значит понижению активности в отношении данного рецептора Кроме того, подобные замены должны усилить ингибирующее действие на 5-HTja рецептор, поскольку они лишь усилят фармакофорную часть молекулы по отношению к данному рецептору. В п.п 3.4. проведен анализ БА ингибиторов р38 MAP киназы в мультитаугомерно-конформационном режиме, рассмотрено более 280 ТК форм для 24 ингибиторов, для которых в литературе найдены величины IC501 (моль/л). Для данных соединений было обнаружено серьезное отличие в величинах активностей для разных энантиоконформеров. Так, например, энантиоконформер, представленный на Рис. 21а, является наиболее активным, в большей степени определяющим БА всего соединения, расчетная величина активности для него составляет pICso% (comp.)=31,92, вероятность существования составляет 0,111.

R=

0=<

в

П -Г О хн

Ar,=3-Me-Ph Ar,=Ph, 3-Me-Ph, 4-F-Ph, 2-F-Ph, 3-F-Ph, 3-Cl-Ph,

4-Cl-Ph, 4-CF30-Ph, 3-CF3-Ph, 3-Et-Ph Ar3=4-F-2-Me-Ph, Ph, 3-Me-Ph, R X= thiophenyl, 2-pyridiiie, 4-pyridine

Его равновероятный зеркальный антипод - энантиоконформер, представленный на Рис. 216, является наименее активным, он характеризуется расчетной величиной активности, равной рГСзо-г, (сошр.)= -15,46. В целом р1С507„ для данного соединения составляет 7,52. Взаимосвязь экспериментальной и расчетной БА соединений, найденная в рамках алгоритма ЕйЗ/МС, представлена на Рис. 21в.

.»♦г

. * ' «

в")

pIC5„(Pred.)

Рис. 21. Ингибиторы р38 МАР-киназы: а) и б) ориентация двух энантиомеров в модельном ре11епторе (Ш8!МС), в) взаимосвязь экспериментальной и расчетной БА (Шв/МС).

Величина активности ингибиторов р38 MAP киназы была определена in vitro, однако в живом организме данные соединения могут метаболизировать. Важную роль в метаболизме соединений эндогенного и экзогенного происхождения играют различные изоформы цитохрома Р450, механизмы метаболизма на которых рассмотрены, например, в п.п. 3.5-3.7. Полученные обучающие правила были использованы для прогноза возможности метаболизма ингибиторов р38 MAP киназы. Было обнаружено, что все изученные соединения будут метаболизировать с высокой вероятностью на 2D6 и ЗА7 изоформах, и подавляющее большинство - на различных изоформах ЗА подсемейства. Таким образом, данные соединения с большой вероятностью не достигнут р38 MAP киназы в клетке, метаболизируя в ней.

В п.п. 3.5-3.8 рассмотрены субстраты изоформ цитохрома Р450, для которых в литературе найдены константы Михаэлиса Км (моль/л), изучены детали механизмов метаболизма на разных

изоформах с целью получения обучающих правил для прогноза метаболизма новых соединений. В п.п. 3.5 рассматриваются субстраты изоформы ЗА4 (примеры показаны на Схеме 3), для которых в литературе найдены константы Михаэлиса (ммоль/л), отражающие эффективность метаболизма. Предварительный анализ с использованием нейронных сетей и дискриминантного анализа показал, что для субстратов ЗА4 изоформы характерна молекулярная масса Мг=200-448 г/моль и минимальный размер вдоль главной оси вращения, равный 4.68-8.00 А. Возможно, это обеспечивает встраивание соединений в полость ЗА4 изоформы, приводя к возможности их метаболизма. Однако эти параметры не являются единственным условием проявления активности в отношении рассмотренной изоформы, поскольку качество распознавания субстратов ЗА4 изоформы при таком рассмотрении не превышает 70%.

Схема 3.

ацетаминофен Индинавир

НО. О О

ОН

V

о

амброксол

таксотер

ретиналь

тирилазад

Поэтому проведен более детальный анализ механизмов реакций метаболизма соединений на ЗА4 изоформе с рассмотрением взаимодействий в системе "рецептор-лиганд". Для каждого соединения выборки проведен мультиконформационный анализ. Рассмотрение найденных конформеров показало, что число наиболее вероятных конформеров у соединений выборки может колебаться от 1 до нескольких десятков. Так, например, для таких субстратов, как мидазолам, салициловая кислота, 2-хлоро-3-пиридин-3-ил-5,6,7,8-тетрагидроиндолизин-1-карбоксамид, включающих циклы, имеющих от 1 до 4 связей вращения количество вероятных конформеров составляет 2-4. Для таких соединений, как целекоксиб, иринотекан, зипрасидон, имеющих

значительное число связей вращения, найдено соответственно 28, 12, 44 конформера. Наибольшее число конформеров наблюдается в случае делавирдина, их число достигает 68. Ряд соединений, например, пропафенон, бупивакаин, бупренорфин, несмотря на значительное число связей вращения (9-13), может существовать всего лишь в виде 1-4 конформеров. Связано это с образованием в подобных структурах эффективных внутримолекулярных взаимодействий, например водородных связей, которые препятствуют вращению. Полученные мульти-конформационные модели молекул рассмотрены с использованием 30/4Э ОЗАИ

алгоритма В1$/МС. Качество полученной количественной модели составило Сго5зК2=0,88.

Экспериментальные и расчетные величины рКм показаны на Рис. 22. Рассмотрение расчетных

активностей конформеров показало, что большинство субстратов метаболизирует в конформациях, энергия которых выше энергии структуры, соответствующей

глобальному минимуму. Кроме того, было найдено, что для ряда соединений энантиоконформеры характеризуются значительным отличием в эффективности метаболизма. Так, для галоперидола, бупивакаина конформеры, характеризующиеся максимальным и минимальным показателем константы Михаэлиса, являются зеркальными антиподами. В случае рацемического оксибутинина метаболизму на ЗА4 изоформе подвергается в большей степени Б-стереоизомер (рКм (тах)= 10.48), Я-стереоизомер характеризуется показателем константы Михаэлиса, не превышающим 1.53. Более активными являются компактные ТК формы.

Анализ полученных модельных комплексов с субстратами выявил, что для активных соединений наблюдается: 1) неэффективное связывание малополярных групп субстрата, например, ароматических колец, с областью I (Рис.23а), представленной заряженными атомами кислорода и водорода, и 2) эффективное связывание положительно заряженных атомов водорода с областью II, представленной атомами кислорода и азота. Для наименее активных структур наблюдаются обратные закономерности (Рис. 236). Структура модельных комплексов позволяет предположить, что область I может имитировать молекулы воды. Тогда выгодное связывание

рКм (Сотр.)

Рис. 22. Расчетные и экспериментальные величины показателей констант Михаэлиса (N=27, Я=0,91. Сгоз5Я2=0,88, 5=0.17)

субстрата с данными атомами может препятствовать встраиванию в изоформу ЗА4, которую могут имитировать атомы области II.

Проведен докинг отобранных наиболее активных конформеров субстратов в полости изоформы с использованием данных РСА ее комплекса с эритромицином (2ДО(1). Рассмотрение расчетных комплексов позволило выделить значительное количество липофильных Н...Н сокращенных контактов между молекулой субстрата и атомами сайта изоформы. Такие контакты

Н-

а)

б)

Рис.23. Модельные комплексы субстратов с изоформой: а) для наиболее активной структуры -конформера индинавира (рКм=11.55). б) наименее активной структуры - конформера зипрасидона (рКм=-33.61).0 - атомы водорода, © - атомы кислорода, ф - атомы азота

являются преимущественными даже в случае молекул с существенным количеством потенциальных центров образования водородных связей. Принято считать, что метаболизм соединений осуществляется под действием молекулы кислорода, связанной с атомом железа гема. Однако рассмотрение комплексов показало, что в подавляющем большинстве случаев метаболизируемые реакционные центры субстратов локализованы от атома железа гема изоформы на расстояниях, превышающих 8 А. Кроме того, данные РСА показывают отсутствие молекулы кислорода в комплексе 2j0d. Поэтому предположено, что метаболизм субстратов осуществляется с участием атома железа гема по эстафетному механизму посредством молекул воды, заполняющих полость, либо с участием аминокислотных остатков полости (например, Arg 105), образующих в ряде случаев водородные связи с метаболизируемыми центрами субстратов.

Обнаружено, что важным для повышения рКм является эффективное взаимодействие субстратов с атомом углерода Phe220. С использованием алгоритма СоСоп найдено уравнение зависимости рКм от энергии взаимодействия с данным атомом (R=0.774, S=0.15).

PKU = -2.09 -1.80 • Ес(Рыт> Данный аминокислотный остаток локализован у входа в полость изоформы, поэтому молекулы больших размеров (индинавир, таксотер), заполняющие всю полость изоформы,

способны образовывать межмолекулярные С...Н липофильные взаимодействия с данным атомом. Расстояние между контактирующими атомами в таких случаях составляет 2.3-2.6 А.

Наилучшая количественная модель, найденная с использованием СоСоп, описывает рКм с Сго5эК2=0,92 (11=0,97, 5=0,05):

РКи =-3.18-0.83 + 0.53^ Ет)

1

Атомы, параметры взаимодействия с которыми входят в данную зависимость, а также критические аминокислотные остатки, включающие данные атомы, показаны на Рис.24.

Рис. 24. Активные центры и критические аминокислотные остатки ЗА4 изоформы.

Другой наиболее распространенной изоформой цитохрома Р450 является 1А2 изоформа. Поэтому в п.п.3.6. исследован механизм метаболизма 17 субстратов данной изоформы, для которых в литературе найдены направления реакций метаболизма. Примеры данных соединений представлены на схеме 4. Для каждого из них проведен ТК анализ, построен псевдоатомный рецептор с использованием алгоритма ШБ/МС, выделены наиболее активные ТК формы,

Схема 4. пулегон мексилетин

Данные РСА комплекса 1А2 изоформы с а-нафтофлавоном (2hi4), взятые в Protein Data Bank, были использованы для докннга субстратов в ее полости. Исследовано расположение реакционных центров (атомов, участвующих в гидроксилировании и деалкилировании при метаболизме) субстратов относительно атома железа тема с целью прогноза направлений метаболических реакций, катализируемых изоформой цитохрома Р450 1А2. Выделено 2 группы субстратов, в каждой из которых реакционные центры локализуются примерно в одном и том же месте пространства полости изоформы, это позволило предположить реализацию двух

различных механизмов метаболизма (Рис.25). В группу 1 попали ацетаминофен, хлорпромазин, эстрон, мексилетин, (R)-напроксен, (5)-напроксен, 9-цис-ретиналь, ретиналь. В группу 2 попали, амитриптилин, нортриптилин, фенацетин и т.д. Обнаружено, что, как правило, реакционные центры перечисленных молекул являются ближайшими к атому железа гема, располагающимися на расстоянии от 3.03 до 5.68 А, что допускает возможность взаимодействия этих атомов с координированным у железа гема кислородом в случае образования соответствующего кислородного комплекса. Исключение составляют молекулы хлорпромазина, эстрона, ретиналя. Для данных молекул, ближайшими к атому железа гема оказываются атомы, для которых экспериментального подтверждения метаболических реакций на изоформе 1А2 не было найдено в литературе, однако есть экспериментальные данные о протекании реакции по данным атомам при метаболизме на других изоформах, например, положение 8 хлорпромазина. Можно предположить, что на 1А2 изоформе 8-гидроксилирование хлорпромазина может протекать одновременно с 7-гидроксилированием. Расстояния от атома железа гема до указанных атомов представлены на Рис 26а. Аналогичная ситуация может наблюдаться для эстрона и ретиналя.

группа 2

группа1

Рис. 25. Суперпозиция реакционных центров 14 субстратов изоформы 1А2. Выделены атомы водорода.

1А2 по результатам моделирования. Показаны только те аминокислотные остатки, которые образуют сокращенные контакты с молекулами исследуемой выборки. Выделены молекулы

субстратов и гем

В ряде случаев (например, ацетаминофен) реакционный центр субстратов расположен от атома железа тема на расстояниях, превышающих 7 А (Рис.266), что практически исключает возможность непосредственного взаимодействия атомов реакционного центра с кислородом, координированным у железа тема. В данных случаях можно предположить окисление по сетке водородных связей, образуемых с молекулами воды, либо участие аминокислотных остатков, образующих значительное количество сокращенных контактов. Подобное наблюдение согласуется с результатами моделирования комплексов субстратов с ЗА4 изоформой. Аминокислотные остатки 1А2 изоформы, образующие сокращенные контакты с субстратами, представлены на Рис.27а. Показано, что подавляющее большинство таких контактов является липофильными. Рассмотрение комплексов с использованием алгоритма СоСоп показало, что наилучшей является взаимосвязь, представленная выражением (16):

рКи= -0.1848 + 0.009£ Епп + 2.047б£ Ект

I к

График полученной зависимости представлен на Рис. 276. Сгоз5Я2=0,79, 11=0,92, 8= 0,09. Показано, что активными центрами лиганда, параметры взаимодействия с которыми определяют величину рКм, являются в основном атомы водорода, участвующие в метаболизме, а также атомы водорода метальных и метиленовых групп, определяющие периферию молекулы и ее гидрофобные взаимодействия с белком (Рис.28). Аналогичные исследования были проведены для субстратов другой наиболее распространенной изоформы 2С9, рассмотренной в п.п.3.8.

