역약리학

Reverse pharmacology
약물 발견 시 전방 및 후방 약리학적 접근법

약물 발견 분야, 표적 기반 약물 발견(TDD)이라고도 알려진 역 약리학에서,[4] 특정 단백질 대상의 활성의 변조가 유익한 치료 효과를 가져올 것이라는 가설이 먼저 만들어진다. 그런 다음 작은 분자화학 라이브러리선별을 사용하여 대상에 대한 높은 친화력으로 결합되는 화합물을 식별한다. 이 스크린의 히트는 약물 발견의 출발점으로 사용된다. 이 방법은 인간 게놈염기서열 분석으로 많은 양의 정제 단백질을 빠르게 복제하고 합성할 수 있게 되면서 인기를 얻게 되었다. 이 방법은 오늘날 약물 발견에 가장 널리 사용되고 있다.[5] 고전적(전방적) 약리학과는 달리, 확인된 활성(납) 화합물의 역 약리학 접근방식과 함께 보통 최종 약물 발견 단계에서 수행된다.

역 약리학 또는 표적 기반 약리학은 분자 대상(수용체, 효소, 단백질 등)의 정체성이 복합 선별을 추진하는 약물 개발 과정이다. 고전적 약리학은 시험관내생체내 모델을 통해 화합물의 기능 활성을 결정하는 것을 포함한다. 화합물의 활성도가 확인되면 리간드를 식별, 정제, 합성하여 생물학적 선별 검사를 거친다. 가장 선택적이고 강력한 약물은 그 다음에 독성과 효능을 추가로 검사한다. 고전적인 약리학은 시간이 많이 걸리고 비용이 많이 들 수 있다. 역약리학은 70년대에 Dir Ram Nath Chopra와 Ganath Sen에 의해 처음 확립되었다.[6] 반대로 역 약리학은 장애나 질병에 관여하는 표적(수용체, 효소, 단백질 등)에 맞게 특별히 설계된 잠재적 약물 화합물을 취한다. 결합 측정은 분자 표적을 식별하는 데 사용된다. 그리고 나서 이 화합물은 원하는 효과를 나타내기 위해 동물 기능 연구를 거친다. 역 약리학을 통해 확인된 화합물은 효능을 높이는 것으로 생각된다.[citation needed] 역 약리학의 목표는 새로운 화합물을 모델링할 수 있는 구체적이고 타겟팅 가능한 요소를 식별하기 위해 질병 병리학을 활용하는 것이다.

역백신학

역백신학 흐름도

역방향 약리학의 하위 범주인 역방향 백신학은 게놈 활용을 통한 백신 발견을 위한 계산적 접근법이다. 전통적으로 백신은 바이러스의 격리, 불활성화, 재주사를 통해 개발되었다. 기존 백신학은 시간이 많이 걸리고 검사를 위해 정화할 수 있는 항원에 한정된다.[7]

리노 라푸올리J. 크레이그 벤터 연구소는 역백신학을 이용해 세로그룹 B 메닌고코쿠스에 대한 백신을 개발했다.[8] 역백신학을 이용하는 백신은 선택성이 더 좋은 경향이 있고, 부작용을 감소시킨다. 이들 백신은 여러 개의 단백질을 통합해 여러 종류의 면역력을 높일 수 있다.[9]

역백신학 접근법은 병원체 자체의 게놈 서열을 이용한다. 연구원들은 병원체가 표현할 수 있는 모든 단백질 항원을 결정할 수 있다. 역백신학은 병원체의 유전적 배열과 백신을 위한 캐니다이트의 컴퓨터 예측에서 시작된다. 과학자들은 바이러스 감염 시 분비되는 단백질의 결정을 가능하게 하는 바이러스의 게놈을 얻기 위해 컴퓨터 분석을 사용한다. 분비된 단백질을 통해 과학자들은 바이러스를 식별하고 정화할 수 있으며, 이를 통해 실험실 동물을 면역시키는 것으로 구성된 추가 연구를 할 수 있다. 유도된 면역반응은 연구되어 백신의 식별에 사용된다.[10] 기존의 백신접종학은 배양된 병원체에서 정제된 단백질이 백신의 후보물질로 사용된다는 점에서 역백신학과는 다르다.[11]

역백신학의 응용

말라리아, 결핵, 매독과 같은 질병은 완전히 연속적이고 가능한 모든 유전자의 목록을 볼 수 있다.

B조 메니고코쿠스

그룹 B 메니고코쿠스는 역백신학의 첫 적용 분야다. 초기 백신 개발에 사용된 다당류는 면역력이 떨어져 자가면역을 유발했다. 표면에 대해 만들어져야 할 백신은 단백질을 노출시켰고 외막 안에서 접힐 수 있었다. Rino Rappuoli와 J. Craig Venter Insitute는 표면이 단백질을 노출하고 내보내는 유전자를 DNA 조각으로 검사할 수 있었다. 이 단백질들은 정제되어 쥐에게 면역력을 주는 데 사용되었다. 표면 단백질 85개 중 25개가 항체를 생성하는 것으로 나타났다. 이 단백질들은 그룹 BMenigococcus에 대항하는 백신의 기본이었다.[7]

역백신학 한계

백신의 목표는 병원균에 대한 방어면역이다. 백신학은 지원자들이 병원체에 대해 보호 면역을 제공할 수 있는지 여부를 예측할 수 있는 데이터베이스의 가용성에 의존한다. 백신 면역학을 둘러싼 지식 부족과 변종의 영향은 보호 면역력을 예측하기 어렵다. 역백신학의 또 다른 한계는 단백질이 아닌 식별 항원이다.

역방향 백신 도구 및 응용 프로그램

4000개 이상의 바이러스 게놈들이 확인되었다.[10] 역백신학은 방대한 바이러스 게놈을 분석하고 얻기 위해 생물정보학을 많이 이용한다.

