Структурно-ориентированный дизайн лекарств¶
Структурно-ориентированный дизайн лекарств (также известный как рациональный дизайн лекарств, англ. Structure-Based Drug Design, SBDD) — это методология разработки новых фармакологических веществ, основанная на знании трёхмерной пространственной структуры биологической мишени (обычно белка, фермента или нуклеиновой кислоты) и последующем компьютерном или экспериментальном конструировании молекул-лигандов, способных с высокой аффинностью и селективностью связываться с этой мишенью. В отличие от классического скрининга больших библиотек соединений, SBDD позволяет целенаправленно создавать лекарственные кандидаты, исходя из геометрии и физико-химических свойств активного центра мишени.
¶История развития
¶Ранние этапы (до 1980-х годов)
До появления методов структурной биологии создание лекарств основывалось преимущественно на эмпирическом подходе: выделении активных веществ из природных источников, случайных открытиях (серендипити) и модификации уже известных соединений. Первые попытки рационального дизайна относятся к середине XX века, когда начали использовать моделирование на основе аналогов субстрата. Однако отсутствие точных данных о структуре белков ограничивало возможности.
¶Прорыв в 1980–1990-е годы
Ключевым событием стало развитие методов рентгеновской кристаллографии белков и ядерного магнитного резонанса (ЯМР). В 1980-х годах была определена структура ряда ферментов, имеющих медицинское значение, например, дигидрофолатредуктазы (DHFR) и ретровирусной протеазы. Первым успешным примером SBDD считается создание ингибитора ангиотензинпревращающего фермента (АПФ) — каптоприла, хотя его разработка частично опиралась на моделирование по аналогии с известным ингибитором из яда змеи. В 1990-е годы, с ростом вычислительных мощностей, началось активное внедрение компьютерных методов: молекулярный докинг, виртуальный скрининг и молекулярная динамика.
¶Современный этап (2000-е — настоящее время)
В XXI веке SBDD стал неотъемлемой частью фармацевтической индустрии. Развитие криоэлектронной микроскопии (крио-ЭМ) позволило определять структуры крупных белковых комплексов и мембранных белков, которые ранее были недоступны для кристаллографии. Появление баз данных (Protein Data Bank, PDB) и методов машинного обучения (AlphaFold, RoseTTAFold) радикально ускорило предсказание структур. SBDD активно применяется при создании противоопухолевых, противовирусных (включая ингибиторы протеазы ВИЧ и РНК-полимеразы SARS-CoV-2) и антибактериальных препаратов.
¶Теоретические основы
¶Принцип «ключ-замок» и индуцированное соответствие
Классическая модель взаимодействия лиганда с рецептором была предложена Эмилем Фишером в 1894 году: активный центр мишени имеет фиксированную геометрию, а лиганд (ключ) должен идеально подходить к ней (замку). Однако в 1958 году Дэниел Кошланд предложил модель индуцированного соответствия, согласно которой конформация белка изменяется при связывании лиганда. В SBDD учитываются обе модели: для жёстких мишеней применяют статический докинг, для подвижных — методы молекулярной динамики.
¶Энергия связывания
Аффинность лиганда к мишени определяется суммой нековалентных взаимодействий:
- Водородные связи — образуются между донорами и акцепторами протонов.
- Гидрофобные взаимодействия — стремление неполярных групп минимизировать контакт с водой.
- Электростатические взаимодействия — притяжение или отталкивание заряженных групп.
- π-π-стэкинг — взаимодействие ароматических колец.
- Вандерваальсовы силы — слабые, но многочисленные контакты.
Цель SBDD — максимизировать число благоприятных контактов и минимизировать неблагоприятные (стерические затруднения, десольватацию полярных групп).
¶Методология
¶Определение структуры мишени
Первый этап — получение трёхмерной структуры белка-мишени с высоким разрешением. Основные методы:
- Рентгеновская кристаллография — требует выращивания кристаллов белка, даёт атомарное разрешение (до 1–2 Å).