Рис. 27. Субстраты 1А2 изоформы: а) аминокислотные остатки, образующие сокращенные контакты с субстратами; б) расчетные (определенные с использованием алгоритма СоСоп) и экспериментальные величины pK¡¿ субстратов

В главе 4 рассматривается дизайн новых перспективных соединений

противоопухолевого,

противовоспалительного, противовирусного и антидепрессантного действий, осуществленный на основании полученных в п.п.3.1-3.4 зависимостей. Всего было сконструировано около 150 активных структур. Для этого был применен алгоритм DesPot, выполняющий топологическую вариацию матриц смежности соединений с известной активностью.

Принципиально, данный подход заключается в обмене фрагментов активных структур для дизайна новой молекулы, активность которой прогнозируется с использованием решающих правил, поученных в рамках алгоритмов BiS/MC, ConGO, СоСоп. Данный алгоритм представлен в работе [Потемкин В.А., Гришина М.А., Пожиленкова Г.В., Микушина K.M., Лауфер С. Генетический алгоритм молекулярного 3D дизайна биологически активных соединений// Биомедицинская химия,- 2004. Т. 50.- Прил. № 1,- С. 42 - 48]. Количественные модели, определенные в п.п.3.5-3.8, позволили провести прогноз метаболизма для найденных структур. Часть из них была синтезирована и прошла успешные биологические испытания in vivo. Данные соединения показаны на Рис.29 и 30.

\

У х\ I J

Y V

--уч

Рис. 28. Активные центры лиганда -хлорпромазина, определенные СоСоп в расчетных комплексах «1А2 изоформа - субстрат»

Рис. 29. Новые противоопухолевые средства: предсказанные на основании обучающих правил, представленных в работе, синтезированные и протестированные в Миланском университете

(Италия).

Рис. 30. Новые противовоспалительные средства: предсказанные на основании решающих правил, представленных в работе, синтезированные и протестированные в университете Аристотеля г.

Салоники (Греция).

Выводы:

I. Предложена комбинация компьютерных методов для анализа и прогноза биологически активных соединений, позволяющая

- производить детальное рассмотрение внешнего (характеристики поля) и внутреннего (параметры электронной структуры) строения биологически активных соединений с оценкой их таутомерно-конформационного состояния в момент взаимодействия с биологическим рецептором;

- осуществлять докинг соединений на сайте рецептора;

- определять количественные закономерности величины активности от параметров поля молекул, их электронной структуры, характеристик взаимодействия в модельных комплексах «рецептор-лаганд».

Данная комбинация включает алгоритм РгоК для оценки таутомерно-конформационного равновесия в водных растворах органических соединений, 30/40 (^АЯ алгоритмы ВіЯ/МС и СопСО для анализа внешнего поля молекул, докинга соединений, рассмотрения

параметров электронной структуры биологически активных соединений, алгоритм СоСоп для анализа комплексов «рецептор-лиганд».

2. Впервые в предложенной комбинации методов использован алгоритм AlteQ для оценки электронного строения молекул, с хорошим качеством воспроизводящий данные прецизионного РСА при значительно меньших временных затратах по сравнению с квантово-химическими подходами.

3. С помощью данной комбинации компьютерных методов проведен анализ и выявлены детали механизмов биологического действия органических соединений: противоопухолевых средств - ингибиторов DHFR, противовоспалительных средств -ингибиторов р38 МАР киназы, противовирусных средств - ингибиторов нейраминидазы; изучено селективное действие антидепрессантных средств - ингибиторов 5НТ1д-рецептора - в присутствии конкурирующего ai-AR рецептора.

4. Данная комбинация методов использована для определения закономерностей в реакциях метаболизма субстратов на различных изоформах цитохрома Р450 (1А2, ЗА4,2С9 и др.).

5. Для всех рассмотренных в работе соединений определены таутомерно-конформационные формы, встраивающиеся в рецептор, выделены фармакофорные и антифармакофорные фрагменты электронной структуры соединений.

6. Выполнено построение комплексов «рецептор-лиганд». Сопоставление более 70 расчетных комплексов с данными РСА показало хорошее согласие между ними: найдено, что среднеквадратичное отклонение координат атомов молекул в расчетной и экспериментальной ориентациях в рецепторе, как правило, не превышает 1 А, что показывает более высокое качество прогноза строения комплексов «рецептор-лиганд» по сравнению с мировыми аналогами.

7. Найдены количественные закономерности биологической активности от параметров внешнего поля молекул, их электронной структуры, характеристик взаимодействия в комплексах «рецептор-лиганд». Полученные количественные модели позволяют описать величины БА соединений (pIC30%, pGI5o%, Ef, рКм и др.) с коэффициентами корреляции не менее 0.90.

8. Полученные количественные закономерности использованы для конструирования новых лекарственных средств с оценкой возможности их метаболизма на изоформах цитохрома Р450. Четыре предсказанных соединения (два из них противоопухолевого и два противовоспалительного действий) синтезированы и прошли успешные предклинические биологические испытания ш vivo в Миланском университете (Италия) и университете Аристотеля г. Салоники (Греция). Показано, что данные соединения обладают большей

активностью по сравнению с используемыми в лечебной практике лекарственными средствами аналогичного терапевтического действия.

Основное содержание диссертации опубликовано в работах:

1. Potemkin V. A., Bartashevich Е. V., Grishina М. A., Guccione S. An Alternative Method for 3D-QSAR and the Alignment of Molecular Structures: BiS (Biological Substrate Search)// Rational Approaches to Drug Design. Proceedings of the 13th European Symp. on Quantitative Structure-Activity Relationships, QSAR 2000. Heinrich-Heine-Universität, Düsseldorf, Germany, 27 August-1 September, 2000.- Barcelona: Prous Science Publishers, 2001.- P. 349 - 353.

2. Потемкин B.A., Гришина M.A., Велик A.B., Чупахин O.H. Исследование количественной взаимосвязи структура - антибактериальная активность производных хинолона// Хим.-фарм. журн,- 2002,- Т. 36,- № 1.- С. 22 - 25.

3. Барташевич Е.В., Гришина М.А., Потемкин В.А., Белик A.B. Метод мультиконформационного моделирования пространственной формы молекулы// Журн. структ. химии,- 2002,- Т. 43.- № 6,-С. 1120-1127.

4. Гришина М.А., Барташевич Е.В., Потемкин В.А., Белик A.B. Генетический алгоритм для прогноза строения и свойств молекулярных агломератов в органических веществах// Ж>рн. структ. химии,- 2002,- Т. 43,- № 6,- С. 1128 - 1133.

5. Потемкин В.А., Арсламбеков P.M., Барташевич Е.В., Гришина М.А., Белик A.B., Перспикаче С., Гуччионе С. Мультиконформационный метод анализа биологической активности молекулярных структур// Журн. структ. химии.- 2002,- Т. 43,- № 6.- С. 1134 - 1138.

6. Mikuchina К., Potemkin V., Grishina М., Laufer S. 3D QSAR analysis and pharmacophore modelling of p38 MAP kinase inhibitors using BiS algorithm// Arch. Pharm. Pharm. Med. Chem.-2002.- Vol. 335,- N 1,- P. C74.

7. Потемкин B.A., Гришина M.A., Федорова O.B., Русинов ГЛ. , Овчинникова И.Г., Ишметова Р.И. Теоретическое исследование противотуберкулезной активности мембранотропных подандов// Хим.-фарм. журн.- 2003.- Т. 37.- № 9.- С. 17-21.

8. Потемкин В.А., Гришина М.А., Пожиленкова Г.В., Микушина K.M., Лауфер С. Генетический алгоритм молекулярного 3D дизайна биологически активных соединений// Биомедицннская химия.- 2004. Т. 50.- Прил. № 1.- С. 42 - 48.

9. Гришина М.А., Потемкин В.А., Микушина K.M., Пожиленкова Г.В., Лауфер С. Комбинированный подход к анализу биологической активности соединений// Биомедицинская химия,- 2004. Т. 50.- Прил. № 1.- С. 68 - 76.

10. Погребной A.A., Рябинин В.Е., Барташевич Е.В., Гришина М.А., Потемкин В.А. Подход к отбору веществ с заданными метаболическими свойствами// Биомедицинская химия.- 2004. Т. 50,-Прил. №1,- С. 77-84.

11. Потемкин В.А., Гришина М.А., Барташевич Е.В., Зракова Т.Ю., Погребной А.А. Моделирование взаимодействий изоформы 2Е1 цитохрома Р450 человека с субстратами// Биофизика,- 2005,- Т. 50.- № 3,- С. 418 - 422.

12. Гришина М.А., Погребной А.А., Потемкин В.А., Зракова Т.Ю. Теоретическое исследование субстратной специфичности изоформ цитохрома Р450// Хим.-фарм. журн,- 2005.- Т. 39,- № 10,- С. 3-7.

13. Гришина М.А., Потемкин В.А., Барташевич Е.В., Синяев А.Н., Русинов Г.Л„ Латош Н.И., Ганебных И.Н., Корякова О.В., Ишметова Р.И. Моделирование комплексов производных 1,2,4,5-тетразина с органическими аминами// Журн. Струкг. химии.- 2006.-47.- N 6.- с. 11651171.

14. Потемкин В.А., Гришина М.А., Барташевич Е.В. Моделирование ориентации молекул лекарственных средств в полости рецептора в рамках алгоритма BiS// Журнал структурной химии. -2007.-48,-N 1.-е. 153-158.

15. Худина О.Г., Щегольков Е. В., Бургарт Я. В., Кодесс М. И., Салоутин В. И., Кажева О. Н., Шилов В, Г., Дьяченко О. А., Гришина М. А., Потемкин В. А., Чупахин О. Н. Исследование геометрической изомерии в ряду фторалкилсодержащих 2-арилгидразон-1,2,3-трионов // Журнал органической химии,- 2007,- Т. 43,- N 3,- С. 381-389

16. Щур, И. В.; Худина, О. Г.; Бургарт, Я. В.; Салоутин, В. И.; Гришина, М. А.; Потемкин, В. А. Синтез, строение и комплексообразующая способность фторалкилсодержащих 2,2'-(4,4~-бифениддигидразоно)-бис(1,3-дикарбонильных) соединений/Журнал органической химии. -2007. - Т. 43.-N 12. - С. 1780-1786.

17. Grishina М.А., Bartashevich E.V., Pereyaslavskaya E.S. and Potemkin V.A. A Novel Techniques for Virtual Discovery for Study of Multistage Bioprocesses// Drugs of the Future.- 2007.- Vol. 32, Suppl. A.- P. 27.

18. Pereyaslavskaya E.S., Potemkin V.A., Grishina M.A., Bartashevich E.V. The analysis of pharmacophoric parts of DHFR - inhibitors using 3D-QSAR algorithm BiS/MC and X-ray data// Drugs of the Future.- 2007.- Vol. 32, Suppl. A.- P. 87.

19. Grishina M.A., Potemkin V.A. A novel approach to pattern recognition for drugs// Drugs of the Future.- 2007.- Vol. 32, Suppl. A.- P. 112.

20. Potemkin V. A novel technique for virtual discovery for study of multistage bioprocesses// 234th ACS National Meeting.- Boston, August 19-23,2007,- Book of Abstr.- P. COMP253.

21. Гришина M.A., Потемкин B.A., Матери А.И. Теоретическое исследование реакций окисления акриданов// Журн. струкг. химии.- 2008,- Т. 49.- № 1- С. 13 - 18.

22. Potemkin V.A., Grishina М.А. A new paradigm for pattern recognition of drugs. Journal of Computer Aided Molecular Design. 2008,- 22,- P. 489-505.

23. Гришина М.А., Потемкин В.А. GonGO N 2007614593 зарегистрировано в Реестре программ для ЭВМ 31 октября 2007 г., заявка N 2007613592 от 7 сентября 2007 г.

24. Гришина М.А., Потемкин В.А. РгоК N2008610190, зарегистрировано в Реестре программ для ЭВМ 9 января 2008 г., заявка N 2007613591 от 7 сентября 2007 г.

25. Гришина М.А., Потемкин В.А. BiS/MC (multi-conformational), зарегистрировано в Реестре программ для ЭВМ 18 февраля 2008 г., заявка N 2007613594 от 7 сентября 2007 г.

26. Гришина М.А., Потемкин В.А., Погребной А.А., Ившина Н.Н. Исследование конформационных состояний субстратов изоформы ЗА4 цитохрома Р450 // Биофизика - 2008. - Т.53. - Вып.5. -С.758-765.

27. Переяславская Е.С., Потемкин В.А., Барташевич Е.В., Гришина М.А., Русинов Г.Л., Федорова О.В., Жидовинова М.С., Овчинникова И.Г. Теоретическое исследование туберкулостатической активности соединений дигидропиримидинового ряда// Хим.-фарм. журн.- 2008.- Т. 42.- № 11,-С. 23 - 26.

