Aufbau von Substanzbibliotheken für das High thoughput screening (I)

5. Vorlesung Modern Methods in Drug Discovery WS04/05 1

Aufbau von Substanzbibliotheken für das High thoughput screening (I)

Automatisierter Test von >1000 Verbindungen am target

Erfordert die Synthese von entsprechend vielen Verbindungen und die Handhabung der Ergebnisse.

1. Schritt: Auswahl des target


Informationsfluß in einer drug discovery pipeline


Substanzauswahl für das HTS (I)

Diversität von SubstanzbibliothekenVermeidung von redundanten VerbindungenVerbesserte Trefferwahrscheinlichkeit im HTS

Verschiedene Substanzbibliotheken:general z.B. gegen ganzes Zellassayfocused bestimmte Familie von Enzymentargeted ein bestimmtes Enzym


Aufbau von Substanzbibliotheken für das High thoughput screening (II)



1. Schritt: Auswahl des target 2. Schritt: Wieviel Information ist über das target vorhanden ?

Gibt es bereits lead compounds ?


Komponentenauswahl

X-Ray mit Wirkstoff

X-Ray des Proteins

Reihe von wirksamen Verbindungen

Wenige hits aus HTS

Kenntnis der Enzymfunktion(z.B. Kinase, GPCR)

Zune

hmen

de In

form

atio

n

eADME Filter

Erstellen einer virtuellen Bibliothek

combi chem

active site

QSAR, Pharmacophor erstellen

Docking HTS

Wieviel Information ist über das target vorhanden ?


Aufbau von Substanzbibliotheken für das High thoughput screening (III)


Erfordert die Synthese von entsprechend vielen Verbindungen und die Handhabung der Ergebnisse.1. Schritt: Auswahl des target 2. Schritt: Wieviel Information ist über das target vorhanden ?

Gibt es bereits lead compounds ?

3. Schritt: wenn ja, Erzeugung einer virtuellen Bibliothek ausgehend von der Leitstruktur

4. Schritt: Syntheseplanung


Clustering in Datensätzen (I)Um die Diversität eines Datensatzes bzw. einer erstellten Substanzbibliothek zu berurteilen, muß man die enthaltenen Verbindungen zu Clustern gruppieren.

Die Zuteilung der Moleküle erfolgt anhand ihrer gegenseitigen Ähnlichkeit (Similarität).

diverse library

Ein Molekül aus jedem Cluster für HTS

Von einem hit im HTS weitere Moleküle desselben Clusters testen.


Klassifizierung von Verbindungen (I)Wie kodiert man die Eigenschaften eines Moleküls zur Speicherung/Verarbeitung in einer Datenbank ?

Binärer fingerprint eines Moleküls


Klassifizierung von Verbindungen (II)

Ermöglicht die Suche nach chemisch ähnlichen Verbindungen in großen virtuellen Substanzdatenbanken

Lit. M.Rarey & J.S.Dixon J.Comput.-Aided Mol.Des. 12 (1998) 471.

Vergleich von fingerprints:Lit. H.Briem & U.Lessel Persp.Drug Discov.Des. 20 (2000) 231.

Häufig angewandete fingerprint sind die Konzepte:• Daylight fingerprint (1024 bits)• ISIS MOLSKEYS (Atomtypen)• FTREES Feature trees Jeder Knoten repräsentiert ein chemisches features

Lit. M.Rarey & M.Stahl J.Comput.-Aided Mol.Des. 15 (2001) 497.


Similarität zwischen VerbindungenDie Ähnlichkeit zweier Moleküle zueinander kann über Similaritätsindices ihrer binären fingerprints ausgedrückt werden.Der Vergleich von binären Daten ist rechentechnisch sehr einfach, aber es existieren eine Reihe von verschiedenen Similaritätsindices von denen zum Vergleich von Molekülen der Tanimotoindex am häufigsten angewandt wird.Mehr zu Similaritätsindices in Vorlesung 6

Lit. D.R.Flower J.Chem.Inf.Comput.Sci. 38 (1998) 379.


Clustering in Datensätzen (II)

Problem: Die Ähnlichkeit zweier Moleküle kann innerhalb eines Clusters größer sein, als zwischen zwei verschiedenen Clustern.


Clustering in Datensätzen (III)Generell gilt: Verschiedene Algorithmen zur Erzeugung der Cluster werden unterschiedliche Cluster erzeugen.

Wenn die erhaltenen Cluster aus verschiedenen Methoden sehr ähnlich zueinander sind, dann weist der Datensatz eine „natürliche“ Clusterung auf.


Clustering Methoden (I)Es gibt zwei große Gruppen von Clustering Methoden: Hierarchische und Nicht-hierarchische

3 42 5 6 7 81 3 42 5 6 7 81

Hierarachische Clustering Methoden bieten den Vorteil, daß auf jeder Aufteilungsebene Zugriff erfolgen kann.

