Компьютерное проектирование лекарственных, а точнее, биологически активных соединений - сравнительно молодая технология, суть которой часто неведома не то что компьютерщикам, но даже многим химикам и фармакологам, профессионально занимающимся созданием лекарств. Она условно может быть разделена на две ветви - поиск соединений с нужной активностью среди уже известных веществ и конструирование ранее неизвестных. Обе эти ветви, которые можно объединить словом «предсказание», чаще всего используются совместно, дополняя и обогащая возможности исследователя.

Особые приметы

Предсказывать структуру биологически активных соединений можно двумя принципиально разными способами: либо основываясь на полном и количественном описании природы мишени и эффектора, либо, если такого описания не имеется, - используя аналогии и различные эмпирические корреляции. Подобным же образом, например, мы можем, опираясь на законы механики, предсказать движение небесных тел, но используем статистику и экстраполяцию, чтобы угадать перемещение пилотируемого человеком самолета.

В простейшем случае корреляционный подход сводится к выявлению главных особенностей рассматриваемых объектов. Любопытно проследить, как он развивался применительно к созданию новых биологически активных, в том числе лекарственных соединений. Сведения об их структуре накапливались двумя совершенно разными путями. С одной стороны, химикам и фармакологам за последние двести лет стали известны многие высокоактивные природные соединения, обладающие подчас чрезвычайно сложным строением (хинин, морфин, стрихнин, стероидные половые гормоны и т. д.), а с другой - за этот период среди несметного множества синтетических органических соединений нет-нет да и обнаруживались ценные лекарственные вещества. Так, совершенно случайно были открыты доселе применяемые аспирин, фенацетин, антипирин, стрептоцид. Оба эти направления породили разные подходы к установлению корреляций между структурой химического соединения и его биологической активностью.

Cтруктуры природных соединений с определенной биологической активностью, как правило, уникальны. Поэтому речь идет не столько об установлении, сколько об угадывании такой корреляции. Достойно восхищения, что это удавалось, и не раз! Вот несколько примеров, ставших хрестоматийными; все они связаны с попытками химиков получить дешевые и эффективные аналоги сложных лекарственных соединений природного происхождения. Требовалось предельно упростить молекулу, удаляя из нее все функциональные группы и структурные блоки, не являющиеся необходимыми для биологической активности! Сравните два ингибитора фермента ацетилхолинэстеразы - алкалоид эзерин из калабарских бобов и его синтетический аналог прозерин (рис. 1). Их структуры объединяет лишь присутствие аммонийной и уретановой групп: первая нужна для правильной ориентации при взаимодействии с ацетилхолин-связывающим участком фермента, а вторая используется для необратимого «пришивания» к белку (все это выяснилось спустя почти полвека!).

Другой пример - синтетические эстрогены: синэстрол, гексэстрол и др., - в молекулах которых есть две гидроксильные группы, разнесенные на такое же расстояние, как в женском стероидном половом гормоне эстрадиоле (рис. 2).

Еще один пример - миорелаксанты декаметоний и суберилхолин, которые, подобно алкалоиду тубокурарину (действующему началу яда кураре), содержат в молекуле две аммонийные группы (рис. 3.). И больше ничего общего!

Итак, оказалось, что молекулу лекарственного соединения с некоторым приближением можно рассматривать как своего рода штатив, на котором в определенной ориентации и на определенном удалении размещены функционально необходимые группировки (совокупность таких групп иногда называют фармакофором). При этом конструкция штатива, сиречь устройство основного структурного блока молекулы, допускает довольно широкие вариации.

Вот мы впервые и подошли к использованию вычислительной техники: если известно, что в структуре нужной молекулы должен присутствовать фармакофор, то для ее поиска/конструирования есть два пути. Первый - «танцевать» от фармакофора, достраивая его по всем правилам химии до цельной молекулы. Второй - искать среди известных соединений те, в чьей структуре уже присутствует фармакофор (разумеется, помимо непременного присутствия фармакофора накладывается множество других требований - на молекулярный вес, отсутствие «посторонних» фармакофоров и токсических групп, растворимость и т. д.). Оба пути сопряжены с перебором огромного числа вариантов, а именно это и есть самая подходящая работа для компьютера.

Далее мы рассмотрим преимущества и недостатки обоих подходов, а пока заметим, что, введя понятие «фармакофор», мы ничуть не приблизились ни к выяснению мишени для данного типа лекарственных соединений, ни к пониманию механизма их действия.

Групповой фоторобот

По многим причинам в структурах известных лекарственных соединений далеко не всегда удается четко выделить совокупность фрагментов, образующих фармакофор. Главная из этих причин та, что сплошь и рядом кроме набора определенных функциональных групп нужно соблюсти общие очертания молекулы, распределение на поверхности гидрофобных и полярных участков и т. п. Иными словами, речь идет о трудно формализуемых параметрах, описывающих не дискретные (локальные), а общие свойства объекта. Обычно для выявления скрытых зависимостей используют различные методы корреляционного анализа - и наш случай не исключение. Следует подчеркнуть главное: к каким вычурным фокусам здесь ни прибегают, все они исходят из материалистического убеждения, что биологическое действие химического соединения всецело определяется его молекулярной структурой, то есть конкретным множеством атомов, организованных в пространстве посредством фиксированного набора связей. Недаром применяемые в этой области технологии объединены названием Quantitative Structure-Activity Relations (QSAR).