신경

뉴이젠드 역백신학 환경(NERVE)은 병원체 단백질 시퀀스를 수입해 생물학적 시퀀스를 예측하는 역백신학 소프트웨어다. 이 소프트웨어는 이 단백질의 아세포 국산화, 접착 확률, 위상, 인간 시퀀스 유사성, 보존을 예측한다. NEARE는 잠재적 백신 후보들을 예측하기 위해 네 가지 기준을 사용한다: 세포질에 놓여있지 않은 단백질, 2개 이하의 투과성 나선형 단백질, 0.46 이하의 접착 확률, 인간 단백질과 유사성이 낮은 단백질.[12]

백신

백신은 역백신학과 백신개발을 위한 최초의 백신 설계 프로그램이었다. 외부 및 내부 도구와 프로그램을 모두 활용해 백신 대상을 예측한다. 사용자가 단백질로부터 입력하는 아미노산은 게놈이며, 아세포 국산화, 투과영역, 접착확률, 게놈 간 단백질 보존, 비병원성 균주의 배제, 단백질과 숙주의 비교, MHC 등급Ⅰ·Ⅱ와의 결합 예측, 단백질함수 분석을 예측할 수 있다.

[13]

백신은 "일반"과 "특정"의 두 가지 광범위한 백신 설계 방법을 가지고 있다. "일반 방법" 내에서 사용자는 Vaxign Query 또는 Dynamic Vaxign Analysis에서 추가로 검색하도록 선택할 수 있다. Vaxign Query는 약 300개의 게놈에 대해 사전 계산된 결과를 검색할 수 있도록 한다. 사용자는 원하는 매개 변수나 단백질 서열을 기반으로 백신 표적에 대한 게놈을 선택할 수 있다. Dynamic Vaxign Analysis는 사용자가 단백질 시퀀스를 입력하고 파라미터를 설정한다. 이 분석 도구는 자동 Vaxign 파이프라인을 사용한다.[14] 이 파이프라인에는 하위 위치, 접착, MCH 클래스 I 및 클래스 II에 대한 비포프 결합 및 호스트 게놈 시퀀스와의 유사성에 대한 예측이 포함된다.

'특정 방법'에 따라 사용자들은 백시탑과 백신-ML의 선택권을 갖고 있으며 백시탑은 역백신학(역백신학)을 바탕으로 백신특징을 예측한다.[15] 벡시탑은 특히 MHC Class와 II에 대한 바인딩을 예측한다. Vaxitop은 사용자가 다른 MHC 호스트 종에 대해 게놈 Whide 질의를 수행할 수 있도록 한다. Vaxign-ML은 기계 학습을 사용하여 백신 후보물질을 생산한다.[16]

EpiVax 및 iVAX 툴킷

EpiVax는 RI, 프로비던스에 본사를 둔 민간 기업으로, 실리코, 체외, 생체내 어플리케이션으로 새로운 백신을 설계한다. 에피박스는 사용자가 백신 개발에 필요한 상피들을 식별하고 예측할 수 있는 인실리코 플랫폼인 iVAX 툴킷을 개발했다.[17]

iVAX는 에피토프 지도, 항원 선택, 면역체 설계 등을 아우르는 컴퓨터 백신 설계 프로그램이다. 이 툴킷은 면역정보학 알고리즘을 사용하여 후보 항원을 식별하고 보존된 T 세포 별점을 선택함으로써 규제 T 세포의 별점을 제거한다. iVAX에는 Conservatrix, EpiMatrix, ClustiMer, EpiAssembly 등의 도구 모음이 있다. 백신 설계는 MHC 등급 I 및 II 리간드를 검색하는 것으로 시작한다. EpiMatrix는 바인딩 효과를 위해 각 입력 시퀀스를 구문 분석 및 평가하여 이 초기 검색을 수행한다. 그 프로그램은 개인화된 예측을 큐레이션하기 위해 낮은 품질의 바인더를 제거한다. ClustiMer를 사용하는 클러스터에 대해서는 이러한 별표를 추가로 분석할 수 있다. 사용자는 Conservatatrix를 사용하여 교차 지형의 보존된 별자리를 찾을 수 있다.[18] 이 툴킷은 실리코체외/체외 기술에 통합되어 백신 개발자가 백신의 독성, 효능, 성능 등에 접근할 수 있도록 한다.

고전 및 역 약리학

역 약리학

약리학(藥理學)은 자연 화합물의 용도를 연구하는 복수 징계학이다. 약리학은 약이나 조리법을 뜻하는 그리스 파르마콘지식을 뜻하는 gnosis에서 유래한다. 약리학은 치료법에서 천연 화합물 응용에 국한되지 않고 화장품, 농업, 염료 등도 포함할 수 있다. 종래의 약리학은 살아있는 유기체에 대한 전통적인 지식을 활용하여 새로운 생체 활성 분자를 찾는다. 종래의 약리학은 식물을 선택하기 위해 자기혈구학적 데이터를 사용하는 것으로 시작한다. 일단 이 식물들이 선택되면, 이 식물들의 추출물은 생물학적 분석에서 만들어지고 시험된다. 추출물이 생물학적으로 활성 상태인 경우, 추출물을 분류하고 여러 번 다시 테스트하여 활동을 담당하는 분자를 식별한다.

Reverse Pharmacogosi는 약리학에서 생성된 지식을 사용하여 천연물의 새로운 치료 활동을 도입하려고 시도한다. 분자는 우선 기준에 따라 선택된다(예: 구조, 화학 제품군, 활동). 다음으로, 선택된 화합물을 사용하여 잠재적 대상을 식별한다. 화합물은 신진대사 경로에서 다양한 대상을 가질 수 있다. 이 정보는 잠재적 오프 타겟 효과와 시너게틱 적용에 대한 통찰력을 제공한다. "반복 선별"은 선택된 화합물에 대한 새로운 특성을 확인하는 것을 포함한다. 예측 상호작용 파트너는 시험관내 결합 검사 또는 가상 선별 검사를 사용하여 검증할 수 있다.[19]

역 약리학[6] 요약

분자의 선택

역 약리학의 첫 번째 단계는 자연 화합물의 선택이다. 구조 기준, 동일한 화학 계열의 분자, 약물 성질을 가진 화합물 등에 대해 제안된 화합물에 따라 기준을 적용할 수 있다. 천연 제품 데이터베이스는 복합 선택에도 도움이 될 수 있다.

대상 식별 및 활동 발견

역 약리학에서 두 번째 단계는 선택된 화합물에 결합할 대상을 식별하는 것이다. 리간드가 상호작용할 수 있는 많은 대상이 있을 수 있으며, 이러한 상호작용은 부정적이거나 유리한 영향을 미칠 수 있으므로 가능한 모든 상호작용을 식별하는 것이 중요하다. 이 단계의 연구자들은 그들의 분자를 잠재적으로 묶을 수 있는 단백질을 검사하는 "역방향 검사"를 일반적으로 사용한다. 고전적인 도킹으로는 달성할 수 없는 선택성과 시너지에 대한 예측을 계산할 수 있다.

