КАРТОЧКА ПРОЕКТА,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ


Номер 18-74-00117

НазваниеИсследование молекулярного механизма действия смещенных агонистов и поиск новых лекарственных препаратов для ангиотензинового рецептора первого типа (AGTR1) методами структурной биоинформатики и машинного обучения.

РуководительПопов Петр Анатольевич, кандидат наук (признаваемый в РФ PhD)

Организация финансирования, регионфедеральное государственное автономное образовательное учреждение высшего образования "Московский физико-технический институт (национальный исследовательский университет)", Московская обл

Срок выполнения при поддержке РНФ 07.2018 - 06.2020 

КонкурсКонкурс 2018 года по мероприятию «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 04 - Биология и науки о жизни, 04-202 - Протеомика; структура и функции белков

Ключевые словасмещенные агонисты, рецепторы GPCR, машинное обучение, статистические скоринг функци, молекулярное моделирование

Код ГРНТИ34.03.23


СтатусУспешно завершен


 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ


Аннотация
В настоящее время существует большая необходимость методик дизайна лекарственных препаратов с минимумом побочных эффектов. Одной из важных фармакологических мишеней является ангиотензиновый рецептора первого типа (AT1R). Этот рецептор вовлечен во многие кардиоваскулярные заболевания, такие как сужение кровеносных сосудов, гипертензия и др., что приводит к ежедневным потерям многих человеческих жизней. Существующие на сегодняшний день лекарственные препараты обладают рядом побочных действий, например, в случае блокаторов рецептора AT1R это развитие сердечной недостаточности и апоптоз сердечных клеток. Одной из причин возникновения побочных эффектов является некотролируемая передача сигналов одновременно через несколько белков посредников, включая различные виды G-белков, а также бета-аррестины. Поэтому необходимо создать новые типы химических соединений – смещенных агонистов, которые селективно активируют один сигнальный путь и блокируют другой, для устранения возможных побочных эффектов. Однако экспериментальное изучение и проверка действий химических соединений для рецепторов, подобных AT1R крайне затруднены, и не существует методов рационального проектирования смещенных агонистов. Данный проект направлен на рационализацию дизайна смещенных агонистов рецептора AT1R путем создания вычислительных подходов для предсказания фармакологической роли и сродства химического соединения к рецептору. В отличие от существующих методов, предлагаемые подходы основываются на структурной информации о белке, а для решения поставленных задач и получения вычислительных моделей будут использоваться методы машинного обучения. Это поможет в разработке лекарств нового поколения.

Ожидаемые результаты
На сегодняшний день все еще не решена задача по созданию успешного кандидата – смещенного агониста к рецептору AT1R. Также несмотря на большие усилия и активные разработки, остаются неизвестными молекулярные механизмы действия смещенных агонистов. В ходе реализации данного проекта будет собрана библиотека химических соединений с известной аффинностью и фармакологической ролью для рецептора AT1R, используя данные, опубликованные в научных статьях, и публичные базы данных, такие как Chembl, DrugBank, Zink и др. Будут получены структурные модели рецептора AT1R в комплексе с различными химическими соединениями из собранной библиотеки методом молекулярного докинга, используя соответствующие сайты для лигандов ZD7155 и Benicar в кристаллографических структурах. Проведя структурно-функционально анализ полученных моделей и сравнивая детерминанты связывания агонистов, антагонистов и смещенных агонистов (TRV120027), будут выявлены ключевые особенности смещенных агонистов по отношению к остальным лигандам. Таким образом, с помощью структурной биоинформатики, будет исследован и предложен механизм действия смещенных агонистов. Далее будут рассчитаны структурные дескрипторы для полученных структурных моделей комплекса AT1R-лиганд и будет сформирована обучающая матрица для машинного обучения из полученных структурных дескрипторов и соответствующих данных о фармакологической роли и аффинности лиганда. Используя метод машинного обучения, будет получена вычислительная модель для оценки фармакологической роли лиганда и его аффинности к рецептору AT1R по конформации комплекса AT1R-лиганд. Будут получены структурные модели рецептора AT1R в комплексе с химическими соединениями из доступных химических библиотек и определены наиболее перспективные кандидаты-смещенные агонисты к рецептору AT1R. Таким образом, впервые будет построена предсказательная модель для биоинформатического поиска смещенных агонистов для рецептора AT1R. Полученные в результате работы методы исследования составят алгоритмическую базу, которую можно будет адаптировать и применять для других рецепторов класса GPCR, что поможет в разработке лекарственных препаратов нового поколения.