Alle Methoden zum Clustering sind rechenzeitintensiv !Aufwand: O(nN) bis O(n2N) für n aus N Molekülen


Clustering Methoden (II)„Clustering von Clustering Methoden“- ein Dendrogramm

H ier ar chical N on- hier ar chical

Divisive

M onot het ic

S inglePass

N ear estN e ighbour

M ix t ur eM ode l

Re locat ion Densit y-Based

A gglomer at ive

Complete Link

Ward

Group Average

Weighted Average

Single Link

PAM

CLARA

CLARANS

Jarvis-Patrick

Leader algorithm

K-means

Expectationmaximisation

DBSCAN

OPTICS

CLIQUE

PROCLUS

CHAMELEON

CURE

Po lyt het ic

Guenoche

Bisecting Kmeans

Quelle: John Barnard, Barnard Chemical Information Ltd


K-means with mobile centroid (I)

Lit: D.Gorse et al. Drug Discovery Today 4 (1999) 257.


K-means with mobile centroid (II)

Nachteil: kugelförmige Cluster oft nicht optimal angepaßt bezüglich der Verteilung der Moleküle im chemischen Raum


Mobile centres with Ward classification

Lit: D.Gorse et al. Drug Discovery Today 4 (1999) 257.

1.

2.

3.

4.

Vorteil: Hierarchisch, angepasste Clusterform

Die ähnlichsten Datenpunkte werden Schritt für Schritt zu Clustern zusammengefaßt


eADME Filter für dasHigh Throughput Screening (HTS)

N R3

R1 R2

Typischer eADME Filter


AbsorptionWie gelangt der Wirkstoff zum Bestimmungsort ?

Beim HTS wird zunächst die Bioverfügbarkeit vernachlässigt und die volle Dosis der Verbindung im Essay gewährleistet. Dazu werden die Verbindungen in DMSO gelöst.


Auswertung von HTS Ergebnissen

Unsicherheitsfaktoren sind:Reinheit und Zuverlässigkeit der Verbindungen (falsch negative)Gefärbte Verbindungen (falsch positive)Unspezifisch bindende Verbindungen (falsch positive)

Urspüngliche Idee: Automatisierter Test von >1000 Verbindungen am target



Aufbau von Substanzbibliotheken für das High thoughput screening (IV)

3. Schritt: wenn ja, Erzeugung einer virtuellen Bibliothek ausgehend von der Leitstruktur

Systematische Variation der Leitstruktur:

GerüstSeitenkettenBioisostere


Aufbau von Substanzbibliotheken für das High thoughput screening (V)

Im Verlauf der Optimierung von der Leitstruktur zum klinischen Wirkstoff werden die Moleküle zumeist größer und lipophiler (füllen die Bindungstasche präziser aus).

Deshalb sind folgenden Eigenschaften von Leitstrukturähnlichen Verbindungen wünschenswert:

Molekülgewicht < 250Niedrige Lipophilie (logP<3) bei oraler DareichungGenügend Möglichkeiten für SeitenkettenAusreichende Affinität und Selektivität


Bioisostere (I)Definition: Gleiche Anzahl und Anordnung der Elektronen(Langmuir 1919)

z.B. N2 CO CN-

CO2 N2O N3- CNO-

K+ NH4+ Ar

Grimms Hybrid Austausch Gesetz (1925)

C N O F

C H NH

OH

CH2 NH2

CH3


Bioisostere (II)

Definition: Compounds or groups that possess near-equal, molecular

shapes and volumes, approximately the same desitribution of electrons, and which exhibit similar physical properties.

(A. Burger1970)

z.B. -Cl -CF3 -CN

-NO2 -COCH3 -SO2CH3

-CHCl2 -CH2N3


Bioisostere (III)Klassische (Bio-)isostere sind sterisch und elektronisch ähnlich

Br CN CF3 C(CN)3

OCN

CNSO2

O

OH

O

N CN

H

O

N OH

H

S

O

OH

O

O

N

H

O

N

CH3

S

N

H

CH2

N

H

Halogen

Carbonyl

Carbonsäure

Amid

Nicht-klassische Isostere:z.B. Austausch von cyclischen gegen acyclischen Strukturen

Austauschbare Gruppen


Bioisostere (IV)

In den seltensten Fällen haben Bioisostere (chemical space) dasselbe Wirkungsprofil (biological space) wie die Verbindung von der sie abgeleitet wurden

Angestrebt werden dabei folgende Eigenschaften:

Bessere Wirkung Höhere SelektivitätErhöhte BioverfügbarkeitGeringere ToxizitätWeniger Nebenwirkungen

Ermöglicht niedrigere Dosierung


Monovalente Bioisostere (I)

Austausch von F gegen H

Fluor besitzt einen ähnlichen van der Waals Radius wie Wasserstoff und ist deshalb gleich groß. Die Lipophilie bleibt ebenfalls erhalten

Fluor ist am elektronegativsten, dadurch induktiver Effekt auf das benachbarte C-Atom. Im Gegensatz zu anderen Halogenen jedoch keine Mesomeren möglich (fehlended-Orbitale)

Cl OH

Cl OH

+

F OH

F OH

+


Monovalente Bioisostere (II)

Austausch von F gegen H

Die C-F Bindung ist stärker als die entsprechenden C-H, C-Cl, C-Br und C-I Bindungen, und damit auch metabolisch stabilier.