28. Potemkin V., Grishina М. Princiles for 3D/4D QSAR classification of drugs // Drug discovery today.-2008,- Vol.13. N21/22.-P. 952-959.

29. Багрянская И.Ю., Гришина M.A., Сафина Л.Ю., Селиванова Г.А., Потемкин В.А., Гатилов Ю.В. Рентгенострукгурные и квантово-топологические исследования межмолекулярных взаимодействий в кристаллах частично фторированных хинолинов// Журн. структ. химии.-2008,- Т. 49,- № 5,- С. 933 - 942.

30. Potemkin V, Pogrebnoy A., Grishina М. A Technique for Energy Decomposition in the Study of "Receptor-Ligand" Complexes //Journal of Chemical Information and Modeling - 2009.- Vol. 49,- № 6.-P. 1389-1406

31.Афонькина E.C., Гришина M.A., Ившина H.H., Матвеев Г.А., Потемкин В.А. Реализация параллельной версии программы расчета лекарственных средств с использованием Т-Системы с открытой архитектурой (OpenTS)// Труды международной конференции "Программные системы: теория и приложения", ИПС РАН им. А.К. Айламазяна, г. Переславль-Залесский, май 2009/ Под редакцией С.М. Абрамова и С.В. Знаменского.- Т. 1,- Переславль-Залесский: Изд-во "Университет города Переславля", 2009,- С. 217 - 224. ISBN 978-5-901795-16-3.

32. Kuzmicheva G.A., Jayanna Р.К., Eroshkin A.M., Grishina M.A., Pereyaslavskaya E.S., Potemkin V.A., Petrenko V.A. Mutations in fd phage major coat protein modulate affinity of the displayed peptide// Protein Engineering Design and Selection.- 2009.-Vol.22.-P.631-639.

33. Potemkin V., Galimova O., Grishina M. Cinderella's Shoe for virtual drug discovery screening and design// Drugs of the Future. - 2010,- Vol. 35.-P. 14-15.

34. Grishina M., Potemkin V. Electron-nuclear quintessence of drugs therapeutic action. Drugs of the Future. 2010.-Vol. 35.-P. 130-131.

35.Afonkina E, Palko N., Toreeva N., Potemkin V., Grishina M. Restricted docking of the DHFR inhibitors to the DHFR receptor. Drugs of the Future. 2010. Vol. 35. P. 182.

36. Афонькина B.C. Потемкин B.A., Гришина M.A. Теоретическое исследование реакции несимметричных 3,6-дизамещённых сим-тетразинов с некоторыми енаминами// Химия гетероциклических соединений.- 2010.-Т. 518.- N 8. - Р. 1217 - 1222.

37. Гришина М.А., Потемкин В.А., Погребной A.A., Сысаков Д.А. Моделирование комплексов субстратов с цигохромом Р450 2С9. -2010. - Т. 44.- N 5.- с. 16-20.

38. Sushko I., Novotarskyi S., Körner R., Pandey A.K., Rupp M., Teetz W., Brandmaier S., Abdelaziz A., Prokopenko V.V., Tanchuk V.Y., Todeschini R., Vamek A., Marcou G., Ertl P., Potemkin V., Grishina M., Gasteiger J., Schwab C., Baskin I.I., Palyulin V.A., Radchenko E.V., Welsh W.J., Kholodovych V., Chekmarev D., Cherkasov A., Aires-de-Sousa J., Zhang Q-Y., Bender A., Nigsch F., Patiny L., Williams A., Tkachenko V., Tetko I.V. Online chemical modeling environment (OCHEM): web platform for data storage, model development and publishing of chemical information// J. Comput. Aided Mol. Des.- 2011,- Vol. 25. - P. 533-554.

39. Гришина M.A., Матвеев Г.А., Потемкин B.A. BiS_p N 2010615221 зарегистрировано в Реестре программ для ЭВМ 13 августа 2010 г.

40. Потемкин В.А., Матвеев Г.А., Гришина М.А. CiS_p N 2010615222 зарегистрировано в Реестре программ для ЭВМ 13 августа 2010 г.

Подписано в печать 08.02.2012. Формат 60x84/16. Бумага офсетная. П.л. 2,3. Отпечатано на ризографе. Тираж 90 экз. Заказ ЧелГМА, 454092, Челябинск, ул. Воровского, 64. Полиграфия «АС Принт» 454000, г. Челябинск, пр. Ленина, 89, оф. 117

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННЫЕ ПОДХОДЫ К ТЕОРЕТИЧЕСКОМУ 12 ИССЛЕДОВАНИЮ БИОЛОГИЧЕСКОЙ АКТИВНОСТИ СОЕДИНЕНИЙ

1.1. Стадии действия лекарственных средств

1.1.1. Фармацевтическая стадия

1.1.2. Фармакокинетическая стадия

1.1.3. Фармакодинамическая стадия

1.1.4. Единицы измерения биологической активности

1.2. Характеристики молекул и их влияние на биологическую активность соединения

1.2.1. Характеристики атомного состава

1.2.2. Топологические характеристики

1.2.3. Геометрические характеристики молекул

1.2.3.1. Линейные характеристики

1.2.3.2. Квадратичные характеристики

1.2.3.3. Объемные характеристики

1.2.3.4. Безразмерные характеристики

1.2.3.4.1. Пропорциональные отношения линейных размеров молекул

1.2.3.4.2. Характеристики симметрии

1.2.3.4.3. Характеристики хиральности

1.2.4. Квантово-химические и молекулярно-механические характеристики

1.3. Методы статистического анализа для исследования биологически активных соединений

1.3.1. Классификация биологически активных соединений

1.3.1.1. Экспертные системы

1.3.1.1.1. Логические экспертные системы

1.3.1.1.2. Логико-статистические экспертные системы

1.3.1.1.3. Логико-статистические экспертные системы с нечеткой 39 логикой

1.3.1.1.4. Смешанные экспертные системы (системы здравого смысла)

1.3.1.2. Пространство главных компонент

1.3.1.3. Дискриминантный анализ

1.3.2. Методы распознавания образов для анализа биологической активности

1.3.2.1. Метод К-ближайших соседей

1.3.2.2. Метод s-окрестности

1.3.2.3. Метод потенциальных функций

1.3.2.4. Метод разделяющей гиперповерхности

1.3.2.5. Метод Айдарханова

1.3.2.6. Метод главных компонент для задач распознавания

1.3.2.7. Метод «идеальный эталон»

1.3.3. Регрессионное моделирование биологической активности.

1.4. 3D И 4D-QSAR МЕТОДЫ

1.4.1. Модель информационного поля

1.4.2. Использование функции радиального распределения для анализа 58 биологической активности

1.4.3. Метод фронтальных многоугольников.

1.4.4. Алгоритмы CoMFA и HASL

1.4.5. Алгоритм PARM

1.5. Методы докинга (моделирование комплексов лекарственных средств с трехмерной структурой рецептора, определенной с помощью рентгеноструктурного анализа или ЯМР-спектроскопии)

1.6. Метод конструирования новых эффективных лекарственных препаратов - 69 DesPot

ГЛАВА 2. НОВЫЕ ТЕОРЕТИЧЕСКИЕ МЕТОДЫ МОДЕЛИРОВАНИЯ

БИОЛОГИЧЕСКОЙ АКТИВНОСТИ СОЕДИНЕНИЙ

2.1. Таутомерно-конформационный анализ соединений

2.1.1. Метод конформационного и таутомерно-конформационного 74 моделирования соединений

2.1.2. Таутомерно-конформационное моделирование соединений с учетом 78 эффектов влияния водного окружения

2.1.3. Анализ плотности соединений в мультиконформационном приближении

2.1.4. Мультиконформационная и мультитаутомерноконформационная модели молекул

2.1.5. Мультиконформационное и мультитаутомерноконформационное 87 моделирование биологической активности соединений

2.1.6. Сопоставление расчетных наиболее активных таутомерно- 92 конформационных форм с данными РСА

2.2. 30 (^АИ. алгоритм СогЮО для анализа электронной структуры молекул и ее 96 влияния на биологическую активность соединения

2.3. ЗР С^А!?. алгоритм СогКЗО как метод распознавания образов лекарственных 99 средств

2.4. Новый подход к оценке функции распределения электронной плотности 100 молекул (Аке(3), используемый в алгоритме СогЮО

2.5. Докинг соединений с использованием алгоритма В18/МС

2.6. Метод СоСоп для анализа комплексов лекарственных препаратов с 117 рецептором

2.6.1. Построение зависимостей БА от параметров взаимодействия всей 118 молекулы с рецептором

2.6.2. Построение зависимостей Б А от параметров взаимодействия активных 121 центров молекулы с рецептором

2.6.3. Вычисление энергий водородных связей

ГЛАВА 3. АНАЛИЗ БИОЛОГИЧЕСКОЙ АКТИВНОСТИ СОЕДИНЕНИЙ

С ИСПОЛЬЗОВАНИЕМ ПРЕДЛОЖЕННЫХ ПОДХОДОВ

3.1. Исследование противоопухолевых средств - ингибиторов 126 дигидрофолатреду ктазы

3.1.1. Мультитаутомерно-конформационный анализ в рамках алгоритма 129 В18/МС

3.1.2. Регрессионный анализ характеристик таутомерно-конформационных 136 форм ингибиторов дигидрофолатредуктазы

3.1.3. Исследование электронного строения наиболее активных таутомерноконформационных форм ингибиторов дигидрофолатредуктазы

3.1.4. Докинг молекул в полости дигидрофолатредуктазы

3.2. Моделирование взаимодействия противовирусных соединений с нейраминидазой гриппа А

3.2.1. Моделирование комплексов «катион-анион» органических солей ингибиторов нейраминидазы

3.2.2. Рассмотрение взаимодействия молекул с модельным рецептором в рамках алгоритма BiS/MC

3.2.3. Моделирование комплексов противовирусных средств с 150 нейраминидазой. Определение количественных закономерностей с использованием алгоритма СоСоп

3.3. Классификация ингибиторов р38 МАР-киназы

3.3.1. Построение экспертных систем

3.3.2. Проведение дискриминантного анализа

3.3.3. Моделирование комплексов р38 MAP киназы с ингибиторами

3.4. Моделирование комплексов изоформы 1А2 цитохрома Р450 с субстратами

3.5. Моделирование комплексов изоформы 2С9 цитохрома Р450 с субстратами

3.6. Исследование субстратов изоформы ЗА4 цитохрома Р

3.6.1. Классификация субстратов изоформы ЗА

3.6.2. Построение мультиконформационной модели субстратов ЗА4 изоформы

3.6.3. Моделирование комплексов субстратов с изоформой цитохрома Р450.

3.7. Теоретическое исследование электронных и структурных особенностей 187 туберкулостатических средств -ингибиторов дигидрофолатредуктазы

3.7.1. Определение фармакофорных и антифармакофорных фрагментов 187 ингибиторов дигидрофолатредуктазы.

3.7.2. Построение модельных комплексов «лиганд - рецептор»

3.7.3. Квантовохимическое рассмотрение

3.7.4. Докинг ингибиторов в полости дигидрофолатредуктазы

3.7.5. Анализ соединений классифицирующими версиями алгоритмов BiS и

ConGO

3.8. Теоретическое исследование агонистов 5НТ1А-рецептора

3.8.1. Анализ агонистов 5НТ]А-рецептора в рамках алгоритма BiS/MC

3.8.2. 3D/4D-QSAR анализ агонистов 5НТ1А-рецептора и моделирование 202 комплексов "рецептор - лиганд" в рамках алгоритма ConGO

ГЛАВА 4. ПОГНОЗ НОВЫХ ЭФФЕКТИВНЫХ ЛЕКАРСТВЕННЫХ 204 ПРЕПАРАТОВ

4.1. Молекулярный дизайн новых потенциальных агонистов 5НТ1 д-рецептора

4.2. Поиск новых перспективных лекарственных средств - ингибиторов дигидрофолатредуктазы

4.3. Потенциально активные лекарственные средства против вируса гриппа А 216 (ингибиторы нейраминидазы)

4.4. Структуры сконструированных в данной работе соединений, для которых 220 проведены биологические испытания

ВЫВОДЫ

С самого зарождения прикладной химии и по сей день в области химии учеными преследовались различные цели, но основными были и остаются на сегодняшний день две из них - это изготовление новых материалов и создание эффективных лекарственных препаратов. Процесс производства лекарственных средств обычно включает в себя следующие стадии:

1) выбор биологической мишени, действие на которую лекарственным средством будет приводить к терапевтическому эффекту;

2) синтез в химической лаборатории соединений;

3) биотесты in vitro (экспериментальный скрининг in vitro), примерная установка показана на Рис. 1.1.;

4) биотесты in vivo (например, на крысах, приматах и т.д.);

5) клинические тесты;

6) разработка и оптимизация технологии производства.

