АННОТАЦИЯ
Поиск метаболических маркёров, прямо или опосредованно связанных с ответом организма на приём лекарственного средства, является актуальной необходимостью в онкологии. Рассматривается применение современных компьютерных технологий, способствующих прогнозированию метаболических процессов в организме и изучению взаимодействия их с исследуемым лекарственным препаратом. Проведены исследования препарата гидрохлорид диметиламиноарглабина, обладающего противоопухолевым действием. Для определения особенностей исследуемого препарата в организме применен современный метод виртуального прогнозирования, основанный на определении активных ферментов, участвующих в метаболизме лекарственных средств. Выявлены ферменты, влияющие на метаболизм препарата гидрохлорид диметиламиноарглабин и их потенциальная роль в персонализированной терапии злокачественных новообразований.
Концентрация лекарства в областях локализации молекул-мишеней, определяющая терапевтический эффект, зависит от его концентрации в плазме крови, которая во многом определяется процессами биотрансформации (метаболизма). Метаболические процессы лекарственных средств наблюдаются практически во всех тканях организма человека, но главным образом осуществляются в печени. Всё множество химических превращений, составляющее процесс метаболизма ксенобиотиков, катализируемое разнообразными ферментами, принято разделять на 4 типа метаболических реакций: окисление, восстановление, гидролиз и конъюгация, которые, в свою очередь, исторически принято рассматривать как реакции I и 11 фаз биотрансформации [1]. Исходные молекулы в ходе реакций первой фазы превращаются в более полярные, гидрофильные, метаболиты посредством реакций окисления, восстановления или гидролиза. Гидрофильные соединения обладают более высокой скоростью выведения из организма. Наиболее распространенными ферментами первой фазы метаболизма ксенобиотиков в организме человека являются ферменты семейства цитохромов Р450 [2,3].
В последние годы интенсивно развиваются методы компьютерного прогнозирования метаболических реакций лекарственных средств. Использование таких методов в практических целях может способствовать решению прикладных задач фармацевтики и фармакологии, в том числе задач персонализации лекарственной терапии. За последние 20 лет в лечении онкологических заболеваний произошли существенные изменения, связанные с появлением таргетных препаратов, способных избирательно воздействовать на опухолевые клетки, что улучшает результаты лечения и позволяет сделать терапию злокачественных новообразований более безопасной для пациента [4].
В Республике Казахстан существует препарат гидрохлорид диметиламиноарглабин, который показал свою противоопухолевую активность в отношении различных новообразований, в первую очередь рака молочной железы, рака легкого, гепатоцеллюлярного рака, рака предстательной железы. В то же время актуальными остаются вопросы о том, какая нозология наиболее чувствительна к данному препарату, имеются ли предикторы, способные дать информацию о лучшей переносимости и эффективности противоопухолевой терапии [5]. Необходимо определиться с особенностями метаболических процессов данного препарата в организме, а именно выяснить, какие белковые структуры участвуют в его фармакологической трансформации, а также какие участки генома, ответственны за экспрессию ферментов метаболизма. В век компьютеризации появилась возможность решить данную задачу с использованием биомедицинских виртуальных технологий. Данный подход является высокочувствительным и одновременно не столь финансово затратным, что позволяет проводить исследования в интересующей области науки [6-8].
В связи с этим актуальным является использование in silico (компьютерных) методов прогноза взаимодействия ксенобиотиков с ферментами метаболизма [9], таких, например, как программа SMP (Prediction of substrate∕metabolite specificity), осуществляющая прогноз принадлежности к субстратам и/или метаболитам тех или иных ферментов по структурной формуле химического соединения.
Цель исследования - изучение метаболических особенностей препарата гидрохлорид диметиламиноарглабина и возможность его персонализации в противоопухолевой терапии.
Материалы и методы. В ходе исследования была использована программа SMP (Prediction of substrate∕metabolite specificity), позволяющая осуществить прогноз принадлежно
сти препарата гидрохлорид диметиламиноарглабина к печеночному субстрату или ферменту в организме. В качестве исходных данных программа использует структурную формулу химического соединения, а результатом исследования являются вероятностные оценки принадлежности к классу субстратов и/или метаболитов того или иного фермента в организме. В данном исследовании использовался только функционал прогноза принадлежности диметиламиноарглабина к субстратам ферментов.
Метод программы SMP основан на алгоритмах программы PASS (Prediction of Activity Spectra for Substances), которая позволяет с высокой точностью прогнозировать спектры биологической активности низкомолекулярных органических соединений по их структурной формуле [4]. В данном алгоритме структура молекулы органического соединения представлена MNA-десĸрипторами (Multilevel Neighbourhoods of Atoms) - многоуровневыми дескрипторами атомных окрестностей. Результаты прогноза строятся на основе анализа взаимосвязей "структура - метаболизирующий фермент" и представляется в виде упорядоченного списка названий ферментов и вероятностей принадлежности Pa или непринадлежности Pi исследуемого вещества к каждому классу субстратов данных ферментов. Точность прогноза при скользящем контроле с исключением по одному для обучающей выборки, содержащей субстраты ферментов метаболизма, и усреднённая по всем 27 активностям, составляет 90 %. В табл. 1 представлены характеристики обучающей выборки и качества модели для прогноза принадлежности к субстратам ферментов метаболизма.
