Penyaringan Virtual dengan Panduan Farmakofor untuk Penggunaan Kembali Obat

Penggunaan kembali obat adalah strategi lama untuk mengidentifikasi aplikasi baru untuk terapi yang disetujui atau yang sedang diteliti yang berada di luar cakupan indikasi medis asli. ¹ Tidak sejak reposisi obat yang dirancang untuk hipertensi dan angina menjadi "pil biru kecil" Pfizer yang terkenal, yang biasa disebut Viagra, penggunaan kembali obat menjadi begitu menonjol di mata publik. Urgensi global untuk terapi untuk mengobati COVID-19 telah membawa strategi obat ini sekali lagi menjadi perhatian massal.

Pemodelan protein 3D mencakup beberapa pemodelan molekul dan metode simulasi untuk penggunaan kembali obat. Postingan sebelumnya dalam seri ini mengeksplorasi docking molekuler sebagai metode untuk mengidentifikasi kemungkinan inhibitor yang mengikat protease utama SARS-CoV-2. Bisakah alternatif in silico metode seperti pemodelan farmakofor mencapai hasil yang sebanding dan memberikan bukti tambahan yang mendukung pemilihan satu kandidat di atas kandidat lainnya?

Mengambil Rute Alternatif

Pemodelan farmakofor memberikan abstraksi fitur molekuler yang diperlukan untuk pengenalan ligan oleh target protein. Representasi interaksi molekul dan pengikatannya memberikan perspektif yang kontras dengan metode simulasi klasik.

Kami memperoleh kumpulan data awal dari beberapa struktur protein protease utama SARS-CoV-2 dari Diamond Light Source. ² Kami menyelaraskan struktur ini dan kemudian menggunakan protokol 'Interaction Pharmacophore Generation' yang tersedia di BIOVIA Discovery Studio untuk menghasilkan farmakofor yang mewakili interaksi non-ikatan dari setiap kompleks reseptor-ligan. Jumlah total fitur dalam farmakofor berkisar dari dua fitur untuk struktur kristal 5R80 dan 5R7Y hingga model sembilan fitur untuk 6LU7. Kami menggabungkan farmakofor dari kompleks individu menjadi satu model dan mengedit fitur yang berkerumun dekat. Model terakhir mencakup 14 fitur yang mewakili kontak antarmolekul antara protease dan kemungkinan pengikat molekul kecil.

Kami kemudian melakukan in silico alanine-scanning mutagenesis pada residu situs aktif dari semua kompleks untuk mengidentifikasi residu mana yang mengurangi afinitas pengikatan (hotspot) kompleks protein-ligan tersebut ketika bermutasi. Dari semua kompleks, kami mengidentifikasi delapan residu (HIS41, MET49, ASN142, HIS163, MET165, PRO168, GLN189 dan GLN192) sebagai hotspot di setidaknya satu kompleks dan tiga residu yang menjadi hotspot di setidaknya empat kompleks. Dalam model farmakofor 14 fitur, enam fitur berhubungan dengan interaksi dengan salah satu dari delapan residu hotspot. Kumpulan data kedua dari M ^PRO . non-kovalen kompleks ligan yang dirilis oleh Diamond Light Source ² mengungkapkan sejumlah mode pengikatan yang berbeda, mengarahkan kami untuk memisahkan enam fitur farmakofor utama menjadi dua kelompok untuk digunakan pada langkah berikutnya dari penyaringan virtual.

Kami sekarang menggunakan model farmakofor ini untuk melakukan penyaringan virtual dari perpustakaan terpilih yang berisi 2.650 obat yang disetujui FDA yang memiliki beberapa konfirmasi ligan yang telah dibuat sebelumnya untuk pencarian cepat. Kami menyaring ligan ini terhadap farmakofor 14 fitur, dengan persyaratan bahwa setidaknya satu fitur dari masing-masing dari dua grup yang diperlukan harus cocok, serta setidaknya dua fitur dari delapan fitur yang tersisa, untuk mengidentifikasi hit. Ini untuk memungkinkan eksplorasi beragam mode pengikatan ligan yang berbeda, sementara juga memastikan bahwa hanya pose yang dapat membentuk setidaknya dua interaksi dengan residu signifikan yang diidentifikasi dalam mutagenesis pemindaian alanin yang dipertahankan. Algoritma pada dasarnya mengeksplorasi lebih dari 12.000 kemungkinan kombinasi farmakofor. Kami kemudian meminimalkan hit pas terbaik untuk setiap kombinasi farmakofor dalam protein. Akhirnya, kami menentukan energi ikat dari pose turunan farmakofor yang dioptimalkan menggunakan CHARMm dengan model pelarut implisit Generalized Born using Molecular Volume (GBMV). Metode ini secara efektif merupakan perhitungan docking molekuler (seperti di blog kami sebelumnya), tetapi di sini kami telah menggunakan model farmakofor yang dioptimalkan untuk menahan dan menyaring hasil docking.

