Iskanje novih zdravil s simulacijami in evolucijo

Berem zanimiv blog od Folding@home projekta( Link), pa me malo zanima, kako danes poteka iskanje novih zdravil. Se tudi pri nas(Krka,Lek)uporabljajo rač. simulacije za iskanje neke sestavine z želenimi lastnostmi?
To so verjetno zelo računsko požrešne simulacije, veliko fizike mora biti uporabljene pri interakciji med molekulami, atomi....

Ima kdo kak dober link, kjer so zadeve predstavljene za laike?

> kako danes poteka iskanje novih zdravil

Sintentizirajo miljarde spojin in testirajo na encimih. High throughput screening. To je bila do sedaj in še nekaj časa bo najbolj uspešna metoda za iskanje zdravil.

Kar se tiče simulacij bo verjetno več povedal zee, ki dela na kemijskem inštitutu na tem področju. Najbolj osnovne simulacije molekul so " molecular mechanics". Delujejo tako, da najprej iz raznih koeficientov (dobljeni iz eksperimentalnih podatkov ali s kvantnimi simulacijami) poračunajo sile med atomi in nato poračunajo pospeške (F = m * a) in potem ti pospeške vplivajo na hitrosti in te na položaje atomov. Takšen postopek se ponavlja po času (koraki so v rangu pikosekund) in dobiš simulacijo gibanja - "molecular dynamics".

Te zadeve se uporabljajo tako pri simulacijah zvijanja proteinov (folding@home) kot tudi interakciji protein (ki je navadno tarčno mesto zdravil) in zdravilo. Pri iskanju zdravil se recimo pri nas na fakulteti za farmacijo dela docking na proteine. Program iz baze spojin (navadno takšnih, ki jih lahko kupiš) ugotavlja katera se najbolje veže na določeno mesto na proteinu. Gre za takoimenovana aktivna mesta proteina, ki opravljajo neko funkcijo v telesu, mi pa ga želimo blokirati. No so pa tudi programi, ki iščejo nove spojine na proteinih. Ampak praktično vsa ta prilagajanja na proteine, delujejo tako, da imamo neko fiksno strukturo proteina, ki smo jo dobili z rengentsko kristalografijo.

Bom prosil sošolca, da pove kaj več o tem, ker ravno dela diplomo na to temo.

Faramcevti razumemo pod pojmom zdravilo farmacevtsko obliko, recimo tableto, kapsulo itd, tisto kar pa dejansko deluje pa imenujemo "zdravilna učinkovina".

Druga, po moje trenutno bolj obetavna, veja so biotehnološka zdravila - inzulin, rastni faktor, eritropoetin, interlevkini, interferoni itd... več o tem pa _marko ;)

Hvala za tole, zelo zanimive zadeve. Si bom na wikiju še malo prebral zadeve.
Se delovanje novih zdravilnih učinkovin na človeško telo že tudi kaj testira v rač. simulacijah, a se še vedno za vsako zdravilo pred prihodom v prodajo potrebni "poskusni zajčki"? Verjetno imamo še premalo natančne modele človeških celic itd., da bi vse prečekirali "in silico".

@ pietro

> Še zmeraj pa verjamem, da se da 3D strukturo napovedati samo iz AK zaporedja

Kaj pa ko pade še kak cuker gor?
Ali pa ko je protein integriran v membrano?


@ DixieFlatline
Zaenkrat smo bolj pri simulacijah proteinov (recimo par 1000 atomov) pa še ti nisi bogve kaj natančni. Za celice simulirat... tam pa maš na milijone/milijarde atomov. Na tisoče proteinov in drugih molekul. To pa je bolj kriza. En mali mali virus z milijon atomi so simulirali do sedaj.

Glede atomarne simulacije celic pa tole. Zdi se mi ravno toliko potrebno kot kvantna mehanika na ravni gibanja avtomobilov. V celici prevlada dinamika sistema proteinov. Njihova vloga v reakcijah je znana, ni pa znano kaj stori sprememba količine proteina (kar zdravilo načeloma stori). Na ravni organizma pa niti to ni več tako pomembno, saj nadzor prevzame sistem organov. Vsaj če ne zadanemo bifurakcijske točke.
In silico sistem molekul je zgrajen za bakterijo E. coli. Le pri njej lahko spremljamo posledice količinske odvisnosti molekul. Pa še to le njej lastnih oz. znanih tarčno delujočih učinkovin. Zaenkrat.

poznavanje mehanizmov delovanja encimov oz. bioloških molekul na molekularnem nivoju je še kako potrebno. znanje pridobljeno s simulacijami nam namreč omogoča lažje in hitrejše načrtovanje novih zdravilnih učinkovin (tudi proti tarčam, ki do sedaj še niso bile izkoriščene/uporabljene) kot tudi razumevanje molekularnega ozadja, ki povzroči bolezni kot so Alzheimerjeva, Parkinsonova, prionske (bolezen norih krav) bolezni...