- ЯМР-спектроскопия — позволяет изучать белки в растворе, но ограничена по размеру (до ~40 кДа).
- Криоэлектронная микроскопия — подходит для больших комплексов и мембранных белков, разрешение в последние годы достигает 2–3 Å.
- Гомологичное моделирование — если экспериментальная структура отсутствует, строят модель на основе известной структуры родственного белка.
- Предсказание с помощью ИИ — инструменты AlphaFold2 и RoseTTAFold позволяют предсказывать структуру с точностью, близкой к экспериментальной, для многих белков.
¶Идентификация активного центра
Активный центр (карман связывания) — участок на поверхности белка, где происходит взаимодействие с лигандом. Его определяют по:
- наличию консервативных аминокислотных остатков (например, каталитическая триада сериновых протеаз);
- данным сайт-направленного мутагенеза;
- анализу структур комплексов с известными ингибиторами или субстратами;
- использованию алгоритмов поиска карманов (например, fpocket, SiteMap).
¶Компьютерное моделирование
¶Молекулярный докинг
Докинг — это процедура поиска оптимальной ориентации и конформации лиганда в активном центре мишени. Алгоритмы оценивают энергию связывания и пространственное соответствие. Популярные программы: AutoDock Vina, Glide (Schrödinger), GOLD, MOE. Докинг позволяет отсеивать неактивные соединения из больших библиотек (виртуальный скрининг).
¶Молекулярная динамика (МД)
МД-симуляции моделируют движение атомов во времени (обычно от нано- до микросекунд). Это необходимо для учёта гибкости белка, оценки стабильности комплекса и расчёта свободной энергии связывания (методы MM-PBSA, MM-GBSA, FEP).
¶De novo дизайн
В отличие от скрининга готовых соединений, de novo дизайн генерирует новые молекулы «с нуля», собирая их из фрагментов (атомов, функциональных групп) внутри активного центра. Программы: LigBuilder, SPROUT, LUDI. Современные подходы используют генеративные нейросети (GAN, VAE) для создания структур с заданными свойствами.
¶Экспериментальная валидация
Компьютерные предсказания обязательно проверяются экспериментально:
- Биохимические тесты — измерение IC50 (концентрация полумаксимального ингибирования) и Ki (константа ингибирования).
- Кристаллография комплексов — подтверждение, что лиганд связывается именно в предсказанном сайте.
- Тесты на клеточных линиях и in vivo — оценка эффективности и токсичности.
¶Классификация подходов
¶Фрагмент-ориентированный дизайн (FBDD)
Метод, при котором сначала идентифицируют небольшие молекулы (фрагменты, молекулярная масса < 250 Да), слабо связывающиеся с мишенью, а затем наращивают их или соединяют (линкинг) для получения высокоаффинного лиганда. FBDD часто требует высокочувствительных методов детекции (ЯМР, поверхностный плазмонный резонанс).
¶Дизайн на основе структуры лиганда (LBDD)
Альтернативный подход, когда структура мишени неизвестна, но известны активные лиганды. Строится фармакофорная модель (набор пространственных и электронных признаков, необходимых для активности) и проводится поиск аналогичных соединений. LBDD часто комбинируют с SBDD.
¶Комбинированный подход (SBDD + LBDD)
Наиболее эффективная стратегия: используют данные о структуре мишени для уточнения фармакофорных моделей и наоборот. Например, если известна структура белка, можно предсказать, какие модификации известного лиганда улучшат связывание.
¶Применение в разработке лекарств
¶Противораковые препараты
- Иматиниб (Гливек) — ингибитор тирозинкиназы BCR-Abl, разработанный с использованием SBDD. Структура киназы позволила создать молекулу, которая связывается с неактивной конформацией фермента, блокируя сигнальный путь при хроническом миелоидном лейкозе.
- Ингибиторы EGFR — гефитиниб, эрлотиниб. Дизайн основан на структуре эпидермального фактора роста.