На разработку одного лекарственного препарата с использованием данной методологии в среднем требуется от 5 до 16 лет с затратами, часто превышающими 1 млрд. долларов с учетом препаратов, не достигших рынка [1]. Очевидно, что подобные расходы очень велики, учитывая то, что примерно из 1 млн. синтезированных соединений в результате скрининга выделяется лишь 3-5 прототипов лекарства. Данные соединения модифицируются химиками-синтетиками с получением порядка 10000 новых производных прототипов, из которых лишь три соединения доходят до стадии клинических испытаний. В связи с этим учеными интенсивно создаются теоретические (или их еще часто называют in silico) методы исследования механизмов действия лекарственных средств, прогноза активности, виртуального дизайна новых препаратов, например [2-45]. Данные подходы позволяют осуществлять виртуальные биотесты in vitro (виртуальный скрининг), выделять только потенциально активные соединения и лишь затем проводить их синтез и биологические испытания.

Рис. 1.1. Аппаратура, используемая для высокопроизводительного скрининга. А.

Роботизированная пипетка, в автоматическом высокопроизводительном режиме наносящая образцы тестируемых соединений в плашку с системой для скрининга. Типичное количество углублений на плашке — тысячи. Объем системы в одной лунке микролитры. Объем вносимого образца — нанолитры. Б. Установка для высокопроизводительного скрининга и считывания флуоресцентного сигнала Mark II

Scarina. Работает с плашками, содержащими 2048 углублений (NanoCarrier). Полностью автоматическая (работает в круглосуточном режиме). Производительность более 100000 лунок (образцов) в день.

Применение виртуальных методов существенно снижает материальные и временные затраты на разработку лекарства, однако данные подходы не могут полностью заменить биотесты, поскольку важной является так называемая ADMET-проблема (Adsorbtion, Distribution, Metabolism, Excretion, Toxicity), вызывающая серьезный отсев потенциально активных соединений (предшественников лекарства) и проявляющаяся главным образом на четвертой стадии [46-49]. Дело в том, что в организме человека предшественник лекарства может адсорбироваться не только на целевом рецепторе. Это может приводить к преждевременному метаболизму с потерей активности или ее изменением, к обратному терапевтическому эффекту, проявлению токсичности. Кроме того, может наблюдаться неэффективное распределение предшественника лекарства по органам человека, микровыделение (недостаточное время пребывания молекулы в клетке) или макровыделение (выделение молекулы, не достигнувшей клетки) и т.д. Все эти причины могут приводить к невозможности использования соединения в лечебной практике.

До сих пор нет универсальных решений АОМЕТ-проблемы. Однако существуют приближенные правила, которым должно соответствовать хорошее лекарственное средство. Эти правила были высказаны Липинским еще в 70-е годы XX века (правило пяти) [50]:

1) молекулярная масса лекарственного средства должна лежать в пределах от 200 до 500 а.е.м. (значения больше 500 затрудняют диффузию в воде, меньше 200 затрудняют диффузию через липидную мембрану);

2) десятичный логарифм параметра липофильности должен принимать значения от 0 до 5 (влияет на растворимость в воде);

3) соединение должно содержать не более 5 доноров протонов;

4) соединение должно иметь не более 10 акцепторов протонов (при больших значениях молекула будет сильно гидратирована);

5) число нитрогрупп в молекуле не должно превышать 3 (из-за высокой токсичности нитросоединений).

В основе первых теоретических подходов, используемых для разработки лекарств, был заложен принцип сходства, например, с некоторым агонистом биомишени [51]. Так появились аспирин, стрептоцид, новокаин. Затем Эрлихом была предложена концепция существования в молекуле лекарственного средства групп-фармакофоров и скаффолдов (балластных частей) [52, 53]. Фармакофором называется группа, обеспечивающая биологическое действие лекарственного препарата, например, сульфаниламидная группа в одноименных антибактериальных препаратах. При этом считалось, что изменение заместителей у фармакофорной группы может приводить к повышению биологической активности и снижению(нежелательных эффектов.

На концепции фармакофоров основан комбинаторный синтез, осуществляемый путем введения различных заместителей в предполагаемый фармакофор [54-57]. В настоящее время эффективность комбинаторного синтеза не превышает 0,01%. Это связано с тем, что понятие фармакофора не универсально, и поэтому вероятность подбора нужного заместителя очень мала.

Другой интересной идеей, используемой при разработке лекарственных препаратов, оказалась идея Ханша (1964 г.) [13,14], которая заключается в том, что биологическую активность можно количественно представить как функцию некоторых характеристик молекул лекарственных средств. Он предложил уравнение связи биоактивности (ВА) вещества с его логарифмом константы распределения (lgP) в системе н-октанол-вода: BA-a + b\gP. В данном случае н-октанол моделирует липофильную часть клетки живого организма (липидный бислой), а вода -гидрофильную часть. Так зародились методы количественной взаимосвязи «структура-свойство» (QSPR - Quantitative Structure-Property Relationship) и количественной взаимосвязи «структура-активность» (QSAR - Quantitative Structure-Activity Relationship). Поскольку данные методы рассматривают трехмерную структуру взаимодействующих частиц, то их называют 3D QSAR - методами, например [9,20,21,24], в ряде случаев добавляется учет вероятности существования молекул в различных конформационных и таутомерных состояниях, поэтому такие методы называют 4D QSAR-методами, например [24,28]. Последним витком достижений медицинской химии стало развитие методов докинга (например [44,45]) лекарственных препаратов в рецепторе, структура которого установлена с помощью рентгеноструктурного анализа или ЯМР-спектроскопии. Данные методы основаны на моделировании комплексов лекарственных средств (лигандов) с рецептором, определении взаимосвязей активности с параметрами строения данных комплексов. Дальнейшее развитие химии в этом направлении вплоть до настоящего времени было связано с усовершенствованием существующих методов анализа и прогноза новых лекарственных препаратов, учитывая то, что многие из них проводят недостаточный учет основных стадий биологического действия соединений, конформационную подвижность, динамику взаимодействий в системе «рецептр-лиганд» и т.д.

Поэтому целью работы является компьютерное моделирование биологического действия соединений с учетом таутомерно-конформационного (ТК) состояния молекул, распределения электронной плотности, взаимодействия с биологическим рецептором, возможности метаболизма для прогноза новых перспективных лекарственных средств с учетом их метаболических свойств.

Выводы

1. Предложена комбинация компьютерных методов для анализа и прогноза биологически активных соединений, позволяющая

- производить детальное рассмотрение внешнего (характеристики поля) и внутреннего (параметры электронной структуры) строения биологически активных соединений с оценкой их таутомерно-конформационного состояния в момент взаимодействия с биологическим рецептором;

- осуществлять докинг соединений на сайте рецептора;

- определять количественные закономерности величины активности от параметров поля молекул, их электронной структуры, характеристик взаимодействия в модельных комплексах «рецептор-лаганд».

Данная комбинация включает алгоритм РгоК для оценки таутомерно-конформационного равновесия в водных растворах органических соединений, 3D/4D QSAR алгоритмы BiS/MC и ConGO для анализа внешнего поля молекул, докинга соединений, рассмотрения параметров электронной структуры биологически активных соединений, алгоритм СоСоп для анализа комплексов «рецептор-лиганд».

2. Впервые в предложенной комбинации методов использован алгоритм AlteQ для оценки электронного строения молекул, с хорошим качеством воспроизводящий данные прецизионного РСА при значительно меньших временных затратах по сравнению с квантово-химическими подходами.

3. С помощью данной комбинации компьютерных методов проведен анализ и выявлены детали механизмов биологического действия органических соединений: противоопухолевых средств - ингибиторов DHFR, противовоспалительных средств - ингибиторов р38 MAP киназы, противовирусных средств - ингибиторов нейраминидазы; изучено селективное действие антидепрессантных средств -ингибиторов 5НТ1д-рецептора - в присутствии конкурирующего ai-AR рецептора.

4. Данная комбинация методов использована для определения закономерностей в реакциях метаболизма субстратов на различных изоформах цитохрома Р450 (1А2, ЗА4, 2С9 и др.).

5. Для всех рассмотренных в работе соединений определены таутомерно-конформационные формы, встраивающиеся в рецептор, выделены фармакофорные и антифармакофорные фрагменты электронной структуры соединений.

6. Выполнено построение комплексов «рецептор-лиганд». Сопоставление более 70 расчетных комплексов с данными РСА показало хорошее согласие между ними: найдено, что среднеквадратичное отклонение координат атомов молекул в расчетной и экспериментальной ориентациях в рецепторе, как правило, не превышает 1 Á, что показывает более высокое качество прогноза строения комплексов «рецептор-лиганд» по сравнению с мировыми аналогами.

7. Найдены количественные закономерности биологической активности от параметров внешнего поля молекул, их электронной структуры, характеристик взаимодействия в комплексах «рецептор-лиганд». Полученные количественные модели позволяют описать величины БА соединений (pICso%, pGl5o%, Ef, рКм и др.) с коэффициентами корреляции не менее 0.90.

8. Полученные количественные закономерности использованы для конструирования новых лекарственных средств с оценкой возможности их метаболизма на изоформах цитохрома Р450. Четыре предсказанных соединения (два из них противоопухолевого и два противовоспалительного действий) синтезированы и прошли успешные предклинические биологические испытания in vivo в Миланском университете (Италия) и университете Аристотеля г. Салоники (Греция). Показано, что данные соединения обладают большей активностью по сравнению с используемыми в лечебной практике лекарственными средствами аналогичного терапевтического действия.

1. Чугунов А. Драг-дизайн: как в современном мире создаются новые лекарства// Популярная механика.-2007.- N 7.-С. 3-10.

2. Barysz, М., Jashari, G., Lall, R.S., Srivastava, А.К., Trinajstic, N. Chemical Applications of Topology and Graph Theory, King R.B. (Ed.), Elsevier, Amsterdam, The Netherlands, 1983.

3. Timmerman, H., Todeschini, R., Consonni, V., Mannhold, R., Kubinyi, H. Handbook of Molecular Descriptors, Wiley-VCH, Weinheim, 2002.

4. Wildman S.A., Crippen G.M. Prediction of Physiochemical Parameters by Atomic Contributions// J. Chem. Inf. Comput. Sci.- 1999.-Vol.39.-N5.-P. 868 873.

5. Basak S.C., Harriss D.K., Magnuson V.R. Comparative study of lipophilicity versus topological molecular descriptors in biological correlations// J. Pharm. Sci.- 1984,-Vol. 73, P. 429-437.

6. Dearden J.C. In silico prediction of drug toxicity// J. Comp.-Aided Mol. Des.- 2003.-Vol. 17.-N 2-4.-P. 119-127.

7. Kier, L.B., Hall, L.H. Molecular Connectivity in Structure-Activity Analysis, Wiley & Sons, Chichester, UK, 1986.

8. Lee В., Richards F.M. The interpretation of protein structures: estimation of static accessibility//J. Mol. Biol.- 1971.-Vol. 55.-N 3,- P. 379-400.

9. Kubinyi, H., Folkers, G., Martin, Y.C. 3D QSAR in Drug Design, Kluwer Academic Publishers, Great Britain.

10. Gramatica P. WHIM Descriptors of Shape// QSAR & Combinatorial Science.- 2006,-Vol.25.-N 4.-P. 327-332.

11. Holmstedt, В., Frank, H., Testa, B. Chirality and Biological Activity, Alan R. Liss, NY, 1990.

12. Ariens E.J. Chirality in bioactive agents and its pitfalls// Trends Pharmacol. Sci.- 1986.-N7.-P. 200-205.

13. Kubinyi, H. QSAR: Hansch Analysis and Related Approaches, VCH, Weinheim, 1993.

14. Hansch, C., Leo, A. Exploring QSAR. Fundamentals and Applications in Chemistry and Biology, American Chemical Society, Washington, DC, 1995.

15. Jensen, F. Introduction to Computational Chemistry, Wiley, Chichester, 2006.

16. Schneider, G., Baringhaus, K.-H., Kubinyi, H. Molecular Design: Concepts and Applications, Wiley, NY, 2008.

17. Cramer R.D. Ill, Patterson D.E., Bunce J.D. Comparative molecular field analysis (CoMFA). 1. Effect of shape on binding of steroids to carrier proteins// J. Am. Chem. Soc., 1988,- Vol.110.-N18.- P. 5959-5967.

18. U.S. Patent 5025388. Comparative molecular field analysis (CoMFA).

19. SYBYL/QSAR, Molecular Modelling Software, Tripos Inc., 1699 S. Hanley Road, St. Louis, MO 63944, USA.

20. Kubinyi H. 3D QSAR in Drug Design. Theory, Methods and Applications', ESCOM, Leiden, 1993.

21. DePriest S.A., et al 3D-QSAR of angiotensin-converting enzyme and thermolysin inhibitors: a comparison of CoMFA models based on deduced and experimentally determined active site geometries// J. Am. Chem. Soc.- 1993.- Vol.115,- N 13,- P. 5372-5384.