Kako to dosežemo?

Kot ste že ugotovili, je simuliranje velikih sistemov problematično zaradi same velikosti sistemov kot tudi zaradi interakcij z drugimi biološkimi molekulami.

če nas zanima samo dogajanje/obnašanje proteina v vodi - zvijanje, razvijanje npr. za to lahko uporabiom molekularno mehaniko, ki pa je problematična, saj je zvijanje proteinov bistveno daljši proces (tipično v rangu milisekund), kar pa je predolgo za simulacijo z molekularno mehaniko, zato je potrebno uporabiti kakšne pametne trike...več o tem pa boste lahko prebrali enkrat do konca leta v "mednarodno priznani strokovni publikaciji"

za razumevanje delovanja encimov je na voljo več tehnik, ena je denimo QM/MM, kjer sistem razdelimo na dva - kvantomehanskega in molekularnomehanskega. Prvi del (položaji atomov, energija) se računajo z uporabo kvantne kemije, medtem ko se ostali del računa z molekularno mehaniko. Če si zopet sposodim proteine, je kvantnomehanska regija recimo aktivno mesto s susbstratom in vodnimi molekulami, ostali del proteina pa je molekularnomehanska regija. Z uporabo QM/MM lahko natančno (v okviru uporabljene metode in približkov) opišemo potek encimske reakcije. Druga metoda je denimo ONIOM, pa replica path, ...

Pričakovano se zahtevnost računa veča z večanjem sistema in izbiro računske metode. Pri nas računamo na večprocesorskih mašinah (kot je ta iz mojega podpisa ) paralelno (paralelizacija je druga zgodba :-D ). Še nekaj podatkov: tipičen biološki sistem ima okrog 20.000 atomov od tega je lahko dobra polovica vodnih molekul, največji sistem, ki sem ga do zdaj simuliral je imel 80.000 atomov.

PS: Verjamem, da bomo v doglednem času (manj kot 100 let) bili sposobni dirketno iz aminokislinskega zaporedja določiti 3D strukturo proteina

PPS: se pardoniram za daljše sporočilo, vendar sem se pred kratkim oborožil s teorijo na tem področju.

Bom malo opisal enega od možnih postopkov iskanja novih učinkovin s pomočjo računalnika. Tako sem jaz to delal za diplomo.

Postopku se reče docking (sidranje). Program poizkuša umestit dano spojino v aktivno mesto encima. Običajno je tako, da program proteina ne spreminja nič, torej ga obravnava kot rigidno telo, spreminja samo spojino, ki jo sidramo. Imamo več različnih pristopov samega umeščanja:
1)Molecular dynamics: To je čisto fizikalni model in se najbolj redko uporablja zaradi svoje računske zahtevnosti. Je pa najboljši.
2)Genetski algoritmi: Program dela naključne spremembe na "kromosomu". V kromosomu so zapisane lastnosti (torzijski koti) in pozicija spojine. Kromosomi nato mutirajo, se razmnožujejo itd. Nato cenilna funkcija (glej naprej) oceni, če so na novo nastali kromosomi v redu ali pa se jih zavrže. Tako nekako kot naravna seleckija. Ta metoda je čisto naključna.
3)Sistematični algoritmi: Ti algoritmi pa razdelijo molekulo na manjše rigidne fragmente in fleksibilne verige. Nato sidrajo vsak fragment posebej in potem poskušajo sestaviti spojino nazaj tako, da ima kar najbolj ugodno vezavo.

Rezultate umeščanja nato oceni cenilna funkcija. Teh imamo spet več:
1)Force field based: funkcija preračuna interakcije med proteinom in našo spojino na podlagi Van der Waalsovih in Coulombovih sil. Uporablja se redko, ker je računsko preveč zahtevna.
2)Empirične funkcije: Sestavljene so iz mnogih parametrov, ki so jih dobili z analizo X-ray/NMR struktur kompleksov protein-ligand.
3)Statistične funkcije: Dobili so jih ravno tako z analizo struktur kompleksov protein-lligand. Temeljijo na predpostavki, da so razdalje med posameznimi funkcionalnimi skupinami proteina in liganda podobne v različnih kompleksih. Ta funkcija je najslabša, samo je pa zato najhitrejša. Dobra je samo v primeru, da jo natreniraš na tvojem encimu. Torej potrebuješ 3D strukturo encima z vezanim ligandom, kar pa ni vedno lahko. Zato pa obstajajo projekti, kot je folding@home.