생물학적 분석 및 유기체 관련 활동

가상 선별은 화합물과 그 단백질들의 생물학적 활동을 예측하는 데 있어 상당히 정확하지만, 이러한 상호작용은 시험관내 생물학적 검사를 통해서만 확인할 수 있다. 생체내 생물 활동 모델은 체외 실험에서 동일한 생물학적 특성이 있는지 확인하기 위해 필요하다.

활동 최적화

천연제품의 파생상품은 원래 조사된 화합물에서 더 강력하고 덜 독성이 있으며 더 쉽게 접근할 수 있다. 활성 추출물과 대사물의 데이터베이스는 이러한 최적화를 지원할 수 있다.

역방향 약리 인식 도구 및 응용 프로그램

화학 정보학

역방향 선별 도구 및 대상 데이터베이스

천연물 데이터베이스 목록
데이터베이스 이름 정보 웹사이트
듀크 박사 데이터베이스 식물, 화학 물질, 생물학적 활동, 신드롬, 윤리 식물, 윤리학 용도에 대한 50,000개의 항목 포함 [1]
켐넷베이스 대화형 데이터베이스 및 사전 모음:

-화학물리학 CRC 핸드북

-복합화학사전

-천연물사전

유기화합물사전

-약물사전

-무기 및 유기농 화합물 실험

-일반적으로 인용되는 화합물 설명서

-해양천연물사전

-식품 화합물 사전

-폴리머: 속성 데이터베이스

-유기화합물 특성

[2]
나프랄레트 천연물의 관계형 데이터베이스. 천연물에 대한 의학적, 약리학적, 생화학적 정보 포함 [3]
미래를 위한 식물(PFAF) 7000개 이상의 식물의 식용 및 약용 용도를 포함한다. [4]
초자연적 32만 5천 개 이상의 천연물과 그 구조와 생리화학적인 성질을 함유하고 있다. [5]

그린파마의 역약리학 플랫폼

그린파마는 생명과학 분야의 맞춤형 제품과 서비스를 공급하는 프랑스의 연구개발(R&D) 기업이다. 그들은 자연 물질에 초점을 맞추고 그들의 플랫폼은 분석 화학, 실험실 척도 추출, 화학 정보학, 유기/바이오 합성, 그리고 화장품 제형의 다섯 가지 요소로 구성되어 있다. 그린파마는 역 약리학적 욕구를 충족시키기 위한 세 가지 복합 라이브러리를 제공한다: 그린파마 자연 복합 라이브러리(GPNCL), 그린파마 리간드 라이브러리(LIGENDO), 그린파마 식물 추출 라이브러리([20]GPEL).

GPNCL은 납 발견을 위한 15만 개의 천연 화합물 구조물이다. 이 도서관은 Ambinter로부터 3천만 개의 화합물에도 접근할 수 있다. 이 도서관은 아미노산, 펩타이드, 핵산 또는 긴 지방산 체인을 포함하지 않는다. 그들은 또한 90% 이상의 순도로 화합물의 지속적인 재고를 가지고 있다. GPNCL은 연구자들을 위해 각각의 화합물의 물리적 화학적 특성과 식물화학성을 제공한다.[20]

리겐도는 화학유전학과 생물학적 경로의 점핑을 위한 자연적이고 순수한 화합물의 도서관 공급원이다. 이 도서관은 400개의 인간 내생 리간드로 구성되어 있다. 화합물은 80의 마이크로플레트로 제공되며 데이터는 복합 이름, 구조, 잠재 대사 경로, 물리 화학 특성 및 단백질 파트너와 함께 데이터베이스에 공급된다.[20]

GPEL은 식물 추출물 라이브러리로 식물학, 약리학, 약리학을 결합해 다양한 가능한 추출물을 제시한다. 이 도서관은 20개의 식물에 대해 각 마이크로플레이트에서 80개의 추출물을 추출하는 높은 처리량 스크리닝에 적합하다. Greenpharma는 4가지 극성 용매 분율을 제공한다. 식물군, 속, 종, 장기자료에 대한 정보도 제공된다.[20]

셀너지

셀너지는 사용자가 상호작용 화학유전체학을 탐구할 수 있는 가상의 높은 처리량 선별 플랫폼이다. 그것은 생물학적 특성에 의해 분할된 10,000개의 단백질 구조의 데이터베이스를 포함하고 있다. 이 플랫폼은 리간드와 리간드-단백질 상호작용의 규소 프로파일링을 허용한다. 사용자가 후보 화합물과 단백질 목표물 사이의 선택성과 시너지를 예측할 수 있다.[21]

전통의학 체계에서의 잠재적 사용

현재의 약물 발견은 질병 병리학에서 약물 목표의 식별, 약물 후보 발견을 위한 대규모 화학 화합물 반복, 독성, 효력 및 효능을 테스트하기 위한 생물학적 분석 수행 등을 수반한다. 이러한 전통적인 접근법은 종종 비용이 많이 들고 시간이 많이 소요되는 것으로 간주된다. 세계의 많은 부분이 전통적인 의학 체계(TSM: Ayurveda, 전통 한의학, TCM) 등에 의존하고 있다. 이러한 치료법이 비서구 국가들에서 인기 있는 반면, 치료상의 이득에 대한 그들의 증거는 서구 사회에서 불완전한 것으로 보인다. 역 약리학은 아유르베데식물을 화학적으로, 임상적으로 연구하는 방법으로 시작되었다. Ayurvedic 발전소를 연구할 때의 문제는 그 발전소의 편익을 계량화하는 데 있어서 정의된 접근법이 없었다는 것이다. 그들의 한방 치료법에 대한 연구는 역 약리학을 이용하여 조사할 수 있다.

대상 식별 및 특성화

병원체 발생에 결정적인 것으로 생각되는 단백질이 확인된다. 이러한 단백질 구조와 예측된 기능은 생물정보학을 통해 분석할 수 있다. 이를 통해 후보 리간드를 식별할 수 있다. 수용체/리간드 상호작용은 높은 처리량 검사를 통해 식별되는 경우가 많다.[22]

고투과 스크리닝

높은 처리량 선별

높은 처리량 선별은 과학자들이 약리학적 테스트를 할 수 있도록 하는 약물 발견의 방법이다. 역 약리학에 관하여, 이 과정은 병리학 경로에 포함된 화합물의 식별에 이용된다.

