Молекулярный докинг

Молекулярный докинг — это метод вычислительной химии и биоинформатики, предназначенный для предсказания пространственной структуры комплекса, образующегося при связывании двух молекул (лиганда и рецептора), и оценки энергии этого взаимодействия. Метод позволяет моделировать взаимное расположение молекул, при котором достигается минимальная свободная энергия системы, и широко применяется в компьютерном дизайне лекарств, структурной биологии и материаловедении.

Основные понятия и терминология

В основе молекулярного докинга лежит физико-химическое представление о молекулярном узнавании. Ключевыми компонентами задачи являются:

• Рецептор — макромолекула (обычно белок, нуклеиновая кислота или их комплекс), имеющая на своей поверхности полость или углубление — активный или аллостерический центр, способный связывать другие молекулы.
• Лиганд — малая молекула (субстрат, ингибитор, активатор, лекарственное соединение), которая связывается с рецептором. Лиганд может быть как органическим, так и неорганическим соединением.
• Поза — конкретная пространственная ориентация лиганда относительно рецептора, включая его конформацию (взаимное расположение атомов внутри лиганда).
• Оценочная функция (скоринг-функция) — математическое выражение, которое количественно оценивает энергию связывания или «качество» предсказанной позы. Чем ниже значение оценочной функции, тем более стабильным считается комплекс.

История развития

Метод молекулярного докинга начал формироваться в 1970-х годах с развитием компьютерных технологий и рентгеновской кристаллографии. Первые алгоритмы были основаны на жёстком докинге, когда и рецептор, и лиганд считались абсолютно твёрдыми телами.

В 1982 году была опубликована работа Ирвинга Кунца и его коллег, в которой был предложен алгоритм DOCK, использующий геометрическое сопоставление формы рецептора и лиганда. Этот алгоритм стал основой для многих последующих разработок.

В 1990-х годах появились программы, учитывающие гибкость лиганда (AutoDock, GOLD, FlexX). Это стало возможным благодаря развитию методов ротации связей и поиска конформаций. В начале 2000-х годов начали активно развиваться подходы, учитывающие частичную гибкость рецептора (индуцированное соответствие), а также методы, основанные на молекулярной динамике.

С 2010-х годов в молекулярный докинг активно внедряются методы машинного обучения, в том числе нейронные сети, для построения более точных оценочных функций и генерации поз.

Классификация методов

Методы молекулярного докинга можно разделить по нескольким критериям.

По степени учёта гибкости молекул

• Жёсткий докинг — и рецептор, и лиганд считаются жёсткими. Пространство поиска ограничивается только трансляцией и вращением лиганда как целого. Применяется для быстрой первичной оценки, но часто даёт неточные результаты, так как не учитывает конформационных изменений при связывании.
• Полугибкий докинг — лиганд считается гибким (его внутренние торсионные углы варьируются), а рецептор остаётся жёстким. Это наиболее распространённый тип докинга в современной практике, так как он обеспечивает хороший баланс между скоростью и точностью.
• Гибкий докинг — учитывается гибкость как лиганда, так и рецептора (обычно в ограниченной области активного центра — боковые цепи аминокислот). Требует значительных вычислительных ресурсов, но даёт наиболее реалистичные результаты, особенно для случаев индуцированного соответствия.

По алгоритму поиска

• Систематические методы — полный или частичный перебор всех возможных степеней свободы. К ним относятся методы, основанные на решётках (grid-based) и методе Монте-Карло.
• Стохастические методы — используют случайные алгоритмы для поиска глобального минимума энергии. Наиболее известные представители — генетические алгоритмы (GA), алгоритмы имитации отжига (SA) и роя частиц (PSO).
• Методы, основанные на молекулярной динамике — моделируют движение молекул во времени, что позволяет естественным образом учитывать гибкость и находить стабильные конформации.

По типу оценочной функции

• Эмпирические функции — основаны на суммировании взвешенных вкладов различных типов взаимодействий (вандерваальсовых, электростатических, водородных связей, гидрофобных эффектов). Веса подбираются на основе регрессионного анализа экспериментальных данных.
• Силовые поля — используют физические потенциалы (например, AMBER, CHARMM, OPLS) для расчёта энергии. Обычно более точны, но требуют больше вычислительных ресурсов.
• Знаниевые функции (knowledge-based) — основаны на статистическом анализе частот встречаемости различных межатомных контактов в известных структурах белково-лигандных комплексов.
• Функции на основе машинного обучения — используют нейронные сети, случайные леса или градиентный бустинг для предсказания энергии связывания на основе большого набора дескрипторов.