22. Clark M., Crammer R.R., Van O.N. (1989), The Tripos force field. J. Comput. Chem., 10, 982-1012.

23. Burden F.R., Winkler D.A. (1999), New QSAR methods applied to structure-activity mapping and combinatorial chemistry. J. Chem. Info. Comp. Sci., 39, 236-242.

24. Guccione S., Doweyko A.M., Chen H„ Uccello Barretta G., Balzano F. (2000), 3D-QSAR using 'Multiconformer' alignment: The use of HASL in the analysis of 5-HT1A thienopyrimidinone ligands. J. Comput. Aided Mol. Des., 14(7), 647-657.

25. Klebe G., Abraham U., Mietzner T. (1994), Molecular similarity indices in a comparative analysis (CoMSIA) of drug molecules to correlate and predict their biological activity. J. Med. Chem., 37(24), 4130-4146.

26. Klebe G., Abraham U. (1999) Comparative molecular similarity index analysis (CoMSIA) to study hydrogen-bonding properties and to score combinatorial libraries. J. Comput. Aided Mol. Des., 13(1), 1-10.

27. Vedani A., Dobler M. (2002), Multi-dimensional QSAR: Moving from three- to five-dimensional concepts. Quant. Struct.-Act. Relat. 21, 382-390.

28. Lill M.A., Dobler M., Vedani A. (2005), Multi-dimensional QSAR in drug design &mdash Application to GPCRs and nuclear receptors. Curr. Comp.-Aided Drug Design, 1, 307324.

29. Lill M.A., Winiger F., Vedani A., Ernst B. (2005), Impact of induced fit on the ligand binding to the androgen receptor: A multi-dimensional QSAR study to predict endocrine-disrupting effects of environmental chemicals. J. Med. Chem., 48, 5666-5674.

30. Lill M.A., Vedani A. (2006), Combining 4D pharmacophore generation and multidimensional QSAR: Modeling ligand binding to the Bradykinin B2 receptor. J. Chem. Inf. Model., 46,2135-2145.

31. Vedani A., Zumstein M., Lill M.A., Ernst B. (2007), Simulating a/|3 specificity at the thyroid receptor: Consensus scoring in multi-dimensional QSAR. ChemMedChem, 2, 78-87.

32. Spreafico M., Smiesko M., Lill M.A., Ernst B., Vedani A. (2009), Mixed-model QSAR at the glucocorticoid receptor: Predicting the binding mode and affinity of psychotropic drugs. ChemMedChem, 4, 100-109.

33. Vedani A., Smiesko M. (2009), In silico toxicology in drug discovery — Concepts based on three-dimensional models. Altern. Lab. Anim., 37, 477-496.

34. Spreafico M., Smiesko M., Peristera O., Rossato G., Vedani A. (2010), Probing small-molecule binding to the Liver-X receptor: A mixed-model QSAR study. Mol. Inf., 1, 27-36.

35. Chen H.M., Zhou J.J., Xie G.R. (1998), PARM: A genetic evolved algorithm to predict bioactivity. J. Chem. Inf. Comput. Sci., 38, 243- 250.

36. Weaver D.F., Knight J.L. (1998), A computational quantitative structure-activity relationship study of carbamate anticonvulsants using quantum pharmacological methods. Seizure, 7, 347-354.

37. ParaSurf 06, Cepos InSilico Ltd, Ryde, UK, 2006.

38. Ramsden, C.A. (Ed.), Quantitative Drug Design, Vol. 4, Comprehensive Medicinal Chemistry, C.Hansch, P.G.Sammes, and J.B.Taylor (Eds.), Pergamon, Oxford, 1990.

39. Burger's Medicinal Chemistry, Vol. I: Principles and Practice, M.E. Wolff (Ed.), Wiley, New York, 5th edn., 1995.

40. The Practice of Medicinal Chemistry, C.G. Wermuth, (Ed.), Academic Press, London, 1996.

41. Lill M.A., Dobler M., Vedani A. (2006), Prediction of small-molecule binding to Cytochrome P450 3A4: Flexible docking combined with multi-dimensional QSAR. ChemMedChem, 1, 73-81.

42. Lemmen C., Lengauer T., Klebe G. FLEXS: A Method for Fast Flexible Ligand Superposition// J. Med. Chem.- 1998,- V. 41.- P. 4502 4520

43. Hoffmann D., Kramer B., Washio T. et al. Two-Stage Method for Protein-Ligand Docking// J. Med. Chem.- 1999.- V. 42,- P. 4422 4433

44. Cruciani, G., Mannhold, R., Kubinyi, H., Folkers, G. Molecular Interaction Fields: Applications in Drug Discovery and ADME Prediction, Wiley WILEY-VCH Verlang GmbH & Co. KGaA, Weinheim., 2005.

45. Stouch T.R., Kenyon J.R., Johnson S.R., Chen X.-Q., Doweyko A.M., Li Y. (2003), In silico ADME/Tox: why models fail. J. Comput. Aided Mol. Des., 17(2-4), 83-92.

46. Vedani A., Dobler M., Lill M.A. (2006), The challenge of predicting drug toxicity in silico. Pharmacol. Toxicol., 99, 195-208.

47. Tetko I.V., Bruneau P., Mewes H.W., Rohrer D.C., Poda G.I. (2006), Can we estimate the accuracy of ADME-Tox predictions? Drug Discov. Today, 11(15-16), 700-707.

48. Lipinski C.A., Lombardo F., Dominy B.W., Feeney P.J. (1997), Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Adv. Drug. Del. Rev., 23, 3-25.

49. Ehrlich P Über athreptische Funktionen. Beiträge zur experimentellen Pathologie und Chemotherapie.- 1909.-P. 50-96.

50. Gund P. (1977), Three-dimensional pharmacophoric pattern searching. Prog. Mol. Subcell. Biol., 5, 117-143.

51. Kubinyi, H. (1998) Combinatorial and computational approaches in structure-based drug design. Curr. Opin. Drug Discovery Dev. 1:16-27.

52. Hue, I., Lehn, J.-M. (1997) Virtual combinatorial libraries: dynamic generation of molecular and supramolecular diversity by self-assembly. Proc. Natl. Acad. Sei. USA 94:21062110; erratum in Proc. Natl. Acad. Sei. USA 94:8272.

53. Lehn, J.-M., Eliseev, A. V. (2001) Dynamic combinatorial chemistry. Science 291: 23312332.

54. Ramström, О., Lehn, J.-M. (2002) Drug discovery by dynamic combinatorial libraries. Nature Rev. Drug Discov. 1:26-36.

55. Richon A.B. (2008), An early history of the molecular modeling industry. Drug Discovery Today, 13(15-16), 659-664.

56. Savageau M.A. (1995), Michaelis-Menten mechanism reconsidered: Implications of fractal kinetics, J. Theor. Biol., 176, 115-124.

57. Cheng Y., Prusoff W.H. (1973), Relationship between the inhibition constant (K,) and the concentration of inhibitor which causes 50 per cent inhibition (IC50) of an enzymatic reaction, Biochem. Pharmacol., 22 (23), 3099-3108.

58. Grima R., Schnell S. (2007), A systematic investigation of the rate laws valid in intracellular environments, Biophys. Chem., 124, 1-10.

59. Olsen S. (2006), Applications of isothermal titration calorimetry to measure enzyme kinetics and activity in complex solutions, Thermochim. Acta, 448, 12-18.

60. Trinajstic, N. Chemical Graph Theory, CRC Press, Boca Raton, 1992.

61. Balaban A.T. (1979), Five New Topological Indices for the Branching of Tree-Like Graphs. Theoretica Chimica Acta, 53, 355-375.

62. Balaban A.T. (1982), Highly Discriminating Distance-Based Topological Index. Chem. Phys. Lett., 89(5), 399-404.

63. From Chemical Topology to Three-Dimensional Geometry, Balaban A.T. (Ed.), Plenum Publishing Corporation, New York, 1997.

64. Devillers, J., Balaban ,A.T. Topological Indices and Related Descriptors in QSAR and QSPR, Gordon and Breach, Amsterdam, The Netherlands, 1999.

65. Hosoya H. (1971), Topological index. A newly proposed quantity characterizing the topological nature of structural isomers of saturated hydrocarbons. Bulletin of the Chemical Society of Japan, 44 (9), 2332-2339.

66. Biggs, N.L., Lloyd, E.K., Wilson, R.J. Graph Theory 1736 1936. Oxford University Press, Oxford, 1986.

67. Wiener N. Cybernetics, or control and communication in animal and machine, John Wiley & Sons Inc, New York, 1948.

68. Wiener H. (1947), Structural Determination of Paraffin Boiling Points. J. Am. Chem. Soc., 69, 17-20 .

69. Gutman I., Kortvelyesi T. (1995), Wiener indices and molecular surfaces. Z. Naturforsch., 50a, 669-671.

70. Randic M. (1975), On characterization of molecular branching. J. Am. Chem. Soc., 97, 6609-6615.

71. Глориозова T.A., Филимонов Д.А., Лагунин А.А., Поройков B.B. Тестирование компьютерной системы предсказания спектра биологической активности PASS на выборке новых соединений// Хим.-фарм. журн,- 1998.- Т. 32,- № 12,- С. 33 39.

72. Поройков В.В., Филимонов Д.А., Степанчикова А.В. и др. Оптимизация синтеза и фармакологического исследования веществ на основе компьютерного прогнозирования их спектров биологической активности// Хим.-фарм. журн,- 1996.- Т. 30.- № 9,- С. 20 23

73. Филимонов Д.А., Поройков В.В., Караичева Е.И. Компьютерное прогнозирование спектра биологической активности химических соединений по их структурной формуле: система PASS// Эксп. клин, фармакол.- 1985.- Т. 58.- № 2,- С. 56 62.

74. Jolliffe, I.T. Principal Component Analysis, Series: Springer Series in Statistics, 2nd ed„ Springer, NY, 2002.

75. Gramatica P. (2006), WHIM Descriptors of Shape. QSAR & Combinatorial Science, 25(4), 327-332.

76. Shrake A., Rupley J.A. (1973), Environment and exposure to solvent of protein atoms. Lysozyme and insulin. J. Mol. Biol., 79(2), 351-71.

77. Richmond T.J. (1984), Solvent Accessible Surface Area and Excluded Volume in Proteins. J. Mol. Biol., 178, 63-89.

78. Gibson K.D., Scheraga H.A. (1987), Exact Calculation of the Volume and Surface Area of Fused Hard-sphere Molecules with Unequal Atomic Radii. Mol. Phys., 62, 1247-1265.

79. Gibson K.D., Scheraga H.A. (1988), Surface Area of the Intersection of Three Spheres with Unequal Radii: A Simplified Analytical Formula. Mol. Phys., 64, 641-644.

80. Hasel W., Hendrickson T.F., Still W.C. (1988), A Rapid Approximation to the Solvent Accessible Surface Areas of Atoms. Tetrahedron Comput. Method., 1, 103-116.

81. Kundrot C.E., Ponder J.W., Richards F.M. (1991), Algorithms for Calculating Excluded Volume and Its Derivatives as a Function of Molecular Conformation and Their Use in Energy Minimization. J. Comput. Chem., 12, 402-409.

82. Wesson L., Eisenberg D. (1992), Atomic Solvation Parameters Applied to Molecular Dynamics of Proteins in Solution. Protein Science, 1, 227-235.

83. Sridharan S., Nichols A., Sharp K.A. (1995), A Rapid Method for Calculating Derivatives of Solvent Accessible Surface Areas of Molecules. J. Comput, Chem., 16, 10381044.

84. Connolly M.L. (1985), Molecular Surface Triangulation. J. Appl. Cryst., 18, 499-505.

85. Connolly M.L. (1985), Computation of Molecular Volume. J. Am. Chem. Soc., 107, 1118-1124.

86. Connolly M.L. (1992), The molecular surface package. J. Mol. Graphics, 11(2), 139141.

87. Connolly M. (1996) Molecular surfaces: A review. Network Science, 14.

88. Chapman, M., Connolly, M.L., Molecular surfaces: calculations, uses and representations, International Tables for Crystallography, lUCr- Springer, 2001, 539-545.

89. Grant J.A., Pickup B.T. (1995), A Gaussian description of molecular shape. J. Phys. Chem, 99,3503-3510.

90. Grant J.A., Gallardo M.A., Pickup B.T. (1998), A fast method of molecular shape comparison: A simple application of a Gaussian description of molecular shape. J. Сотр. Chem., 17(14), 1653-1666.

91. Zauhar R.J. (1995), Smart: A Solvent-Accessible Triangulated Surface Generator for Molecular Graphics and Boundary Element Applications. J. Сотр.-Aided Mol. Des., 9, 149— 159.

92. Petitjean M. (1992), Applications of the Radius-Diameter Diagram to the Classification of Topological and Geometrical Shapes of Chemical Compounds. J. Chem. Inf. Comput. Sci., 32,331-337.

93. Потемкин В.А., Барташевич E.B., Велик А.В. Новые представления об объемной форме молекул// Журн. общ. химии.- 1995.- Т. 65,- № 2.- С. 205- 208.

94. Марков В.М., Потемкин В.А., Велик А.В. Алгоритм количественной оценки диссимметрии молекул//Журн. структ. химии.- 1998.- Т. 39.- № 3.- С. 500 506.