분자 도킹

분자 도킹

분자 도킹은 신약 발견에 이용되는 규소법이다. 작은 분자 리간드가 결합 부위로 결합 순응을 예측할 수 있는 능력이 있다. 도킹은 1970년대에 처음 도입되었으며, 연구자들이 대상과 잠재적 리간드 사이의 상호작용을 예측할 수 있게 해준다.[23]

분자 도킹은 현재 화합물에 대한 표적 예측, 의약품 부작용 예측, 다면체결찰, 가상 선별, 약물 재배치 등에 사용된다. 분자 도킹을 사용한 가상 선별은 고분자 결합 부위를 찾기 위해 합성된 설계 분자의 많은 컬렉션을 이용한다. 응고된 분자는 결합 에너지와 다른 매개변수에 기초하여 점수가 매겨진다.[24]

리간드 기반 접근방식은 도킹 스크린에 적합한 단백질 적합성을 식별하기 위해 사용된다. 이 접근방식은 도킹 스크린의 예측을 확인하는 데도 사용할 수 있다. 연구자들은 리간드가 단백질로 결정되었을 때 예측 결합 확인과 실험 일치 사이의 유사성을 이용할 수 있다. 분자역학(MD)과 결합 자유 에너지 추정은 모두 구조 기반 접근법이며, 종종 조합에 사용된다. 잔류 유연성과 순응적 변화는 분자역학을 통해 평가할 수 있다. 그것은 다른 단백질 순응의 안정성을 결정하는 데 사용될 수 있다. 분자 도킹 파이프라인에서 인공지능과 통계적 방법의 사용은 새로운 것이다.[23] 이러한 방법은 더 나은 예측을 위해 화합물의 구조, 화학적, 활성도에 대해 공개적으로 이용할 수 있는 정보를 활용할 수 있다.

분자 도킹 프로그램

도크

분자 도킹

DOCK은 1980년대에 만들어진 최초의 도킹 소프트웨어였다. DOCK는 잠재적 바인딩 모드를 검색하는 알고리즘을 사용한다. DOCK은 리간드를 바인딩 포켓에 겹쳐서 가장 낮은 에너지 바인딩 순응을 찾을 수 있다. 새로운 버전에서 알고리즘은 경성 도킹과 유연한 도킹을 모두 수행할 수 있다.[25]

모르도르

MORDOR(Drived Dynamic OptimizeR) 이용한 분자 인식은 정확한 도킹 예측을 위해 설계된 도킹 소프트웨어다. 실험 관측에서 리간드는 수용체의 순응에 영향을 줄 수 있다. MORDOR는 이를 고려하여 유도 적합을 허용한다. 시뮬레이션은 리간드와 함께 움직인다. 리간드는 또한 가능한 서로 다른 묶음 주머니를 탐색할 수 있다. 소프트웨어는 도서관의 크기를 줄이기 위해 DOCK를 사용하여 견고한 도킹을 수행한다. 작은 라이브러리를 큐레이션한 후 MODOR를 사용한다. MORDOR는 수용기를 따라 이동하기 위해 서로 다른 결합 주머니를 식별하기 위해 "더미 구"를 사용한다. 그 결과는 모든 알려진 바인딩 포켓이 있는 에너지 맵이다.[26]

호박

황색 2021 참조 설명서

에너지 정제 기능을 갖춘 어시스턴스 모델 빌딩(AMBER)은 2002년 샌프란시스코 캘리포니아 대학교의 개발자들에 의해 만들어졌다. 앰버는 생체 분자를 시뮬레이션하는 일련의 "강력장"을 말하며 분자 역학을 위한 힘장군을 시뮬레이션한 소프트웨어 패키지를 가리킨다. "강력장"은 시스템 내의 결합, 각도, 분자 및 원자 유형의 매개변수다.[27] 이 제품군은 사용자들이 물이나 Born 용제 모델로 완전한 분자역학 시뮬레이션을 완료할 수 있게 해준다.

역도킹 대상 식별에 사용되는 데이터베이스
데이터베이스 이름 정보
단백질 데이터 뱅크 단백질의 구조
유니프로트 단백질 순서 및 기능 정보
치료 대상 데이터베이스 치료 단백질 및 핵산 표적, 질병, 질병 경로 정보, 약물
sc-PDB 단백질, 리간드, 결합 부위
잠재적 약물 표적 데이터베이스 결합 구조, 질병, 생물학적 활동
드러그뱅크 약물 및 약물 표적
펍켐 화학물질의 구조와 활동
켐벨 약물성 화합물
약물 부작용 대상 데이터베이스(DART) ADR과 관련된 대상
약물 유발 독성 관련 단백질 데이터베이스(DITROP) 독성과 관련된 대상

역도킹

클래식 및 리버스 도킹

역도킹(reverse docking) 또는 역도킹(reverse docking)은 특정 리간드로 향하는 단백질 표적을 찾기 위한 실리코 방법이다.[23] 일반적인 도킹 방법과 마찬가지로 리간드-타겟 순응도 점수가 매겨지고 사전 설정된 파라미터에 따라 순위가 매겨진다.[28] 대상 구조로 크고 적절하게 구성된 데이터베이스를 작성해야 한다. 이 데이터베이스들은 또한 각 단백질의 결합 부위를 정의할 필요가 있다. 다양한 데이터베이스를 사용하는 여러 개의 역방향 도킹 도구가 있으며, 대상과 잠재적 오프타깃 상호작용을 식별하는 데 사용할 수 있다. 역도킹의 효율성의 문제는 높은 계산 시간과 대상 구조에 대한 데이터베이스의 부족에서 비롯된다.[29]

역도킹 프로그램

인보독

INVDOCK은 2001년에 만들어진 최초의 역도킹 도구였다. 이 소프트웨어는 결합 부지에 리간드를 정렬하고 결합 순응을 에너지 최소화를 사용하여 분석한다. INVDOCK은 약물, 리드 등의 미지의 대상과 2차 대상을 식별하는 데 사용할 수 있다. 대상의 ADME도 예측할 수 있다.[30] INVDOCK의 한계 중 하나는 최적화의 부족이다. 사용자들은 한계치 바인딩 에너지를 입력하며, 리간드가 성공적으로 배치되면 바인딩 에너지 임계값 내에서 프로그램은 계속 움직인다. 다중 저에너지 순응에는 최적화가 없다.