Delo običajno poteka tako, da na najprej izbereš/narediš bazo spojin. Ena od večjih je tule: zinc.docking.org. Na začetku smo imeli bazo 60000 spojin. Te smo sidrali v naš encim. Na koncu smo prišli do cca 400 spojin, ki naj bi bile kolikor toliko aktivne. Naročili smo jih 170, jih potestirali v laboratoriju na pravih encimi in odkrili da sta celo 2 aktivni. In to je že velik uspeh. Point sidranja je namreč, da močno zmanjšaš število spojin, ki jih greš potem tudi dejansko testirat na encimih. In vitro testi so namreč zelo dragi.

Naš program uporablja sistematični algoritem za umeščanje, za cenilno funkcijo pa kombinacijo empirične in statistične. Je eden izmed najhitrejših na trgu, pa vseeno potrebuje 14 dni za sidranje 60000 spojin na mašini z 4x dual core opteroni in 16GB rama. Če pa bi hoteli sidrati s pomočjo molekularne dinamike, pa bi potrebovali več let..

Upam, da sem bil razumljiv..

PS:
Z istimi metodami lahko do neke mere predvidiš tudi metabolizem. Za encim pri sidranju izbereš enega od citokromov P450 (sodelujejo pri metabolizmu večine v telo vnesenih tujih snovi) ali pa kakšen membranski protein, ki deluje kot črpalka pri vnosu/izločanju snovi. Tako predvidiš interakcije tvoje spojine s temi encimi in oceniš metabolizem.

Dockanje je kot sem že napisal zelo nezanesljivo. Od 170 testiranih spojin sta bili 2 aktivni. Torej je korelacija zelo slaba. Zaradi boljše korelacije bi napovedovanje metabolizma lahko kvečejmu delal z molekularno dinamiko. Le ta pa ima tudi svoje probleme. Eden od teh je nagnjenost k temu, da najde samo lokalni minimum, globalnega pa ne. Metabolizem lahko s trenutnimi metodami računalniško samo približno ocenimo. Program nam namreč samo napove, kako močne bodo interakcije med proteinom in ligandom. Za tvoj primer recimo ne moremo vedeti ali bo to protein inhibiralo ali pa se bo zaradi afinitete spojine do proteina povečalo njeno izločanje. Pri metabolizmu je žal preveč faktorjev, ki vplivajo. Poleg samih encimov, vplivajo na metabolizem tudi same fizikalno kemijske lastnosti spojin (recimo logP). Potrebno je tudi upoštevati, da se metabolizem zelo hitro prilagaja. Določene spojine lahko inducirajo encime in posledično bo metabolizem precej hitrejši. Dosti boljše podatke dobimo s farmakokinetičnimi študijami na živalih/prostovoljcih, samo tu pa ne izvemo nič o samih mehanizmih.

Če bi že želel delati kaj takega, najprej potrebuješ 3D strukturo proteinov. Mi jih običajno najdemo v banki proteinov. Tam tudi zveš, kdo je objavil strukturo in imaš tudi naveden članek v katerem je bilo to objavljeno. Iz članka izveš, kje se nahaja aktivno mesto in katere aminokisline so pomembne za interakcije s substratom/inhibitorjem. S temi podatki nato označiš aktivno mesto, da program ve kam sidrat spojine. Če se še ne ve točno, kje je aktivno mesto, lahko uporabiš za detekcijo le-tega razne algoritme. Ti delujejo v glavnem tako, da iščejo aminokisline, ki se rade pojavljajo v aktivnih mestih (recimo serin, histidin) in vdolbine v encimu, ker so aktivna mesta običajno luknje v encimu. Lahko pa tudi uporabiš znanje in intuicijo in sam sklepaš kje je aktivno mesto.
Če pa še ni objavljene 3D strukture, potem pa moraš počakati, da jo kdo objavi, ali pa se lotiš tega sam. Samo kot je rekel že pietro, je to zelo težko.