95. Марков В.М., Потемкин В.А., Велик А.В. Количественные критерии симметрии органических молекул// Молодежная научная школа по органической химии.- Тез. Докл.-Екатеринбург, 1999.- С. 148.

96. Марков В.М., Потемкин В.А., Велик А.В. Количественная оценка степени симметрии и хиральности молекулярных структур// Журн. структ. химии.- 2001.- Т. 42.-№ 1.-С. 91 100.

97. Kuz'min V.E., StePmakh I.B., Bekker М.В., Pozigun D.V. Quantitative aspects of chirality. I. Method of dissymmetry function. J. Phys. Org.Chem., 1992, V. 5, P. 295 298.

98. Sprague J.T., Tai J.C., Yuh Y., Allinger N.L. (1987), The MMP2 Calculational Method. J. Comput. Chem., 8, 581-603.

99. Allinger N.L., Kok R.A., Imam M.R. (1988), Hydrogen Bonding in MM2. J. Comput. Chem., 9, 591-595

100. Allinger N.L., Yuh Y.H., Lii J.-H. (1989), Molecular Mechanics. The MM3 Force Field for Hydrocarbons. J. Am. Chem. Soc., Ill, 8551-8566.

101. Lii J.-H., Allinger N.L. (1989), Molecular Mechanics. The MM3 Force Field for Hydrocarbons. 2. Vibrational Frequencies and Thermodynamics. J. Am. Chem. Soc., Ill, 85668575.

102. Lii J.-H., Allinger N.L. (1989), Molecular Mechanics. The MM3 Force Field for Hydrocarbons. 3. The van der Waals' Potentials and Crystal Data for Aliphatic and Aromatic Hydrocarbons. J. Am. Chem. Soc., Ill, 8576-8582.

103. Allinger N.L., Geise H.J., Pyckhout W., Paquette L.A., Gallucci J.C. (1989), Structures of Norbornane and Dodecahedrane by Molecular Mechanics Calculations (MM3), X-ray Crystallography, and Electron Diffraction. J. Am. Chem. Soc., 111,1106-1114.

104. Allinger N.L., Li F., Yan L. (1990), Molecular Mechanics. The MM3 Force Field for Alkenes. J. Comput. Chem., 11, 848-867.

105. Allinger N.L., Li F., Yan L., Tai J.C. (1990), Molecular Mechanics (MM3) Calculations on Conjugated Hydrocarbons, J. Comput. Chem., 11, 868-895.

106. Lii J.-H., Allinger N.L. (1994), Directional Hydrogen Bonding in the MM3 Force Field.

107. J. Phys. Org. Chem., 7, 591-609.

108. Allinger N.L., Chen K., Lii J.-H. (1996), An Improved Force Field (MM4) for Saturated Hydrocarbons. J. Comput. Chem., 17, 642-668.

109. Lii J.-H., Allinger N.L. (1991), The MM3 Force Field for Amides, Polypeptides and Proteins. J. Comput. Chem., 12, 186-199.

110. Dykstra C.E. (1989), Molecular Mechanics for Weakly Interacting Assemblies of Rare Gas Atoms and Small Molecules. J. Am. Chem. Soc., Ill, 6168-6174.

111. Halgren T.A. (1992), Representation of van der Waals (vdW) Interactions in Molecular Mechanics Force Fields: Potential Form, Combination Rules, and vdW Parameters. J. Am. Chem. Soc., 114, 7827-7843.

112. Halgren T.A. (1996), Merck Molecular Force Field. I. Basis, Form, Scope, Parameterization, and Performance of MMFF94. J. Comput. Chem., 17, 490-516.

113. Rasmussen, K. Potential Energy Functions in Conformational Analysis (Lecture Notes in Chemistry, Vol. 27), Springer-Verlag, Berlin, 1985.

114. Weiner S.J., Kollman P.A., Case D.A., Singh U.C., Ghio C., Alagona G„ Profeta S. (Jr.), Weiner P. (1984), A New Force Field for Molecular Mechanical Simulation of Nucleic Acids and Proteins. J. Am. Chem. Soc., 106, 765-784.

115. Schrodinger E. (1926). Quantisierung als Eigenwertproblem. Part 1. Ann. Phys. Leipsig, 79,361-376.

116. Schrodinger E. (1926). Quantisierung als Eigenwertproblem. Parts 2. Ann. Phys. Leipsig, 79, 489-527.

117. Schrodinger E. (1926). Quantisierung als Eigenwertproblem. Parts 1-4. Ann. Phys. Leipsig, 80, 437-490.

118. Schrodinger E. (1926). Quantisierung als Eigenwertproblem. Parts 1-4. Ann. Phys. Leipsig, 81, 109-139. 1926.

119. Dewar, M.J.S. The Molecular Orbital Theory of Organic Chemistry, McGraw-Hill, NY,1969.

120. Pople, J.A., Beveridge, D.L. Approximate Molecular Orbital Theory, McGraw-Hill, NY,1970.

121. Nanda D.N., Jug K. (1980), A Semiempirical SCF MO Method for molecular binding energy and geometry I. Approximations and parametrization. Theor. Chim. Acta, 57, 95-106.

122. Hehre, W.J., Radom, L., Schleyer, P.v.R., Pople, J.A. Ab Initio Molecular Orbital Theory, John Wiley and Sons, NY, 1986.

123. Stewart J.J.P. (1990), MOPAC: A Semiempirical Molecular Orbital Program. J. Comp.-Aided Mol. Des. 4, 1-105.

124. Levine, I.N. Quantum Chemistry, Prentice Hall, Englewood Cliffs, NJ, 1991.

125. Szabo, A., Ostlund, N.S. Modern Quantum Chemistry, Dover Publishing, Mineola, NY, 1996.

126. Cramer, C.J. Essentials of Computational Chemistry, John Wiley & Sons, Chichester, 2002.

127. Jensen, F. Introduction to Computational Chemistry. John Wiley and Sons, Chichester, 2007.n

128. Hohenberg P., Kohn W. (1964), Inhomogeneous electron gas. Physical Review, 136, B864—B871.

129. Kohn W., Sham L.J. (1965), Self-consistent equations including exchange and correlation effects. Phys. Rev., 140, A1133-A1138.

130. Parr, R.G., Yang, W. Density-Functional Theory of Atoms and Molecules, Oxford University Press, New York, 1989.

131. Dreizler, R., Gross, E. Density Functional Theory, Plenum Press, New York, 1995.

132. Koch, W., Holthausen, M.C. A Chemist's Guide to Density Functional Theory, Ed. 2, Wiley-VCH, Weinheim, 2002.

133. Yang T. (2006), Computational Verb Decision Trees. International Journal of Computational Cognition, 4(4), 34-46.

134. Cha S.-H., Tappert C.C. (2009), A Genetic Algorithm for Constructing Compact Binary

135. Decision Trees. Journal o{'Pattern Recognition Research, 4(1), 1-13.

136. Yuan Y., Shaw M.J. (1995), Induction of fuzzy decision trees. Fuzzy Sets and Systems 69, 125-139.

137. Hill, T„ Lewicki, P. STATISTICS Methods and Applications, StatSoft, Tulsa, OK, USA, 2007.

138. Lindman, H.R. Analysis of variance in complex experimental designs, W.H. Freeman & Co. Hillsdale, San Francisco, 1974.

139. Loeve, M. Probability Theory, Graduate Texts in Mathematics, Volume 45, 4th edition, Springer-Verlag, New York Berlin - Heidelberg, 1977.

140. Hogg, R.V., Craig, A.T. Introduction to Mathematical Statistics. Macmillan, New York, 1978.

141. Papoulis, A., Probability, Random Variables, and Stochastic Processes, 2nd ed., McGraw-Hill, New York, 1984.

142. Kallenberg, O. Foundations of Modern Probability, 2nd ed., Springer-Verlag, New York, Berlin, Heidelberg, 2001.

143. Carvalho L., Lawrence C. (2008), Centroid estimation in discrete high-dimensional spaces with applications in biology. Proc. Natl. Acad. Sci. USA, 105 (9), 3209-3214.

144. Christensen, R. Plane Answers to Complex Questions: The Theory of Linear Models, 3d ed., Springer, New York, 2002.

145. Eisenhauer, J.G. (2008), Degrees of Freedom. Teaching Statistics, 30(3), 75-78.

146. Kagan A., Shepp L.A. (1998), Why the variance? Statistics and Probability Letters, 38(4), 329-333.

147. Joanes D.N., Gill C.A. (1998), Comparing measures of sample skewness and kurtosis. Journal of the Royal Statistical Society (Series D): The Statistician, 47(1), 183-189.

148. Fisher, R.A. Statistical Methods for Research Workers, Oliver and Boyd, Edinburgh, 1925.

149. Markowski C.A., Markowski E.P. (1990), Conditions for the Effectiveness of a Preliminary Test of Variance. The American Statistician, 44(4), 322-326.

150. Weiss, N.A. Introductory Statistics (5th ed.), Addison Wesley, Reading, MA, 1999.

151. Lehmann, E.L.; Romano J.P. Testing Statistical Hypotheses (3 ed.), Springer, New York, 2005.

152. Wallace, B., Ross A. Beyond Human Error, CRC Press, Florida, 2006.

153. McCloskey, D. The Cult of Statistical Significance, University of Michigan Press, Ann Arbor, 2008.

154. Hinkelmann, К., Kempthorne, О. Design and Analysis of Experiments. Vol. I and II (Second ed.). Wiley, 2008.

155. Fadem, B. High-Yield Behavioral Science (High-Yield Series), Lippincott Williams & Wilkins, Hagerstown, MD, 2008.

156. Freedman, D.A., Pisani, R., Purves, R. Statistics, 4th edition, W.W. Norton & Company, 2007.

157. Keppel, G., Wickens, T.D. Design and analysis: A researcher's handbook (4th ed.), Pearson Prentice-Hall, Upper Saddle River, NJ, 2004.

158. Glossary and tables for statistical quality control (4th ed.), ASQ Statistics Division, Milwaukee, 2005.

159. Fisher B.J. (1987), Guinness, Gosset, Fisher, and Small Samples. Statistical Science, 2(1), 45-52.

160. Zimmerman D.W. (1997), A Note on Interpretation of the Paired-Samples t-test. Journal of Educational and Behavioral Statistics, 22(3), 349-360.

161. David H.A., Gunnink J.L. (1997), The Paired t-test Under Artificial Pairing. The American Statistician, 51(1), 9-12.

162. Wold S., Eriksson L. Statistical validation of QSAR results. In: Chemometric methods in molecular design, H. van de Waterbeemd (Ed.), VCH, Weinheim, 1995, 309-318.

163. Roy K. (2007), On some aspects of validation of predictive quantitative structure-activity relationship models. Expert Opin. Drug Discov., 2(12), 1567-1577.

164. Leonard J.T., Roy K. (2006), On selection of training and test sets for the development of predictive QSAR models. QSAR & Combinatorial Science, 25(3), 235-251.

165. Efron В., Tibshirani R. (1997), Improvements on cross-validation: The .632 + Bootstrap Method. Journal of the American Statistical Association, 92(438), 548-560.

166. Stone M. (1977), Asymptotics for and against cross-validation. Biometrika, 64(1), 29-35.

167. Pearson K. (1901), On Lines and Planes of Closest Fit to Systems of Points in Space. Philosophical Magazine, 2(6), 559-572.

168. Geladi P.; Kowalski B. (1986), Partial Least Squares Regression: A Tutorial. Analytica Chimica Acta, 185, 1-17.

169. Greenacre, M. Theory and Applications of Correspondence Analysis. Academic Press, London, 1983.

170. Gorban, A., Kegl, В., Wunsch, D., Zinovyev, A. Principal Manifolds for Data Visualisation and Dimension Reduction, Berlin Heidelberg - New York, Springer, 2007.

171. Вапник, Червоненкис, 1974; Алгоритмы и программы., 1984

172. Айдарханов М.Б. Алгоритмы распознавания в континуальной обучающей информации. I, Журнал вычислительной математики и математической физики, 1981, т.21, с. 1544-1551

173. Айдарханов М.Б. Алгоритмы распознавания в континуальной обучающей информации. II, Журнал вычислительной математики и математической физики, 1982, т.22, №2, с. 441-448

174. Айдарханов М.Б. К решению задач распознавания с информацией, заданной перечислением областей, Журнал вычислительной математики и математической физики, 1983, т. 23, №3, с. 719-729

175. Айдарханов М.Б. О подходе к анализу исходной информации в задачах распознавания образов, Журнал вычислительной математики и математической физики, 1988, т. 28, № 11, с. 1750-1757

176. Айдарханов М.Б. О некоторых метрических свойствах пространства классификаций, Журнал вычислительной математики и математической физики, 1991, т. 31, № 1, с. 169-174

177. Aidarkhanov М.В., La L.L. Some properties of group classifications, Pattern Recognition and Image Analysis, 1999, vol. 9 , № 1, p.7-10

178. Geladi P.; Kowalski В. (1986), Partial Least Squares Regression: A Tutorial. Analytica ChimicaActa, 185, 1-17.

179. Журавлев Ю.И., Зенкин А.И. Зенкин A.A., Дюкова Е.В., Исаев И.В., Кочетков Д.В., Кольцов П.П., Рязанов В.В. Пакет прикладных программ для решения задач распознавания и классификации (ПАРК). ВЦ АН СССР, Москва, 1981. 24 с.