타르피스독

TarFisDock은 2006년에 처음 개발되었으며, 사내 데이터베이스인 PDTD(Predential Drug Target Database)를 사용하여 표적 순위를 매기는 도구다.[31] 이 도구는 대상과 대상의 결합 에너지를 계산한다. 사용자들은 테스트를 위해 작은 분자를 입력하고 TarFisDock은 도킹 기술을 사용하여 단백질을 찾는다. 실행 가능한 목표치는 보통 상위 2,5위 또는 상위 10%에 포함된다.

idTarget

idTarget은 단백질의 여러 바인딩 사이트를 식별할 수 있는 웹 기반 도킹 도구다.[31] 이 도구는 PDB(단백질 데이터 뱅크) 내의 모든 단백질 구조를 사용한다. 이 도구는 또한 화합물의 목표물을 결정할 수 있다.

분자 도킹 관련 당면 과제

분자는 리간드와 타겟의 상호작용을 시각화하는 데 있어 강력한 것이다. 분자 도킹은 추정 중인 알고리즘으로 인해 바인딩 모드를 항상 올바르게 예측하지는 않는다. 결합 부위와 분자의 유연성은 실험 관찰에 존재하지 않는 잘못된 결합 부위의 원인이 될 수 있다. 정확한 결합 예측은 리간드와 수용체 모두의 크기와 수용체를 둘러싼 지식으로 제한된다. 가상 도킹 플랫폼의 채점 기능에도 문제가 있다. 일반적으로 이러한 채점 기능은 바인딩 친화도 추정치에 기초한다. 엔트로피, 원자 임의화, 결합 유연성은 결합 친화도 예측과 관련된 가장 어려운 문제들이다.[32]

고아 수용체

고아 수용체는 알려지지 않은 리간드에 의해 활성화되는 단백질 수용기다. 이들 수용체에 대한 리간드는 알려져 있지 않지만, 그들의 구조는 이미 확인된 수용체와 유사한 경우가 많다. 고아 수용체는 일반적으로 핵수용체와 GPCR(단백질결합수용체)의 두 가지 뚜렷한 수용체군과는 별개다. 핵수용체는 세포질 단백질로 일단 활성화되면 전사 인자의 역할을 한다. GPCR은 스트림 이펙터 단백질을 신호로 변환하는 G 단백질을 활성화하는 7개의 트랜섬브레인 수용체다.GPCR을 코딩하는 유전자는 700개가 넘는다. 이 700개의 유전자 중에서 감각 수용체에 대한 약 절반의 코드와 나머지 유전자는 잠재적 약물 표적으로 생존가능성을 가질 수 있다고 생각된다. 현재 이들 GPCR의 리간드가 200개 이상 확인돼 150여 개의 수용체가 고아가 됐다. 리간드를 성공적으로 식별할 수 있는 적절한 검사를 개발하는 것이 중요하다.[33]

현재 수용체 시퀀스를 복제할 수 있고 이들의 구조 정보를 결정할 수 있다. 이러한 구조물은 리간드가 알려진 GPCR과 비교할 수 있다. 고아 수용체가 리간드가 알려진 수용체에 유의미한 호몰로학을 가지고 있다면 수용체 활성을 예측할 수 있다. 기능 검사를 사용하여 추가적인 기능 식별을 수행한다.[34] 일반적으로 관심 있는 GPCR의 cDNA는 관련 세포 라인으로 표현되며 내생 리간드를 결정하는 미끼로 사용된다.

가장 먼저 탈형화 된 GPCR은 세로토닌1A 수용체(5-HT1A)와 D2 도파민 수용체였다. 알려진 잠재적 리간드보다 더 많은 GPCR이 있다고 생각되며, 이러한 수용체들은 특징적인 리간드에 결합된다.[35]

고아 GPCR은 세 가지 등급으로 분류된다. 클래스 A, 클래스 B(접착 GPCR)클래스 C. A급 고아들은 내생 리간드에 대한 예비 증거를 가지고 있는데, 이 리간드는 출판되어 질병과 연관되어 있다. 등급 G 또는 접착 GPCR은 세포외 영역을 기준으로 식별된다. N 터미널은 접착 영역과 유사한 호몰로지를 공유한다. C급 고아들은 알려진 내생 리간드를 가지고 있지 않다.[36]

클래스 A 고아: 삽입성 내생[37] 리간드가 있는 GPCR
GPR3 GPR4 GPR6 GPR15 GPR17 GPR17 GPR20
GPR22 GPR26 GPR31 GPR35 GPR37 GPR37 GPR39
GPR50 GPR63 GPR68 GPR75 GPR84 GPR84 GPR87
GPR88 GPR132 GPR161 GPR183 LGR4 LGR4 LGR5
LGR6 MAS1 MRGPRX1 MRGPRX2 P2RY10 P2RY10 TAAR2
B급(어데시온) 고아[38]
ADGRA1 ADGRB3 ADGRD2 ADGRE5 ADGRF5 ADGRG5 ADGRL3
ADGRA2 CELSR1/ADGRC1 ADGRE1 ADGRF1 ADGRG1 ADGRG6 ADGRL4
ADGRA3 CELSR2/ADGRC2 ADGRE2 ADGRF2 ADGRG2 ADGR7 ADGRV1
ADGRB1 CELSR3/ADGRC3 ADGRE3 ADGRF3 ADGRG3 ADGRL1
ADGRB2 ADGRD1 ADGRE4P ADGRF4 ADGRG4 ADGRL2
Class C 고아: GPCRs 알려진 내생 리간드[39] 없음
GRP156 GPRC5B
GPR158 GPRC5C
GPR179 GPRC5D
GPRC5A GPRC6 수용체

고아 GPCR 식별을 위한 기능 검사

생물 발광 에너지 전달(BRET)

분석의 생성은 이러한 수용체들을 "탈형화"하기 위해 중요하다. β-아레스틴은 GPCR을 분해하는 데 사용되었다. β-아레스틴의 채용을 측정하면 GPCR의 내부화에 대한 통찰력을 제공할 수 있다. GPCR이 활성화되고 인산화되면 β-아레스틴이 세포 표면에 포집된다. 연구자들은 녹색 형광 단백질(GFP)에 부착된 치메릭 β-아레스틴을 만들어 세포 전체에 걸쳐 추적할 수 있도록 했다. GPCR의 작동은 치메릭 β-아레스틴을 구획하여 표시한다. 이 기법은 드로필라 신경펩타이드 수용체의 탈형화에 활용되었다.[33]