Jimmi ve res veliko o farmacevtskem iskanju zdravil. Tega področja niti približno ne poznam toliko kot on. Dosti bolj domače pa mi zveni beseda gensko zdravljenje. Ta veja niti ne išče novih zdravil; bolezni se trudi ozdraviti z geni. Tako kot je v prvem primeru pomembna struktura tarčnega proteina, je tukaj pomembno poznavanje strukture tarčnega sistema proteinov. Brez tega lahko tudi samo poskušamo ali izvajamo trike.
V celice organizma tako vnesemo set genov, s katerimi ustvarimo loope, ki krmilijo izražanje določenih genov. Seveda tudi to področje potrebuje informatike, vendar računalniku ne nalagajo zelo zahtevnih opravil - bolj je pomembno poznavanje dinamike sistemov.
Ta način zdravljenja pa tudi ŠE ni v splošni uporabi. Predvsem je zdravilce prestrašila smrt enega izmed prvih človeških poskusnih zajčkov. Čeprav so na začetku močno predvidevali, da je za smrt kriv ravno virus transporter (vnos seta genov), so sedaj ugotovili, da je bil za neljub dogodek v bistvu kriv en tretji virus. Ja, genskim zdravilcem se je odvalil kamen.

Tole smo napovedovali kakšnih 7 let nazaj, da se bo zgodilo. Praktično vsak strpnik in praktično vsi drugi občani, so imeli tako prognozo za manj kredibilno kot recimo homeopatijo. Če bi delali lestvice.

Tudi pametni ljudje, kot dohtarji, si niso mogli mislit, da se bo to zgodilo. Se spomnim enega, ki ga sicer zelo cenim, ki pride včasih na ta forum, kako ni mislil, da bo petacomputing kdaj najpomebnejši faktor v medicini. No, peta mogoče ne, hepta pa zagotovo. Najbrž nekje vmes.

Direktna simulacijska evolucija zdravil se dogaja.

Marko, gensko zdravljenje se ne prične nujno samo s transfekcijo. Zamenjamo lahko krvne celice. In krvne celice ala levkociti se lahko prebijejo skoraj kamorkoli v organizmu ter nadzirajo količine imunogenov. Ali za karkoli so pač sprogramirane.
Nekaj (verjetno) desetletij za tem sledi uporaba nanodelcev.
Čeprav se mi niti ne zdi, zakaj bi bila stopnja transfekcije tako nizka. Pravi virus s pravim ključem lahko vdre v vsako željeno celico.

Tveganja pri direktni evoluciji pa niso nič manjša. Na eni strani lahko protein pridobi pozitivno lastnost in negativno na drugi. Pravim, da za to ravno tako obstaja tveganje.
Pa še brez pravega computinga lahko pri tej metodi za prekleto dolgo časa prekleto močno poprimemo za lopato. In kramp.

pero:
->Čeprav se mi niti ne zdi, zakaj bi bila stopnja transfekcije tako nizka. Pravi virus s pravim ključem lahko vdre v vsako željeno celico.

Retroviralna terapija je uspešnejša, ampak je uporaba zelo vprašljiva.
Pride lahko recimo do rekombinacij z drugimi virusi in stvar postane nevarna - to je glavno vprašanje varnosti retroviralne genske terapije.
Druga stvar pa je kako natančna je ta TARČNA terapija, IMO se tole da lepo uredit preko kakšnih specifičnih membranskih receptorjev.

->Tveganja pri direktni evoluciji pa niso nič manjša. Na eni strani lahko protein pridobi pozitivno lastnost in negativno na drugi. Pravim, da za to ravno tako obstaja tveganje.

Tega pa nisem najbolje razumel.
Kakšna tveganja so pri direktni evoluciji!? IMO jih ni.
Če dobiš 1000 mutiranih genskih sekvenc za določen protein jih je negativnih lahko 990, 10 pa pozitivnih. Pozitivnih v smislu tega, da nam pač nova ali izboljšana lastnost proteina ustreza. Tiste negativne pa itak ne uporabiš, ker jih niti screening ne zazna.

Ko tale dotičen protein dodobra preizkusiš imaš seveda njegovo nukleotidno zaporedje in ga lahko uporabiš naprej v recimo industriji, farmaciji, okoljski biotehnologiji, itd itd...

->Pa še brez pravega computinga lahko pri tej metodi za prekleto dolgo časa prekleto močno poprimemo za lopato. In kramp.

Kje rabiš močan computing?
Error prone PCR ali genome shuffling in high-throughput screening rabiš. To se ne dogaja v računalnih, ampak in vitro.

snow:
->Pri evolucijo proteinov, bi lahko iskali tudi zgolj take, ki se dobro in specifično vežejo na neko tarčo in ni nujno da sami po sebi sprožijo učinek.

Jap, sej ogromno proteinov se je že izboljšalo na ta način. Težje je izboljševat afiniteto proteina do nekega substrata, ker ga je dodobra izboljšala že evolucija skozi miljone let in miljarde mutacij. Da se pa mutirat proteine do te mere, da majhen procent teh mutantov dobi novo funkcijo.