¶Противовирусные препараты
- Ингибиторы протеазы ВИЧ — саквинавир, ритонавир. Разработаны на основе кристаллической структуры ВИЧ-протеазы.
- Ингибиторы нейраминидазы гриппа — осельтамивир (Тамифлю) и занамивир. Созданы с учётом структуры активного центра фермента.
- Паксловид (нирматрелвир) — ингибитор протеазы SARS-CoV-2, разработанный с использованием SBDD в 2021–2022 годах.
¶Антибактериальные препараты
- Левофлоксацин — фторхинолон, ингибирующий ДНК-гиразу бактерий. Дизайн улучшен на основе структуры комплекса с ферментом.
- Ингибиторы β-лактамаз — клавулановая кислота, сульбактам. Созданы для преодоления резистентности бактерий.
¶Ограничения и трудности
¶Гибкость мишеней
Многие белки (особенно киназы и рецепторы) обладают высокой конформационной подвижностью. Статический докинг может не учитывать альтернативные конформации, что приводит к ложноположительным или ложноотрицательным результатам. Молекулярная динамика частично решает эту проблему, но требует больших вычислительных ресурсов.
¶Кристаллографические артефакты
Структуры, полученные методом рентгеновской кристаллографии, могут не отражать физиологическое состояние белка (например, из-за кристаллической упаковки или отсутствия липидного окружения для мембранных белков).
¶Сольватация и энтропия
Точный расчёт свободной энергии связывания остаётся сложной задачей. Эффекты десольватации (вытеснение воды из активного центра) и изменения энтропии (потеря подвижности лиганда и белка) трудно моделировать.
¶Токсичность и фармакокинетика
SBDD фокусируется на аффинности, но не гарантирует, что соединение будет безопасным, хорошо всасываться в кишечнике или метаболизироваться в печени. Поэтому требуется параллельная оптимизация ADMET-свойств (абсорбция, распределение, метаболизм, выведение, токсичность).
¶Перспективы развития
¶Интеграция с искусственным интеллектом
Глубокое обучение активно применяется для предсказания структуры белков (AlphaFold), генерации новых молекул (GAN, диффузионные модели) и оценки активности. ИИ позволяет обрабатывать огромные массивы данных и находить неочевидные закономерности.
¶Дизайн на основе фрагментов и крио-ЭМ
Крио-ЭМ высокого разрешения открывает доступ к структурам ранее «нерешаемых» мишеней (например, G-белок-связанные рецепторы, ионные каналы). Фрагмент-ориентированный дизайн в сочетании с крио-ЭМ позволяет быстро получать лиганды для сложных систем.
¶Персонализированная медицина
SBDD может использоваться для разработки лекарств под конкретные мутации в белках пациента (например, при онкологических заболеваниях). Индивидуальные структуры мутантных белков предсказываются с помощью AlphaFold, и под них подбираются ингибиторы.
¶Квантовые вычисления
В перспективе квантовые компьютеры могут обеспечить точный расчёт электронной структуры и энергии связывания, что радикально улучшит качество предсказаний.
¶Источники
- Anderson, A. C. (2003). The process of structure-based drug design. Chemistry & Biology, 10(9), 787–797.
- Jorgensen, W. L. (2004). The many roles of computation in drug discovery. Science, 303(5665), 1813–1818.
- Klebe, G. (2013). Drug Design: Methodology, Concepts, and Mode-of-Action. Springer.
- Lill, M. A. (2011). Multi-scale approaches to drug design. Current Opinion in Drug Discovery & Development, 14(3), 294–301.
- Macalino, S. J. Y., Gosu, V., Hong, S., & Choi, S. (2015). Role of computer-aided drug design in modern drug discovery. Archives of Pharmacal Research, 38(9), 1686–1701.
- Sliwoski, G., Kothiwale, S., Meiler, J., & Lowe, E. W. (2014). Computational methods in drug discovery. Pharmacological Reviews, 66(1), 334–395.
- Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589.
- Барт, Т. (2020). Структурная биология и дизайн лекарств. М.: Бином.