180. Бушманов О.Н., Дюкова Е.В., Журавлев Ю.И., Кочетков Д.В., Рязанов В.В. Система анализа и распознавания образов, Распознавание, классификация, прогноз: Мат. методы и их применение. М.:Наука, 1988. Вып.2. С.250-273.

181. В. Гончаров, И.Б. Мучник, J1. В. Шварцер. Алгоритм выбора признаков в задаче обучения классификации методом опорных векторов // Журнал вычислительной математики и математической физики,- 2008.- Т. 48,-N 7.-е. 1318-1336.

182. Хлебников А.И. Метод фронтальных многоугольников: новый подход к анализу взаимосвязи структура биологическая активность//Хим.-фарм. журн. 1994. № 11. С. 3235.

183. Хлебников А.И. Алгоритм установления локального подобия молекул // Журн. структур, химии" 19957 Т. ЗбГ С. 10831087.

184. Хлебников А.И. Метод фронтальных многоугольников для конформационно нежестких молекул. Взаимосвязь структура активность в ряду триазинов Бейкера -ингибиторов дигидрофолатредуктазы // Хим.-фарм. журн. 1997. № 3. С. 4148.

185. Guccione S., Doweyko A.M., Chen H., Uccello Barretta G., Balzano F. (2000), 3D-QSAR using "Multiconformer' alignment: The use of HASL in the analysis of 5-HT1A thienopyrimidinone ligands. J. Comput. Aided Mol. Des., 14(7), 647-657.

186. Chen H.M., Zhou J.J., Xie G.R. (1998), PARM: A genetic evolved algorithm to predict bioactivity. J. Chem. Inf. Comput. Sci., 38, 243- 250.

187. Потемкин В.А., Гришина М.А., Пожиленкова Г.В., Микушина К.М., Лауфер С. Генетический алгоритм молекулярного 3D дизайна биологически активных соединений// Биомедицинская химия.- 2004. Т. 50.- Прил. № 1,- С. 42 48.

188. Потемкин B.A., Гришина M.A., Велик А.В., Чупахин О.Н. Исследование количественной взаимосвязи структура антибактериальная активность производных хинолона// Хим.-фарм. журн.- 2002,- Т. 36.- № 1.- С. 22-25.

189. Барташевич Е.В., Гришина М.А., Потемкин В.А., Белик А.В. Метод мультиконформационного моделирования пространственной формы молекулы// Журн. структ. химии.- 2002,- Т. 43,- № 6.- С. 1120 1127.

190. Гришина М.А., Барташевич Е.В., Потемкин В.А., Белик А.В. Генетический алгоритм для прогноза строения и свойств молекулярных агломератов в органических веществах// Журн. структ. химии,- 2002,- Т. 43,- № 6.- С. 1128 1133.

191. Потемкин В.А., Арсламбеков P.M., Барташевич Е.В., Гришина М.А., Белик А.В., Перспикаче С., Гуччионе С. Мультиконформационный метод анализа биологическойактивности молекулярных структур// Журн. структ. химии.- 2002.- Т. 43.- № 6.- С. 1134 -1138.

192. Mikuchina К., Potemkin V., Grishina М., Laufer S. 3D QSAR analysis and pharmacophore modelling of p38 MAP kinase inhibitors using BiS algorithm// Arch. Pharm. Pharm. Med. Chem.- 2002.- Vol. 335,- N 1,- P. C74.

193. Потемкин B.A., Гришина M.A., Федорова O.B., Русинов Г.Л. , Овчинникова И.Г., Ишметова Р.И. Теоретическое исследование противотуберкулезной активности мембранотропных подандов// Хим.-фарм. журн,- 2003.- Т. 37.- № 9.- С. 17-21.

194. Гришина М.А., Потемкин В.А., Микушина K.M., Пожиленкова Г.В., Лауфер С. Комбинированный подход к анализу биологической активности соединений// Биомедицинская химия.- 2004. Т. 50.- Прил. № 1.- С. 68 76.

195. Погребной A.A., Рябинин В.Е., Барташевич Е.В., Гришина М.А., Потемкин В.А. Подход к отбору веществ с заданными метаболическими свойствами// Биомедицинская химия.- 2004. Т. 50,- Прил. № 1.- С. 77 84.

196. Потемкин В.А., Гришина М.А., Барташевич Е.В., Зракова Т.Ю., Погребной A.A. Моделирование взаимодействий изоформы 2Е1 цитохрома Р450 человека с субстратами// Биофизика,- 2005.- Т. 50,- № 3,- С. 418 422.

197. Гришина М.А., Погребной A.A., Потемкин В.А., Зракова Т.Ю. Теоретическое исследование субстратной специфичности изоформ цитохрома Р450// Хим.-фарм. журн.-2005,-Т. 39.-№ 10,- С. 3-7.

198. Потемкин В.А., Гришина М.А., Барташевич Е.В. Моделирование ориентации молекул лекарственных средств в полости рецептора в рамках алгоритма BiS// Журнал структурной химии. 2007.-48,-N 1,- с. 153-158.

199. Grishina M.A., Bartashevich E.V., Pereyaslavskaya E.S. and Potemkin V.A. A Novel Techniques for Virtual Discovery for Study of Multistage Bioprocesses// Drugs of the Future.2007,- Vol. 32, Suppl. A.- P. 27.

200. Pereyaslavskaya E.S., Potemkin V.A., Grishina M.A., Bartashevich E.V. The analysis of pharmacophoric parts of DHFR inhibitors using 3D-QSAR algorithm BiS/MC and X-ray data// Drugs of the Future.- 2007.- Vol. 32, Suppl. A.- P. 87.

201. Grishina M.A., Potemkin V.A. A novel approach to pattern recognition for drugs// Drugs of the Future.- 2007,- Vol. 32, Suppl. A.- P. 112.

202. Potemkin V. A novel technique for virtual discovery for study of multistage bioprocesses// 234th ACS National Meeting.- Boston, August 19-23, 2007.- Book of Abstr.- P. COMP253.

203. Гришина M.A., Потемкин B.A., Матерн А.И. Теоретическое исследование реакций окисления акриданов// Журн. структ. химии.- 2008.- Т. 49,- № 1,- С. 13 18.

204. Potemkin V.A., Grishina М.А. A new paradigm for pattern recognition of drugs. Journal of Computer Aided Molecular Design. 2008.- 22.- P. 489-505.

205. Гришина M.A., Потемкин B.A. GonGO N 2007614593 зарегистрировано в Реестре программ для ЭВМ 31 октября 2007 г., заявка N 2007613592 от 7 сентября 2007 г.

206. Гришина М.А., Потемкин В.А. РгоК N2008610190, зарегистрировано в Реестре программ для ЭВМ 9 января 2008 г., заявка N 2007613591 от 7 сентября 2007 г.

207. Гришина М.А., Потемкин В.А. BiS/MC (multi-conformational), зарегистрировано в Реестре программ для ЭВМ 18 февраля 2008 г., заявка N 2007613594 от 7 сентября 2007 г.

208. Гришина М.А., Потемкин В.А., Погребной А.А., Ившина Н.Н. Исследование конформационных состояний субстратов изоформы ЗА4 цитохрома Р450 // Биофизика.2008. Т.53. - Вып.5. - С.758-765.

209. Potemkin V., Grishina М. Princiles for 3D/4D QSAR classification of drugs // Drug discovery today.- 2008,- Vol.13. N21/22.-P. 952-959.

210. Potemkin V, Pogrebnoy A., Grishina M. A Technique for Energy Decomposition in the Study of "Receptor-Ligand" Complexes //Journal of Chemical Information and Modeling -2009,- Vol. 49.- № 6,- P. 1389 1406

211. Potemkin V., Galimova O., Grishina M. Cinderella's Shoe for virtual drug discovery screening and design// Drugs of the Future. 2010.- Vol. 35.-P. 14-15.

212. Grishina M., Potemkin V. Electron-nuclear quintessence of drugs therapeutic action. Drugs of the Future. 2010,- Vol. 35.-P. 130-131.

213. Afonkina E., Palko N., Toreeva N., Potemkin V., Grishina M. Restricted docking of the DHFR inhibitors to the DHFR receptor. Drugs of the Future. 2010. Vol. 35. P. 182.

214. Афонькина E.C. Потемкин B.A., Гришина M.A. Теоретическое исследование реакции несимметричных 3,6-дизамещённых сим-тетразинов с некоторыми енаминами// Химия гетероциклических соединений,- 2010.-Т. 518,- N 8. Р. 1217 - 1222.

215. Гришина М.А., Потемкин В.А., Погребной А.А., Сысаков Д.А. Моделирование комплексов субстратов с цитохромом Р450 2С9. -2010. Т. 44.- N 5.- с. 16-20.

216. Гришина M.A., Матвеев Г.А., Потемкин В.А. BiSp N 2010615221 зарегистрировано в Реестре программ для ЭВМ 13 августа 2010 г.

217. Потемкин В.А., Матвеев Г. А., Гришина M.A. CiSp N 2010615222 зарегистрировано в Реестре программ для ЭВМ 13 августа 2010 г.

218. B.Г.Карцева, Г.А.Толстикова.- Т. 2,- М., 2001,- С. 85

219. Sinyaev A.A., Grishina M.A., Potemkin V.A. Theoretical study of solvent influence on the regiospecificity of the reaction of 3-phenyl-s-tetrazine with ketene-N,N-aminal// ARKIVOC.- 2004.- V. XI.- P. 43 52.

220. Потемкин В.А., Гришина М.А., Барташевич Е.В. Комбинированная вычислительная 3D-QSAR технология BiS// Информационно-вычислительные технологии в решении фундаментальных и прикладных задач (Сессия ИВТН-2004). Сборник материалов.- М., 2004,- С. 24.

221. Гришина M.A., Потемкин В.А., Переяславская E.C., Барташевич Е.В., Русинов В.Л. Моделирование взаимодействий противовирусных препаратов с нейраминидазой гриппа

222. А// Информационно-вычислительные технологии в решении фундаментальных и прикладных научных задач (Сессия ИВТН-2006). 24 ноября 2006.- Тез. докл. М., 2006.- С. 13.

223. Потемкин В.А., Гришина М.А. "Башмачок Золушки" для моделирования биологического действия лекарственных средств// XIV Симпозиум по межмолекулярному взаимодействию и конформациям молекул.- Челябинск, 15-21 июня 2008.- Тез. Докл.-Челябинск, 2008,- С. 30.

224. Гришина М.А., Погребной A.A., Потемкин В.А. Моделирование комплексов веществ с изоформой За4 цитохрома Р450// XIV Симпозиум по межмолекулярному взаимодействию и конформациям молекул.- Челябинск, 15-21 июня 2008.- Тез. Докл.-Челябинск, 2008.- С. 129.

225. Афонькина Е.С., Потемкин В.А., Гришина М.А., Русинов Г.Л., ФедороваО.В. Ингибиторы дигидрофолатредуктазы как про-лекарства// XI конференция по органической химии Екатеринбург, 23 - 29 ноября 2008 - Тез. Докл.- Екатеринбург, 2008,-С. 44.

226. Афонькина Е.С., Потемкин В.А., Гришина М.А., Русинов Г.Л., ФедороваО.В. Ингибиторы дигидрофолатредуктазы как про-лекарства. В сб. XI конференция по органической химии Екатеринбург, 2008 - С. 252 - 254.

227. Grishina, М.А., Potemkin, V.A ConGO: a new paradigm for pattern recognition of drug electronic structure// Proceedings of the Conference "Screening, MedChem and ADMET Europe 2008".- Stockholm, 19-20 February, 2008.- P. 18.

228. Potemkin, V.A., Grishina, M.A., Geronikaki, A. Cinderella's shoe for biological action modeling// Proceedings of the Conference "Screening, MedChem and ADMET Europe 2008".-Stockholm, 19-20 February, 2008.-P. 27.

229. Potemkin, V., Grishina, M., Toreeva, N., Galimova, O. Drugs Transformations on the way to Their Therapeutic Mission: In Silico Study. Proceedings of the Conference "ADMET Europe-2010".- Munich, Germany, 8-9 April, 2010.- P. 26.

230. Berman H.M., Westbrook J., Feng Z„ Gilliland G., Bhat T.N., Weissig H„ Shindyalov I.N., Bourne P.E. (2000), The Protein Data Bank. Nucleic Acids Research, 28, 235-242.

231. Pappu R.V., Hart R.K., Ponder J.W. Analysis and Application of Potential Energy Smoothing and Search Methods for Global Optimization // J.Phys.Chem.B.-1998.-V. 102.- N 48,-pp. 9725 9742.