Корреляционный подход позволяет получать обладающие предсказательной силой регрессионные уравнения, причем достоверность предсказаний может быть a priori оценена статистическими методами. Примером служит хорошо знакомое студентам-химикам уравнение Гаммета, описывающее влияние заместителей в бензольном кольце на константы диссоциации соответствующих бензойных кислот.

Общей особенностью здесь является рост достоверности предсказаний с увеличением обучающей выборки, поэтому полезный результат возможен лишь при рассмотрении обширного набора соединений. В переводе на общепонятный язык это означает, что успех зиждется на результатах уже затраченного титанического труда химиков-синтетиков и/или требует дополнительных усилий. Заметим, что наилучшие результаты достигаются при включении в исходную выборку не только «хороших», но и «плохих» соединений, поскольку именно последние несут информацию не только о возможностях, но и об ограничениях.

Пара слов о языках описания. Здесь можно условно выделить две крайности. В принципе можно создать метаязык, позволяющий однозначно описать химическую структуру любого, даже самого сложного соединения. В конце концов, таким языком химикам-органикам служит номенклатура IUPAC. Однако для наших целей требуется нечто иное: наиболее выгодна система локальных дескрипторов, описывающих данный фрагмент и его ближайшее окружение. Последовательное применение такой системы позволяет создать иерархическую модель, в которой учтены и локальные, и общие свойства.

Предельной альтернативой может служить использование в качестве независимых параметров не чисто структурных описаний молекул, а тех или иных физико-химических свойств соответствующих соединений, например, гидрофобности, молекулярного объема, заряда, дипольного момента и т. д. Все эти свойства определяются структурой молекулы, так что такая форма описания есть просто язык верхнего уровня, который соотносится со структурным примерно так, как Лисп с ассемблером. Мы не будем описывать достоинства и преимущества обоих предельных вариантов, скажем лишь, что вполне продуктивным и распространенным приемом является их разумное сочетание.

Слабительная виагра

Удачным примером использования структурного языка (его прототип был некогда разработан советским химиком В. Авидоном) служит программа PASS, которую создали В. В. Поройков и Д. С. Филимонов с коллегами. Она использует обучающую выборку из десятков тысяч соединений, проявляющих более тысячи биологических активностей. Результатом применения PASS к каждой тестируемой структуре является список возможных активностей соединения с указанием вероятностей их наличия или отсутствия. Такая программа незаменима при разработке новых препаратов, и вот почему.

Как бы мы ни старались достичь абсолютной избирательности действия лекарства, это недостижимо ни практически, ни теоретически. Практически - поскольку любой идеал недостижим за данные деньги и в данный срок, а теоретически - по целому ряду тоже вполне рациональных причин. Например, в организме присутствуют сходные ферменты, выполняющие разные функции в разных клетках, и все они будут «вырубаться», хотя целим мы только в один из них. Или, наоборот, какой-нибудь другой фермент, ничего общего не имеющий с ферментом-мишенью, чисто случайно прочно связывается с нашим ингибитором и, допустим, им активируется. Разве можете вы быть стопроцентно уверены, что ключ от вашего шкафа не подойдет к чьему-то письменному столу?

В результате есть шанс создать замечательное слабительное с сильным снотворным действием или виагру-депрессант. Чтобы не допустить подобного афронта, фармацевтические фирмы затрачивают огромные средства для проверки новых лекарств на побочные эффекты. Круг потенциально возможных побочных эффектов необъятен, и любые разумные ограничения не увеличивают, а уменьшают риск прокола, поскольку концентрируют усилия на самых опасных направлениях. Чтобы их выявить, и используют программы типа PASS.

Кстати, и сама программа PASS имеет своеобразный «побочный эффект». Если последовательно предлагать ей формулы разнообразных соединений, она выделит из этого набора те, которые с заданной вероятностью обладают нужной биологической активностью. Иначе пришлось бы все соединения подряд проверять экспериментально, что обошлось бы еще в ту копеечку, причем с заранее неведомыми шансами на успех. Мы еще вернемся к проблемам перебора, а пока констатируем: и в данном случае никак не используются и не возникают сведения ни о молекулярных мишенях лекарственных соединений, ни о механизмах их действия.

Форма и содержание

Прогностические возможности QSAR постоянно совершенствуются. Вот один из свежих примеров. Только что в НИИ биомедицинской химии РАМН защитила диссертацию О. В. Тихонова, занимавшаяся поиском новых ингибиторов моноаминооксидаз - ферментов, играющих ключевую роль в химии психических процессов. Пространственная (трехмерная) структура этих белков доселе неизвестна, однако в силу необходимости чисто эмпирически были найдены десятки ингибиторов, широко используемых в медицине. Тихонова исходила из разумного допущения, что все эти ингибиторы на поверхности белка связываются в одном и том же месте и примерно одним и тем же способом. Поэтому их структуры следует совместить в пространстве так, чтобы совпали общие фрагменты (я, конечно, упрощаю, но не слишком!), и тогда мы получаем как бы слепок с общего участка связывания. Точно так же можно получить представление о формах незнакомой дамы, анализируя разношенное содержимое ее бельевой полки.

Следующий шаг очевиден: из сколь угодно большого множества соединений вычислительными методами выделяют те, которые, во-первых, вписываются в габариты полученного слепка и, во-вторых, имеют характерные фрагменты в характерных точках внутри слепка. В результате удалось отыскать ранее неизвестные носители нужной биологической активности.

Врезка 1.
Врезка 2.

[i39822]