Fluor ist aufgrund seiner Elektronegativität ein starker H-Brücken Akzeptor

R H H N

R F H N


Monovalente Bioisostere (III)

Austausch von -OH gegen –NH2

Beide Gruppen haben ähnliche Größe und GeometrieBeide sind sowohl H-Brücken Donoren als auch Akzeptoren

C N

O HC N

OH

C N

NH HC N

NH2

aber

In heterocyclischen Ringen wird dasTautomerisierungs-gleichgewicht verschoben


Monovalente Bioisostere (IV)

Austausch von -OH gegen –SH

Schwefel ist sehr viel größer als Sauerstoff Rvdw(O) = 1.4 Ångstrom Rvdw(S) = 1.85 Ångstrom

und weniger elektronegativ (ohne Dimension) O: 3.51 S: 2.32

In heterocyclischen Ringen kann wie bei –NH2 durch Tautomerisierung das entsprechende Thiol entstehen

Deshalb sind die H-Brücken von –SH schächerTrotzdem sind Thiole sauerer und stärker dissoziert als die

entsprechenden Alkohole.


Monovalente Bioisostere (V)

Austausch von –CH3 gegen –Cl

Die Methylgruppe und Chlor haben die gleiche Größe und lipophilen Eigenschaften.

Im Gegensatz zu Chlor wird die Methylgruppe aber schneller metabolisch abgebaut und ausgeschieden

CH3 COOHO N

H

COOH

phase I phase II


Monovalente Bioisostere (VI)

Austausch von –CF3 oder –CN gegen –Br

Die Trifluormethyl- und die Cyanatgruppe haben dieselben elektronischen Eigenschaften, aber die –CN Gruppe ist sehr viel hydrophiler


Divalente Bioisostere

Austausch der –CH2– Gruppe

CH2

O

NH

S

S

O

SO O

hydrophiler

noch hydrophiler

metabolischeOxidation

lipophil

Verbindungen mit BH oder SiH sind zu hydrolyseempfinglich


Trivalente Bioisostere

Austausch der –CH= Gruppe durch –NH–

CH

N

lipophil

hydrophiler, H-Brücken Akzeptor

Wichtig und erfolgreich vor allem in heterocyclischen Ringsystemen


Tetravalente Bioisostere

N+

C

Si

P+

CH3

CH3

CH3 As+

CH3

CH3

CH3

sehr viellipophiler

hydrolyseempfindlichSi-C Bindung 20 % länger

meistens toxisch


Divalente Ringäquivalente

Austausch der –CH2– Gruppe

CH2 NH O C O S O

Auch möglich bei größeren Ringsystemen (7-Ring etc, vgl. Benzodiazepine)


Trivalente Ringäquivalente

Austausch der –CH= Gruppe

Ermöglicht oft das Feintuning des Wirkungsprofilsvgl. Sildenafil und Vardenafil

NN

N

NN

N N

O N

S

N N

S

N N

O

NH

Phenyl Pyridin Pyrazin Pyrimidin Pyridazin

Furan Thiazol Thiadiazol ThiadiazolPyrrol


Nicht-Klassische Isostere (I)

Austausch von cyclischen gegen acyclischen Strukturen

Wichtig: Die entscheidende Funktionalität muß räumlich erhalten bleiben

Acyclisch Cyclisch

Ringerweiterung

Ringverkleinerung


Nicht-Klassische Isostere (II)Ringöffnung

OH

OH

OH

OH

Estradiol Diethylstilbestrol

Ringschluß

N

CH3

O

OCH3

N

CH3

N

O

N

R

N

CH3

N

S

N

R

Oft zum Einfrieren von aktiven Konformationen angewandt


Thermodynamische EffekteRingöffnung: Erzeugt mehr Freiheitsgrade, dadurch

Entropieverlust bei der Bindung ans Enzym

OH

OH

OH

OH

Estradiol Diethylstilbestrol

Ringschluß: Weniger Entropieverlust bei der Bindung ans Enzym

N

CH3

O

OCH3

N

CH3

N

O

N

R

N

CH3

N

S

N

R


Bioisosterer Austausch von Funktionellen Gruppen

Hydroxylgruppe –OH

Hier: Erhaltung der H-Brückeneigenschaften vorrangig

OH

OH

NH

ONH2

NH

OCH3

NHS

OCH3

O

NHC

N


Systematische Variation – in silico AnsätzeAnalog dem Ansatz bei den Feature Trees teilt man das Molekül in nodes und linker ein. Jeder node entspricht einer chemischen Gruppe und jeder linker einer Bindung zwischen solchen Gruppen.

Durch definierte Typen der Bindungsspaltung lassen sich jeweils passende Fragemente in Datenbanken suchen und neu zusammenstellen. RECAP Konzept:Lit. X.Q.Lewell et al. J.Chem.Inf.Comput.Sci. 38 (1998) 511.

Aufbau von Substanzbibliotheken für das High thoughput screening (I)

Documents

Transcript of Aufbau von Substanzbibliotheken für das High thoughput screening (I)