Нами была использована свободно доступная в сети версия программы SMP Интернет [5], которая на данный момент позволяет в режиме он-лайн осуществлять прогноз взаимодействия веществ с 27 ферментами первой и второй фазы метаболизма лекарств, в том числе с 11 цитохромами Р450. Структурная формула вещества была создана с использованием встроенного в сервис химического редактора JME Molecular Editor. Гидрохлоридный компонент структурной формулы и также стереоизомерия при построении прогноза с использованием программы SMP не берутся в расчёт, поэтому при создании структурной формулы эти особенности гидрохлорида диметила-
Характеристики обучающей выборки программы SMP и качества модели для прогноза принадлежности к субстратам
Таблица 1
Прогнозируемая принадлежность к субстратам ферментов |
Количество соединений в обучающей выборке |
Точность прогноза при скользящем контроле с исключением |
1В1 |
65 |
85,847 |
ЗА4 |
2074 |
83,632 |
2D6 |
872 |
83,618 |
1А2 |
947 |
83,185 |
2С19 |
657 |
82,963 |
2С9 |
689 |
82,699 |
2В6 |
313 |
80,96 |
2Е1 |
374 |
79,946 |
1А1 |
279 |
78,672 |
2А6 |
256 |
78,333 |
2С8 |
284 |
73,957 |
UGT1A1 |
303 |
97,278 |
UGT1A10 |
177 |
97,173 |
N-Acetyltransferase |
95 |
97,152 |
UGT2B7 |
253 |
96,969 |
UGT2B15 |
120 |
96,736 |
UGT1A7 |
108 |
96,695 |
UGT1A4 |
125 |
96,512 |
UGT1A8 |
188 |
96,512 |
UGT2B17 |
87 |
96,225 |
UGT1A3 |
197 |
96,154 |
UGT1A9 |
228 |
96,106 |
UGT2B10 |
43 |
96,005 |
UGT1A6 |
112 |
95,89 |
UGT2B4 |
86 |
95,38 |
Sulfotransferase |
321 |
93,541 |
Aldoketoreductase |
52 |
90,795 |
миноарглабина не были учтены. Интерфейс для прогноза структурной формулой димети- виртуального сервиса SMP с подготовленной ламиноарглабина представлен на рис.
Результаты. Нами осуществлен анализ взаимосвязей "структура - метаболизирующий фермент” и прогноз взаимодействия димети- ламиноарглабина с ферментами с помощью программы SMP. Результаты прогноза (табл. 2) представляют собой рассчитанные для диме- тиламиноарглабина значения вероятности его принадлежности Pa или непринадлежности Pi к классу субстратов того или иного фермента.
В таблице выделены строки, в которых обозначены ферменты, прогонозируемая вероятность принадлежности к субстратам, которых у диметиламиноарглабина (значение Ра) выше, чем вероятность непринадлежности диметиламиноарглабина к субстратам данного фермента (значение Pi), т.е. порог отсечения - Рá›Рİ. В эту группу попадают 6 изоформ цитохрома Р450: CYP2A6, CYPlAl, CYP2B6, CYP2E1, CYP2C8 ∏CYP3A4. В случае при- оретизации постановки экспериментов для выявления взаимодействия диметиламиноарглабина с ферментами метаболизма эти 6 ферментов следует рассматривать как наиболее вероятные. Оставшийся 21 фермент, в отношении которых Ра‹Рİ могут быть рассмотрены как менее вероятные к проявлению каталитической активности по отношению к ди- метиламиноарглабину.
Вывод ы
Данное исследование показало потенциальную применимость использования программных средств для прогнозирования ферментов, метаболизирующихгидрохлорида диметилами- ноарглабин. Осуществлённый при помощи программы SMP прогноз принадлежности к субстратам конкретных ферментов метаболизма может быть полезен для оптимизации стоимости и времени проведения экспериментальных исследований in vivo и in vitro.
ЛИТЕРАТУРА
- Кукес В.Г. Метаболизм лекарственных препаратов: научная основа персонализированной медицины. - M.: ГЭОТАР-Медиа, 2008. - С. 113-120.
- Кукес В.Г. Клиническая фармакология. - M.: ГЭОТАР-Медиа, 2006. - С. 36-42.
- Van de Waterbeemd, Gifford.E. ADMET in silico modelling: towards prediction paradise? //Nat. Rev. Drug Discov. - 2007. - № 2. - P. 192-204.
- Филимонов Д.А., Пороũков В.В. и др. Предсказание спектров биологической активности органических соединений с помощью веб-ресурса PASS ONLINE // Химия гетероциклических соединений. -2014. - № 3. - С. 483-499.
- http://www.way2dn.ig.com/SMP/.info@kazmuno.kz
- Филимонов Д.А., Пороùков В.В. Прогноз спектров биологической активности органических соединении // Рос. хим. журн. - 2008. - № 2 (50). - С. 66-75.
- Nebert D.W., Dieter M.Z. The evolution of drug metabolism H Pharmacology. - 2010. - №6. - P. 124-135.
- £Zw X., ShenQ., Li J., LiS., LuoC. In silico prediction of cytochrome P450-mcdiatcd site of metabolism (SOM) H Protein Pept. Lett. - 2013. - №20. - P. 89-279.
- Zhang T, Chen Q., Li L., Liu L.A., Wei D.-Q. In silico prediction of cytochrome P450-mediated drug metabolism // Comb. Chem. High Throughput Screen. - 2011. - № 14. -R- 95-388.