페로몬 수용체 경로의 변형

이 측정은 고아 수용체에 대한 G 단백질 결합의 특수성을 식별하는 데 유용하다. 치메릭 G 단백질은 사카로마이오스 세레비시아에 G-프로테닌, Gpa1이 가능하도록 MAPKinase 캐스케이드를 통해 연결된 신호를 가능하게 하는데 사용된다. 이 분석은 내인성 GPCR 배경이 부족하기 때문에 낮은 배경을 제공한다.[33]

Xenopus 멜라노포체를 이용한 비드 기반 선별

펩타이드 수용체는 여러 개의 펩타이드나 신호 단백질에 결합하는 수용체다. 이러한 수용체들 중 많은 수가 질병에 연루되어 왔다. 결합 화학물질을 사용하면 펩타이드 리간드에 반응하는 GPCR을 식별할 수 있을 것이다. 잠재적 리간드 펩타이드의 구슬은 각 풀에 동일한 첫 번째 아미노산을 가질 수 있도록 먼저 풀링된다. 멜라노포체가 함유된 '라옹'은 펩타이드 다중 수용체 세트로 전염된다. 이들은 알려진 리간드와 고아가 된 수용체를 가진 두 수용체들의 그룹이었다. 구슬은 "lawn"에 뿌려지고 GPCR 활성화는 G단백질 신호에 의존하는 색소 변환을 통해 결정된다. 이 구슬들의 펩타이드들은 이후 검사를 위해 배열될 수 있다.[33]

Pharmacochaperone 선별 검사

약리학(藥理學)은 단백질의 보호제 역할을 하는 약이다. 이러한 보호막은 고분자 구조의 접기/ 펼치기 및 조립/분리에 도움이 된다. 약리학적 색채는 잘못 접히고 펴진 단백질의 접기를 교정하여 셀의 계통에서 올바르게 경로될 수 있게 한다. 약리학적 검사 검사는 혈장막에 수용체를 밀거래할 수 있는 작은 분자인 약리학적 분자를 이용하여 리간드를 식별한다. 점 돌연변이가 도입되어 수용체가 소포체 내 망막에 유지된다. 결과적으로, 보호자 역할을 하는 분자들은 수용기를 표면으로 가져올 것이다. 이 분자들은 신원 확인을 위한 베타-갈락토시다아제 리포터 시스템과 결합되어 있다.[40]

오레신 식별

인간오렌신A의 구조
Orexin-B의 구조

오렉신신경펩타이드로, 에너지 홈스테이지에서 그들의 역할과 수면/깨어짐을 조절하는데 중요하다. 사쿠라이 다케시와 그들의 실험실은 두 고아 GPCR의 내인성 리간드인 오레신A와 오레신B를 식별할 수 있었다. 연구소는 오레신-1 수용체(OXR1)를 표현할 수 있는 오레신 펩타이드 성분을 확인했다. 이 수용체는 오레신A에 대한 친화력이 높다. 두 번째 수용체, 오레신-2(OXR2)는 오레신-A와 B를 동일한 친화력으로 결합한다. 그들은 50개의 전염성 세포 라인을 사용하여 여러 개의 고아 GPCR cDNA를 표현했다. 세포는 고성능 액체 크로마토그래피(HPLC) 분율로 도전을 받고 신호 전도를 모니터링했다.[41]