Применение в разработке лекарств

Молекулярный докинг является ключевым инструментом компьютерного дизайна лекарств (CADD). Основные этапы применения:

Виртуальный скрининг

Докинг используется для отбора потенциальных лигандов из больших библиотек химических соединений (десятки и сотни тысяч молекул). Каждое соединение «докируется» в активный центр рецептора, и на основе оценочной функции отбираются наиболее перспективные кандидаты для последующего экспериментального тестирования. Это позволяет значительно сократить время и стоимость поиска новых лекарств.

Оптимизация лидерных соединений

После того как найдено соединение-«лидер» (lead), с помощью докинга исследуют, как изменения в его структуре (замена функциональных групп, модификация скелета) влияют на энергию связывания. Это помогает химикам-синтетикам целенаправленно улучшать активность, селективность и фармакокинетические свойства.

Предсказание механизма действия

Докинг позволяет определить, с каким белком или рецептором может связываться данное соединение, и в каком именно сайте (активном, аллостерическом, интерфейсе белок-белкового взаимодействия). Это важно для понимания биологического эффекта и выявления возможных побочных действий.

Репрофилинг лекарств

Метод используется для поиска новых мишеней для уже известных лекарственных препаратов. Например, в 2020 году молекулярный докинг активно применялся для поиска потенциальных ингибиторов белка SARS-CoV-2 среди одобренных FDA лекарств.

Ограничения и критика

Несмотря на широкое распространение, молекулярный докинг имеет ряд существенных ограничений:

• Приближённость оценочных функций — ни одна из существующих оценочных функций не может абсолютно точно предсказать энергию связывания. Ошибка в ранжировании соединений является основной проблемой виртуального скрининга.
• Неполный учёт гибкости — даже в полугибком докинге рецептор считается жёстким, что может приводить к пропуску истинных поз, если связывание сопровождается значительными конформационными перестройками белка.
• Эффекты растворителя — многие методы используют упрощённые модели растворителя (например, модель непрерывной среды), что не всегда адекватно описывает влияние воды на связывание.
• Проблема множественных конформаций — лиганд может существовать в нескольких конформациях с близкой энергией, и докинг не всегда может корректно выбрать наиболее выгодную.
• Размер и сложность системы — для очень больших или динамичных систем (например, мембранных белков, неупорядоченных белков) докинг может быть малоэффективен.

Критики метода отмечают, что результаты докинга часто не воспроизводятся в экспериментах, а успешные примеры его применения в реальной разработке лекарств относительно немногочисленны. Тем не менее, метод остаётся незаменимым инструментом для первичного отбора и генерации гипотез.

Программное обеспечение

Существует десятки программ для молекулярного докинга, как коммерческих, так и свободно распространяемых. Наиболее известные:

• AutoDock Vina — свободная программа, широко используемая в академических исследованиях. Отличается высокой скоростью и простотой использования.
• DOCK — одна из старейших программ, разработанная в Калифорнийском университете в Сан-Франциско.
• GOLD — коммерческая программа от компании CCDC, использующая генетический алгоритм.
• Glide (Schrödinger) — коммерческая программа, известная своей высокой точностью и скоростью.
• MOE (Molecular Operating Environment) — коммерческая платформа, включающая модули для докинга и скрининга.
• Rosetta — свободная платформа для моделирования белков, включающая модули для докинга белков и малых молекул.

Интересные факты

• В 2013 году учёные из Стэнфордского университета запустили проект [email protected], который использует распределённые вычисления на добровольных компьютерах для молекулярного докинга и моделирования белков.
• Молекулярный докинг сыграл важную роль в открытии нескольких одобренных FDA лекарств, включая ингибиторы протеазы ВИЧ (например, дарунавир) и некоторые противораковые препараты.
• В России исследования в области молекулярного докинга ведутся в ряде институтов, включая Институт биоорганической химии РАН, МГУ имени М.В. Ломоносова и Институт цитологии и генетики СО РАН.

Источники

• Kuntz I.D. et al. A geometric approach to macromolecule-ligand interactions. Journal of Molecular Biology, 1982.
• Trott O., Olson A.J. AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. Journal of Computational Chemistry, 2010.
• Kitchen D.B. et al. Docking and scoring in virtual screening for drug discovery: methods and applications. Nature Reviews Drug Discovery, 2004.
• Leach A.R., Shoichet B.K., Peishoff C.E. Prediction of protein–ligand interactions. Docking and scoring: successes and gaps. Journal of Medicinal Chemistry, 2006.
• Morris G.M., Lim-Wilby M. Molecular docking. Methods in Molecular Biology, 2008.
• Барсуков И.И., Чугунов А.О. Компьютерный дизайн лекарств: принципы и методы. Успехи биологической химии, 2019.