Marko:

Kakopak. Usmerjene genske terapije se ne moreš iti brez izbranih tarč na celici. To so lahko (tako kot si ti sklepal) receptorji, lahko pa te receptorje ustvariš s splošnim tranficientom (ti bi se izrazili šele, ko bi to želel, itak).
Sam prav uživam, ko celice jemljem kot vezje, jim dodajam loope, blokade...
Seveda se zavedam, da nad novim sistemom prežijo nevarnosti. Taiste nevarnosti prežijo tudi pri evoluciji proteinov. Aha, nevarnosti so pa v obliki nepoznavanja podrobnih predelov celice, zaradi česar se lahko nadaljni fluks sistema razvije v poplnoma kaotičnega.

Computing. Res bi rad, da dojameš, da celična biologija niti slučajno ne potrebuje toliko teoretikov kot npr. fizika. Čeprav so oni pri napovedovanju vremena na prav tako trhlih tleh kot mi. Dinamika sistemov sicer vnaša red v kaos ali bolje nepoznavanje ogromnega števila spremenljivk, zato je potrebno na koncu sistem NUJNO sprobati. Pa naj bo to gensko sprmenjeni celični stroj ali virus ali pa predelan protein.
Zato si želimo boljšega computinga - da nam prihrani delo pa tudi, da odkriva lažno negativne rezultate.

->Sam prav uživam, ko celice jemljem kot vezje, jim dodajam loope, blokade...


Enako, ampak žal danes še ni praktične uporabe v medicini.


->zato je potrebno na koncu sistem NUJNO sprobati.

Ja, mi2 govorima od dveh različnih stvareh.
Jaz sem govoril, da pri direktni evoluciji ni potrebno tako zelo ogromno komputinga, ti pa govoriš, da je dobro imeti computing za sprobat nove in silico proteine.
Skratka, zakaj bi iz direktne evolucije, ki ti da protein brez 3d strukture in podobnih stvari(torej le nukleotidno oz aminokislinsko zaporedje) in ima boljšo afiniteto do nekega substrata tlačil v računalnik in porabil nevem koliko computinga(plus kakšen x-ray bi še potreboval)!?
Pri direktni evoluciji ti dobiš gen za protein in to in vitro oz in vivo. To pa nima veze z in silico computingom.


->Res bi rad, da dojameš, da celična biologija niti slučajno ne potrebuje toliko teoretikov kot npr. fizika.

Spet se nisva razumela - to jaz trobim že zelo dolgo. In ravno jaz sem ta, ki zagovarja, to da se ne rabi računat vsaka malenkost, ker so drugi načini, ki lahko to zaobidejo po desni...

Razumem; ti bi se šel direktno evolucijo v in vivo pogojih. Jaz sem mislil, da bi bilo bolje v in silico. Bova več o tem drugič.

Sedaj bi bilo mogoče bolje, če bi še kako rekla(i) o okornosti zakonov na tem področju. Ker imam občutek, da bi se gensko terapijo lahko šli že danes. In prav v redu bi nam šlo:).

Iskanje proteinov, ki se specifično vežejo na nek receptor, bi jaz in silico rešil z obstoječimi metodami. Zgeneriral bi knjižnico krajših peptidov, ki bi imeli različne aminokislinske sekvence. Nato bi te peptide dockal v željen receptor. Program bi predvidel, kateri se najboljše vežejo v receptor. Potem bi šel iskat v www.pdb.org proteine, ki vsebujejo v svoji strukturi isto sekvenco kot naš peptid. S software-om bi nato prefiltriral ven take, ki imajo podobno prostorsko razporeditev aminokislin, kot naš dockan peptid. Iz teh podatkov, bi sestavil homologen protein. Gen za ta protein bi potem vgradil v plazmid in voila!

jimmi:
Govoriš kot bi tole bilo res enostavno. Pa ni.
Ko enkrat uporabljaš natančen komputing in veliko zbirko potencialnih peptidov ti hitro zmanjka moči. Sploh, če želiš natančne rezultate.
Pri direktni evoluciji pač ničesar ne računaš - to je prednost. Po kakšnih 4ih generacijah že dobivaš solidne rezultate.

p.s.
Kako natančni so ti rezultati? Kolikokrat so simulacije docking napačne?!
Direktna evolucija pa da rezultat, ki deluje - ne pa sekvence, ki bi morda delovala.

_marko:
saj vem, da ni enostavno. Docking da vedno nekaj napačnih rezultatov. Imajo pa računalniške metode to prednost, da so poceni.

kaj ti to pomaga pri nas, k mamo samo nadomestke zdravil ,zadnič mi dohtarca napiše napotnico za dermatologa in mi reče, da je to tko, kot da bi mi napisala ček kašne dohtarje mamo v slo