참고 항목

참조

  1. ^ Takenaka T (Sep 2001). "Classical vs reverse pharmacology in drug discovery". BJU International. 88 Suppl 2: 7–10, discussion 49–50. doi:10.1111/j.1464-410X.2001.00112.x. PMID 11589663.
  2. ^ Lazo JS (Apr 2008). "Rear-view mirrors and crystal balls: a brief reflection on drug discovery". Molecular Interventions. 8 (2): 60–3. doi:10.1124/mi.8.2.1. PMID 18403648.
  3. ^ Bachmann KA, Hacker MP, Messer W (2009). Pharmacology Principles and Practice. Amsterdam: Elsevier/Academic Press. p. 576. ISBN 978-0-12-369521-5.
  4. ^ Lee JA, Uhlik MT, Moxham CM, Tomandl D, Sall DJ (May 2012). "Modern phenotypic drug discovery is a viable, neoclassic pharma strategy". Journal of Medicinal Chemistry. 55 (10): 4527–38. doi:10.1021/jm201649s. PMID 22409666.
  5. ^ Swinney DC, Anthony J (Jul 2011). "How were new medicines discovered?". Nature Reviews. Drug Discovery. 10 (7): 507–19. doi:10.1038/nrd3480. PMID 21701501. S2CID 19171881.
  6. ^ a b Blondeau, S.; Do, Q.T.; Scior, T.; Bernard, P.; Morin-Allory, L. (2010-05-01). "Reverse Pharmacognosy: Another Way to Harness the Generosity of Nature". Current Pharmaceutical Design. 16 (15): 1682–1696. doi:10.2174/138161210791164036. ISSN 1381-6128. PMID 20222859.
  7. ^ a b Rappuoli, Rino (2000). "Reverse vaccinology". Current Opinion in Microbiology. 3 (5): 445–450. doi:10.1016/S1369-5274(00)00119-3. PMID 11050440 – via Elseiver Science Ltd.
  8. ^ Sette, Alessandro; Rappuoli, Rino (October 2010). "Reverse Vaccinology: Developing Vaccines in the Era of Genomics". Immunity. 33 (4): 530–541. doi:10.1016/j.immuni.2010.09.017. PMC 3320742. PMID 21029963.
  9. ^ Hansson, Marianne; Nygren, Per-Åke; Ståhl, Stefan (2000-10-01). "Design and production of recombinant subunit vaccines". Biotechnology and Applied Biochemistry. 32 (2): 95–107. doi:10.1042/ba20000034. ISSN 0885-4513. PMID 11001870. S2CID 19091795.
  10. ^ a b Bruno, Luca; Cortese, Mirko; Rappuoli, Rino; Merola, Marcello (2015-04-01). "Lessons from Reverse Vaccinology for viral vaccine design". Current Opinion in Virology. Viral pathogenesis • Preventive and therapeutic vaccines. 11: 89–97. doi:10.1016/j.coviro.2015.03.001. ISSN 1879-6257. PMID 25829256.
  11. ^ Heinson, A. I.; Woelk, C. H.; Newell, M.-L. (2015-03-01). "The promise of reverse vaccinology". International Health. 7 (2): 85–89. doi:10.1093/inthealth/ihv002. ISSN 1876-3413. PMID 25733557.
  12. ^ Dalsass, Mattia; Brozzi, Alessandro; Medini, Duccio; Rappuoli, Rino (2019-02-14). "Comparison of Open-Source Reverse Vaccinology Programs for Bacterial Vaccine Antigen Discovery". Frontiers in Immunology. 10: 113. doi:10.3389/fimmu.2019.00113. ISSN 1664-3224. PMC 6382693. PMID 30837982.
  13. ^ He, Yongqun; Xiang, Zuoshuang; Mobley, Harry L. T. (2010). "Vaxign: The First Web-Based Vaccine Design Program for Reverse Vaccinology and Applications for Vaccine Development". Journal of Biomedicine and Biotechnology. 2010: 297505. doi:10.1155/2010/297505. ISSN 1110-7243. PMC 2910479. PMID 20671958.
  14. ^ Xiang, Z; He, Y (2009). "Vaxign: a web-based vaccine target design program for reverse vaccinology". Procedia in Vaccinology. 1: 23–29. doi:10.1016/j.provac.2009.07.005.
  15. ^ He, Yongqun; Xiang, Zuoshuang; Mobley, Harry L. T. (2010). "Vaxign: the first web-based vaccine design program for reverse vaccinology and applications for vaccine development". Journal of Biomedicine & Biotechnology. 2010: 297505. doi:10.1155/2010/297505. ISSN 1110-7251. PMC 2910479. PMID 20671958.
  16. ^ Ong, Edison; Wang, Haihe; Wong, Mei U.; Seetharaman, Meenakshi; Valdez, Ninotchka; He, Yongqun (2020-05-01). "Vaxign-ML: supervised machine learning reverse vaccinology model for improved prediction of bacterial protective antigens". Bioinformatics (Oxford, England). 36 (10): 3185–3191. doi:10.1093/bioinformatics/btaa119. ISSN 1367-4811. PMC 7214037. PMID 32096826.
  17. ^ De Groot, Anne S.; Jesdale, Bill M.; Szu, Evan; Schafer, James R.; Chicz, Roman M.; Deocampo, Greg (May 1997). "An Interactive Web Site Providing Major Histocompatibility Ligand Predictions: Application to HIV Research". AIDS Research and Human Retroviruses. 13 (7): 529–531. doi:10.1089/aid.1997.13.529. ISSN 0889-2229. PMID 9135870.
  18. ^ Moise, Leonard; Gutierrez, Andres; Kibria, Farzana; Martin, Rebecca; Tassone, Ryan; Liu, Rui; Terry, Frances; Martin, Bill; De Groot, Anne S (2015-09-02). "iVAX: An integrated toolkit for the selection and optimization of antigens and the design of epitope-driven vaccines". Human Vaccines & Immunotherapeutics. 11 (9): 2312–2321. doi:10.1080/21645515.2015.1061159. ISSN 2164-5515. PMC 4635942. PMID 26155959.
  19. ^ Do, Quoc-Tuan; Bernard, Philippe (2006), "Reverse pharmacognosy: a new concept for accelerating natural drug discovery", Lead Molecules from Natural Products - Discovery and New Trends, Advances in Phytomedicine, Elsevier, 2, pp. 1–20, doi:10.1016/s1572-557x(05)02001-5, ISBN 9780444516190, retrieved 2021-11-28
  20. ^ a b c d "Compound Librairies". Greenpharma. Retrieved 2021-11-27.
  21. ^ "Drug discovery". Greenpharma. Retrieved 2021-11-28.
  22. ^ Takenaka, T. (September 2001). "Classical vs reverse pharmacology in drug discovery". BJU International. 88: 7–10. doi:10.1111/j.1464-410X.2001.00112.x. PMID 11589663. S2CID 30711746.
  23. ^ a b c Pinzi, Luca; Rastelli, Giulio (2019-09-04). "Molecular Docking: Shifting Paradigms in Drug Discovery". International Journal of Molecular Sciences. 20 (18): 4331. doi:10.3390/ijms20184331. ISSN 1422-0067. PMC 6769923. PMID 31487867.