232. Griewank A. O. Generalized Descent for Global Optimization // J. Opt. Theor. Appl.-1981,- N 34.-pp. 11-39.

233. Butler R. A. R., Slaminka E. E. An Evaluation of the Sniffer Global Optimization Algorithm Using Standard Test Functions // J. Comput. Phys.- 1993.-N. 99.- 28-32.

234. J. W. Rogers and R. A. Donnelly, Potential Transformation Methods for Large-Scale Global Optimization, SIAM J. Optim.- 1995.-N 5.-pp. 871-891.

235. Потемкин В.А., Барташевич Е.В., Велик А.В. Новые представления об объемной форме молекул// Журн. общ. химии.- 1995.- Т. 65.- № 2,- С. 205- 208.

236. Потемкин В.А., Барташевич Е.В., Велик А.В. Новые подходы к прогнозу термодинамических параметров веществ по молекулярным данным// Журн. физ. химии.-1996,- Т. 70.-№ 3.-С. 448 452.

237. Mortier W.J., Van Genechten К., Gasteiger J. Electronegativity equalization: application and parametrization//J. Am. Chem. Soc.- 1985.- V. 107.- P. 829 835.

238. Велик А.В., Потемкин B.A., Белоусов Д.В. Новый индекс, позволяющий определить направление перегруппировки Боултона-Катрицкого// Изв. вузов. Химия и хим. технология,- 1992.- Т. 35,- № 3,- С. 49 52.

239. Порай-Кошиц М.А., Кузьмин B.C. О связи между молекулярной структурой и плотностью органического вещества// Докл.АН СССР.- 1991.- Т. 317.- N 5.- С. 1148-1149.

240. Cody, V., Galitsky, N., Lufit, J.R., et. al. Comparison of ternary complexes of pheumocystis carinii and wild-type human dihydrofolate reductase with a novel classical antitumor furo2,3-d.pyrimidine antifolate // Acta Crystallogr. 1997. 53D. 638 p.

241. Lewis, W.S., Cody, V., Galitsky, N., et. al. Methotrexate-resistant variants of human dihydrofolate reductase with substitutions of leucine 22. Kinetics, crystallography, and potential as selectable markers // J. Biol. Chem. 1995. № 270. 5057p.

242. Chunduru, S.K., Cody, V., Lufit, J.R., et. al. Methotrexate-resistant variants of human dihydrofolate reductase. Effects of phe31 substitutions // J. Biol. Chem. 1994. № 269. 9547p.

243. Cody, V., Lufit, J.R., Ciszak, E., Kalman, T.I., Freisheim, J.H. Crystal structure determination at 2.3 A of recombinant human dihydrofolate reductase ternary complex with NADPH and methotrexate-gamma-tetrazole // Anti-cancer Drug. 1992. № 7. 483p.

244. Bystroff, C., Kraut, J. Crystal structure of unliganded Escherichia coli dihydrofolate reductase. Ligand-induced conformational changes and cooperativity in binding // Biochemistry. 1991. №30. 2227p.

245. Bystroff, C., Oatley, S.J., Kraut, J. Crystal structures of Escherichia coli dihydrofolate reductase: the NADP+ holoenzyme and the folate. NADP+ ternary complex. Substrate binding and a model for the transition state. Biochemistry. 1990. № 29. 3263p.

246. Cosgrove, D.A.; Bayada, D.M.; Johnson, A.P. A novel method of aligning molecules by local surface shape similarity. J. Comput.-Aided Mol. Design. 2000, 14, 573-591.

247. Chloe E.A., Johnson E.F., Williamson J., et. al. Probing Electrostatic Channeling in Protozoal Bifunctional Thymidylate Synthase-Dihydrofolate Reductase Using Site-directed Mutagenesis // Jourmal of Biological Chemistry. 2003. № 31. P. 28901-28911.

248. Шварцман Я.С., Иванннков Ю.Г. Вернется ли "испанка"?// В мире науки. 1991. N 12. С.88-99.

249. Fundamental Virology. Chief editors: Bernard N.Fields, M.D,David M., Knipe Ph.D., New York: Raven Press, 1986.

250. Маренникова С.С. Патогенные для человека вирусы. М.: Медицина, 1998.

251. Wang, Z.; Canagarajah, B.J.; Boehm, J.C.; Kassisa, S.; Cobb, M.H.; Young, P.R.; Abdel-Meguid, S.; Adams, J.L.; Goldsmith, E.J. Structural basis of inhibitor selectivity in MAP kinases. Structure 1998, 6, 1117-1128.

252. Lewis D.F., Lake B.G. // Xenobiotica. 1996. - 26, N 7. - P. 723 - 753.

253. Lewis D.F., Eddershaw P.J., Dickins M., et al. // Chem. Biol. Interact. 1998. - 115, N 3.-P. 175- 199.

254. Iori F., da Fonseca R., Ramos M.J., Menziani M.C. // Bioorg. Med. Chem. 2005. - 13, N 14.-P. 4366-4374.

255. Белкина H.B., Скворцов B.C., Иванов A.C., Арчаков А.И. // Вопр. мед. хим. 1998. -44, №5.-С. 464-473.

256. Tu Y., Deshmukh R., Sivaneri M„ Szklarz G.D. // Drug Metab. Dispos. 2008. - 36, N 11.-P. 2371 -2380.

257. Sansen S., Yano J.K., Reynald R.L., et al. // J. Biol. Chem. 2007. - 282, N 19. - P. 14348- 14355.

258. Smith T.J., Guo Z., Guengerich F.P., Yang C.S. // Carcinogenesis. 1996. - 17, N 4. - P. 809-813.

259. Patten C.J., Thomas P.E., Guy R.L., et al. // Chem. Res. Toxicol. 1993. - 6, N 4. - P. 511-518.

260. Gallagher E.P., Kunze K.L., Stapleton P.L., et al. // Toxicol. Appl. Pharmacol. 1996. -141, N2.-P. 595-606.

261. Olesen O.V., Linnet K. // Pharmacology. 1997. - 55, N 5. - P. 235 - 243.

262. Yoshii K., Kobayashi K., Tsumuji M., et al. //Life. Sci. 2000. 67, N 2. - P. 175 - 184.

263. Shou M„ Korzekwa K.R., Brooks E.N., et al. // Carcinogenesis. 1997. - 18, N 1. - P. 207-214.

264. Nakajima M., Kobayashi K., Shimada N., et al. // Br. J. Clin. Pharmacol. 1998. - 46, N l.-P. 55-62.

265. Coleman T., Ellis S.W., Martin I.J., et al. // J. Pharmacol. Exp. Ther. 1996. - 277, N 2. -P. 685-690.

266. Miners J.O., Coulter S., Tukey R.H., et al. // Biochem. Pharmacol. 1996. - 51, N 8. - P. 1003- 1008.

267. Tracy T.S., Marra C„ Wrighton S.A., et al. // Eur. J. Clin. Pharmacol. 1997. - 52, N 4. -P. 293-298.

268. Olesen O.V., Linnet K. // Drug. Metab. Dispos. 1997. - 25, N 6. - P. 740 - 744.

269. Venkatakrishnan K., von Moltke L.L., Greenblatt D.J. // J. Pharm. Sci. 1998. - 87, N 12.-P. 1502- 1507.

270. Zhang Q.Y., Dunbar D., Kaminsky L. // Drug. Metab. Dispos. 2000. - 28, N 3. - P. 292 -297.

271. Zhao G., Allis J.W.//Chem. Biol. Interact. 2002. - 140, N 2. - P. 155- 168.

272. Khojasteh-Bakht S.C., Chen W., Koenigs L.L., et al. // Drug. Metab. Dispos. 1999. -27, N5.-P. 574-580.

273. Bournique B., LambertN., Boukaiba R., Martinet M. //Br. J. Clin. Pharmacol. 2001. -52,N l.-P. 53 -63.

274. F.P. Guengerich, A.D. Vaz, G.N. Raner, et al., Mol. Pharmacol., 51, 147- 151 (1997).

275. Kudo, S.; Okumura, H.; Miyamoto, G.; Ishizaki, T. Cytochrome P-450 Isoforms Involved in Carboxylic Acid Ester Cleavage of Hantzsch Pyridine Ester of Pranidipine. Drug Metab. Dispos. 1999, 27, 303-308.

276. Patten, C.J.; Thomas, P.E.; Guy, R.L.; Lee, M.; Gonzalez, F.J.; Guengerich, F.P.; Yang,

277. C.S. Cytochrome P450 enzymes involved in acetaminophen activation by rat and human liver microsomes and their kinetics. Chem. Res. Toxicol. 1993, 6, 511-518.

278. Wienkers, L.C.; Steenwyk, R.C.; Sanders, P.E.; Pearson, P.G. Biotransformation of tirilazad in human: 1. Cytochrome P450 3A-mediated hydroxylation of tirilazad mesylate in human liver microsomes. J. Pharmacol. Exp. Ther. 1996, 277, 982-990.

279. Ghosal, A.; Satoh, H.; Thomas, P.E.; Bush, E.; Moore, D. Inhibition and kinetics of cytochrome P4503A activity in microsomes from rat, human, and cdna-expressed human cytochrome P450. Drug. Metab. Dispos. 1996, 24, 940-947.

280. Rochat, B.; Amey, M.; Gillet, M.; Meyer, U.A.; Baumann, P. Identification of three cytochrome P450 isozymes involved in N-demethylation of citalopram enantiomers in human liver microsomes. Pharmacogenetics, 1997, 7, 1-10.

281. Ishiguro, N.; Senda, C.; Kishimoto, W.; Sakai, K.; Funae, Y.; Igarashi, T. Identification of CYP3A4 as the predominant isoform responsible for the metabolism of ambroxol in human liver microsomes. Xenobiotica, 2000, 30, 71-80.

282. Olesen, O.V.; Linnet, K. Metabolism of the tricyclic antidepressant amitriptyline by cDNA-expressed human cytochrome P450 enzymes. Pharmacology, 1997, 55, 235-243.

283. Haaz, M.C.; Rivory, L.; Richa, C.; Vernillet, L.; Robert, J. Metabolism of CPT-11 by Human Hepatic Microsomes: Participation of Cytochrome P-450 3A and Drug Interactions. Cancer. Res. 1998, 58, 468-472.

284. Koudriakova, T.; Iatsimirskaia, E.; Utkin, I.; Gangl, E.; Vouros, P.; Storozhuk, E.; Orza,

285. Yaich, M.; Popon, M.; Madard, Y.; Aigrain, E.J. In-vitro cytochrome P450 dependent metabolism of oxybutynin to N-deethyloxybutynin in humans. Pharmacogenetics 1998, 8, 449451.

286. Dupont, I.; Berthou, F.; Bodenez, P.; Bardou, L.; Guirriec, C.; Stephan, N.; Dreano, Y.; Lucas, D. Involvement of cytochromes P450 2E1 and 3A4 in the 5-hydroxylation of salicylate in humans. Drug. Metab. Dispos. 1999, 27, 322-326.

287. Tracy, T.S.; Korzekwa, K.R.; Gonzalez, F.J.; Wainer, I.W. Cytochrome P450 isoforms involved in metabolism of the enantiomers of verapamil and norverapamil. Br. J. Clin. Pharmacol. 1999, 47, 545-552.

288. Zhang, Q.Y.; Dunbar, D.; Kaminsky, L. Human cytochrome P-450 metabolism of retinals to retinoic acids. Drug. Metab. Dispos. 2000, 28, 292-297.

289. Tang, C.; Shou, M.; Mei, Q.; Rushmore, T.H.; Rodrigues, A.D. Major role of human liver microsomal cytochrome P450 2C9 (CYP2C9) in the oxidative metabolism of celecoxib, a novel cyclooxygenase-II inhibitor. J. Pharmacol. Exp. Ther. 2000, 293, 453-459.

290. Molden, E.; Asberg, A.; Christensen, H. Desacetyl-Diltiazem Displays Severalfold Higher Affinity to CYP2D6 Compared with CYP3A4. Drug Metab. Dispos. 2002, 30, 1-3.

291. Zhou, Q.; Yao, T.W.; Yu, Y.N.; Zeng, S. Stereoselective metabolism of propafenone by human liver CYP3A4 expressed in transgenic Chinese hamster CHL cells lines. Acta Pharmacol. Sin. 2001, 22, 944 948.

292. Zhao, G.; Allis, J.W. Kinetics of bromodichloromethane metabolism by cytochrome P450 isoenzymes in human liver microsomes. Chem. Biol. Interact. 2002, 140, 155-168.

293. Zhang, W.; Ramamoorthy, Y.; Tyndale, R.F.; Sellers E.M. Interaction of buprenorphine and its metabolite norbuprenorphine with cytochromes p450 in vitro// Drug Metab. Dispos. 2003,- Vol.31.- P. 768-772.

294. Wang, R.W.; Newton, D. J.; Scheri, T. D.; Lu, A. Y. H. Human cytochrome P450 3A4-catalyzed testosterone 6(3-hydroxylation and erythromycin N-demethylation: competition during catalysis// Drug Metab. Dispos.- 1997,- Vol. 25,- P. 502-507.