Kami menghitung interaksi non-ikatan dari setiap pose dan memfilter untuk fokus hanya pada pose yang berinteraksi dengan empat residu utama – HIS41, MET49, CYS145, dan MET165. HIS41, MET49 dan MET165 adalah tiga residu yang umum untuk setidaknya empat kompleks yang diidentifikasi sebelumnya, dan CYS145 adalah residu kedua dalam pasangan katalitik HIS41/CYS145 signifikan yang ditemukan di setiap subunit dari homodimer protease utama. Kami mengurutkan hit dengan energi bebas pengikatan yang dihitung untuk mengidentifikasi sepuluh kandidat teratas yang masuk akal untuk eksplorasi lebih lanjut. Ritonavir adalah satu-satunya ligan umum yang diidentifikasi di sini dan di blog sebelumnya. Ritonavir memiliki energi bebas ikat terbaik ketujuh dan juga sebelumnya menduduki peringkat ketujuh dalam studi docking. Ritonavir saat ini sedang menjalani sejumlah uji klinis untuk COVID-19. ³

Video 1 :Pose dengan skor terbaik untuk Ritonavir yang berinteraksi dengan HIS41, MET49, SER144, CYS145, MET165, GLU166 dan GLN189.

Ligan skor terbaik dalam metode yang disajikan di sini adalah Montelukast, antagonis reseptor sisteinil leukotrien. Sebuah makalah yang diterbitkan baru-baru ini berhipotesis penggunaannya untuk membatasi perkembangan penyakit pada infeksi COVID-19. ⁴

Tiga senyawa top-skor tambahan termasuk obat Telmisartan, Moexipril dan hydroxycloroquine. Potensi semua senyawa ini sebagai obat yang digunakan kembali untuk COVID-19 baru-baru ini diteliti, ⁵ dengan hydroxychloroquine mengumpulkan paling kontroversi. Satu perbedaan tambahan antara sepuluh daftar sasaran teratas dari kedua metode tersebut adalah keragaman target obat yang disertakan. Sepuluh hasil docking teratas mencakup tujuh HCV atau protease inhibitor HIV. Daftar sasaran yang diprioritaskan farmakofor mencakup obat-obatan dengan tujuh kelas target yang berbeda.

Pemutaran virtual yang diturunkan dari farmakofor kami menghasilkan daftar sasaran yang diprioritaskan termasuk beberapa obat COVID-19 potensial baru yang tidak diidentifikasi dalam pekerjaan docking kami sebelumnya. Dengan pendekatan ini, kami mendemonstrasikan pemanfaatan in silico mutagenesis pemindaian alanin sebagai teknik yang berguna untuk menyempurnakan model farmakofor. Kami juga memberlakukan persyaratan bahwa fitur tertentu hadir agar sesuai selama proses penyaringan. Hasil dari kedua penelitian ini tidak dapat dibandingkan secara langsung—bukan karena perbedaan dalam algoritme dasar, melainkan karena penerapan strategi pendukung yang berbeda.

Perbandingan singkat hasil antara kedua metode menunjukkan sedikit tumpang tindih dalam mengarah untuk fokus. Dapat dikatakan bahwa kesamaan Ritonavir yang diidentifikasi oleh kedua metode memberikan bukti untuk mendukung pemilihan kandidat ini untuk penelitian lebih lanjut. Studi sebelumnya menunjukkan bahwa menggunakan konsensus fungsi skoring protein-ligan docking meningkatkan identifikasi kandidat obat yang diduga. ⁶ Untuk alasan ini, peneliti dapat menggunakan senyawa dengan skor terbaik yang unik dari setiap metode untuk memprioritaskan senyawa untuk pengujian eksperimental.

Kesimpulannya, skrining virtual yang diturunkan dari farmakofor menyediakan metode tambahan dan pelengkap untuk docking, berkontribusi pada konsensus dan kepercayaan yang lebih besar dalam pemilihan kandidat untuk validasi eksperimental. Di luar urgensi penyediaan kandidat obat untuk tujuan ulang, metode yang digerakkan oleh farmakofor ini juga dapat mengidentifikasi ligan yang lebih beragam untuk pengoptimalan timbal selanjutnya.