  24. ^ Kumar, Shivani; Kumar, Suresh (2019), "Molecular Docking: A Structure-Based Approach for Drug Repurposing", In Silico Drug Design, Elsevier, pp. 161–189, doi:10.1016/b978-0-12-816125-8.00006-7, ISBN 9780128161258, S2CID 104470250, retrieved 2021-11-28
  25. ^ "Overview of DOCK". dock.compbio.ucsf.edu. Retrieved 2021-11-28.
  26. ^ "Christophe&Genia Guilbert web's page". mondale.ucsf.edu. Retrieved 2021-11-28.
  27. ^ D.A. Case, H.M. Aktulga, K. Belfon, I.Y. Ben-Shalom, S.R. Brozell, D.S. Cerutti, T.E. Cheatham, III, G.A. Cisneros, V.W.D. Cruzeiro, T.A. Darden, R.E. Duke, G. Giambasu, M.K. Gilson, H. Gohlke, A.W. Goetz, R. Harris, S. Izadi, S.A. Izmailov, C. Jin, K. Kasavajhala, M.C. Kaymak, E. King, A. Kovalenko, T. Kurtzman, T.S. Lee, S. LeGrand, P. Li, C. Lin, J. 류, T. 루치코, R. 루오, M. 마차도, V. Man, M. Manathunga, K.M. Merz, Y. Miao, O. 미하일로프스키, G. 모나드, H. 응우옌, K.A. 오헤른, A. 오누프리예프, F. 팬타노, R. 제, A. 라나문, D.R. Roe, A. Roitberg, C. Sagui, S. Schott-Verdugo, J. Shen, C.L. Simmerling, N.R. Skrynnikov, J. Smith, J. Swails, R.C. Walker, J. Wang, H. Wei, R.M. Wolf, X. Wu, Y. Xue, D.M. York, S. Zhao, and P.A. Kollman (2021), Amber 2021, University of California, San Francisco.
  28. ^ Kharkar, Prashant S; Warrier, Sona; Gaud, Ram S (March 2014). "Reverse docking: a powerful tool for drug repositioning and drug rescue". Future Medicinal Chemistry. 6 (3): 333–342. doi:10.4155/fmc.13.207. ISSN 1756-8919. PMID 24575968.
  29. ^ Lee, Aeri; Lee, Kyoungyeul; Kim, Dongsup (2016-07-02). "Using reverse docking for target identification and its applications for drug discovery". Expert Opinion on Drug Discovery. 11 (7): 707–715. doi:10.1080/17460441.2016.1190706. ISSN 1746-0441. PMID 27186904. S2CID 35165729.
  30. ^ "Bioinformatics & Drug Design group [BIDD]". bidd.group. Retrieved 2021-11-28.
  31. ^ a b Lee, Aeri; Lee, Kyoungyeul; Kim, Dongsup (June 2016). "Using reverse docking for target identification and its applications for drug discovery". Expert Opinion on Drug Discovery. 11 (7): 707–715. doi:10.1080/17460441.2016.1190706. ISSN 1746-0441. PMID 27186904. S2CID 35165729.
  32. ^ Saikia, Surovi; Bordoloi, Manobjyoti (2019-03-05). "Molecular Docking: Challenges, Advances and its Use in Drug Discovery Perspective". Current Drug Targets. 20 (5): 501–521. doi:10.2174/1389450119666181022153016. PMID 30360733. S2CID 53095334.
  33. ^ a b c d Tropsha, A.; Wang, S. X. (2007), Bourne, H.; Horuk, R.; Kuhnke, J.; Michel, H. (eds.), "QSAR Modeling of GPCR Ligands: Methodologies and Examples of Applications", GPCRs: From Deorphanization to Lead Structure Identification, Berlin, Heidelberg: Springer Berlin Heidelberg, 2006/2 (2), pp. 49–74, doi:10.1007/2789_2006_003, ISBN 978-3-540-48981-8, PMID 17703577, retrieved 2021-12-07
  34. ^ Kutzleb, Christian; Busmann, Annette; Wendland, Martin; Maronde, Erik (2005-06-01). "Discovery of Novel Regulatory Peptides by Reverse Pharmacology: Spotlight on Chemerin and the RF-amide Peptides Metastin and QRFP". Current Protein & Peptide Science. 6 (3): 265–278. doi:10.2174/1389203054065419. ISSN 1389-2037. PMID 15974952.
  35. ^ Civelli, Olivier; Saito, Yumiko; Wang, Zhiwei; Nothacker, Hans-Peter; Reinscheid, Rainer K. (2006-06-01). "Orphan GPCRs and their ligands". Pharmacology & Therapeutics. New Developments in Receptor Pharmacology. 110 (3): 525–532. doi:10.1016/j.pharmthera.2005.10.001. ISSN 0163-7258.
  36. ^ doi:10.111/bph.1248
  37. ^ Vanderheyden, Patrick; Tirupula, Kalyan; Thomas, Walter G.; Storjohann, Laura; Stoddart, Leigh; Spindel, Eliot; Spedding, Michael; Sharman, Joanna L.; Pin, Jean-Philippe; Pawson, Adam J.; Neubig, Richard; Mpamhanga, Chido; Monaghan, Amy E.; Liew, Wen Chiy; Kostenis, Evi; Karnik, Sadashiva; Jensen, Robert T.; Holliday, Nick; Harmar, Anthony; Eguchi, Satoru; Dhanachandra Singh, Khuraijam; Davenport, Anthony P.; Bonner, Tom I.; Benya, Richard V.; Benson, Helen E.; Battey, Jim; Alexander, Stephen P.H. (2020). "Class a Orphans (Version 2020.5) in the IUPHAR/BPS Guide to Pharmacology Database". IUPHAR/BPS Guide to Pharmacology Cite. 2020 (5). doi:10.2218/gtopdb/F16/2020.5. S2CID 228927632.
  38. ^ Xu, Lei; Wolfrum, Uwe; Ushkaryov, Yuri; Stacey, Martin; Singer, Kathleen; Schiöth, Helgi; Schöneberg, Torsten; Prömel, Simone; Piao, Xianhua; Monk, Kelly; Martinelli, David C.; Lin, Hsi-Hsien; Le Duc, Diana; Langenhan, Tobias; Krishnan, Arunkumar; Knapp, Barbara; Kirchhoff, Christiane; Heyne, Henrike; Harty, Breanne; Hamann, Jörg; Formstone, Caroline; Cappallo-Obermann, Heike; Bonner, Tom I.; Aust, Gabriela; Arac-Ozkan, Demet (2019). "Adhesion Class GPCRS (Version 2019.4) in the IUPHAR/BPS Guide to Pharmacology Database". IUPHAR/BPS Guide to Pharmacology Cite. 2019 (4). doi:10.2218/gtopdb/F17/2019.4. S2CID 203707503.
  39. ^ Shoback, Dolores; Conigrave, Arthur; Brown, Edward M.; Bräuner-Osborne, Hans; Bikle, Daniel (2019). "Class C Orphans (Version 2019.4) in the IUPHAR/BPS Guide to Pharmacology Database". IUPHAR/BPS Guide to Pharmacology Cite. 2019 (4). doi:10.2218/gtopdb/F18/2019.4. S2CID 203705510.
  40. ^ Morfa, Camilo J.; Bassoni, Daniel; Szabo, Andras; McAnally, Danielle; Sharir, Haleli; Hood, Becky L.; Vasile, Stefan; Wehrman, Tom; Lamerdin, Jane; Smith, Layton H. (October 2018). "A Pharmacochaperone-Based High-Throughput Screening Assay for the Discovery of Chemical Probes of Orphan Receptors". ASSAY and Drug Development Technologies. 16 (7): 384–396. doi:10.1089/adt.2018.868. ISSN 1540-658X. PMC 6207161. PMID 30251873.
  41. ^ Mieda, M (2002-06-01). "Sleep, feeding, and neuropeptides: roles of orexins and orexin receptors". Current Opinion in Neurobiology. 12 (3): 339–345. doi:10.1016/s0959-4388(02)00331-8. ISSN 0959-4388. PMID 12049942. S2CID 35147196.