 

ОТЧЁТНЫЕ МАТЕРИАЛЫ


Аннотация результатов, полученных в 2018 году
Ангиотензин II – регулятор ряда важных процессов сердечно- сосудистой системы, в том числе кровяного давления. Он взаимодействует с рецептором ренин-ангиотензиновой системы первого типа (AT1R). Блокировка данного рецептора с помощью лекарственных средств на основе низкомолекулярных лигандов к AT1R, например, лозартана, используется для лечения сердечно- сосудистых заболеваний. В настоящий момент, используемые в фармацевтике лиганды полностью блокируют функциональную активность рецептора, в то время как максимального положительного эффекта достигают лиганды, работающие по механизму смещенного агонизма. В связи с этим актуальна задача поиска новых высокоаффинных лигандов к AT1R. В данном проекте разрабатывается методика оценки связывания низкомолекулярных соединений с рецептором AT1R алгоритмами машинного обучения. Для этого на первом этапе была собрана библиотека низкомолекулярных соединений с экспериментально установленными константами связывания с AT1R. Полученная библиотека представляет собой базис для составления обучающего множества для решения задачи классификации - так в зависимости от значения константы связывания соединения в библиотеке разделяются на положительные и отрицательные примеры. Затем с использованием методов молекулярного моделирования (моделирования по гомологии, структурной оптимизации, молекулярного докинга и др. модулей программного обеспечения ICM-Pro) были получены структурные модели молекулярных комплексов низкомолекулярных соединений и AT1R, а также проведен анализ интерфейсов взаимодействия AT1R с агонистами, антагонистами и смещенными агонистами для определения ключевых аминокислотных остатков. Далее, для численного описания межмолекулярных взаимодействий низкомолекулярных соединений с рецептором была разработана программная библиотека для расчета молекулярных дескрипторов. Молекулярный дескриптор состоит из четырех разнородных векторов SIF, SPLIF, RDF и PHAP3PT3D, таким образом, отображая межмолекулярное взаимодействие между низкомолекулярным соединением и рецептором в эвклидовом пространстве высокой размерности. На следующем этапе будет проведен статистический анализ распределений полученных молекулярных дескриптров, увеличение выборки, а также формулировка и решение задачи машинного обучения в заданном эквлидовом пространстве. Полученные результаты и разработанные библиотеки активно использовались для изучения структурно-функциональных свойств AT1R и других рецепторов GPCR. Так были подготовлены и опубликованы несколько тезисов для конференций и две научные публикации, входящие в Q1 (https://doi.org/10.1016/j.cell.2018.12.011 и https://doi.org/10.1016/j.sbi.2019.02.010). Также информация, посвященная результатам проекта, была опубликована в СМИ с указанием о финансировании проекта РНФ: https://mipt.ru/news/sozdan_tochnyy_vychislitelnyy_metod_dlya_stabilizatsii_lekarstvennykh_misheney и https://mipt.ru/news/vtoroy_kannabinoidnyy_retseptor_vydal_svoyu_strukturu.

 

Публикации

1. - Создан точный вычислительный метод для стабилизации лекарственных мишеней МФТИ/Импульс, - (год публикации - ).

2. - Второй каннабиноидный рецептор выдал свою структуру МФТИ/Импульс, - (год публикации - ).

3. Зарецкий М.С., Катрич В.Ю., Попов П.А. Sequence-based analysis of sodium binding pocket in GPCRs Journal of Bioenergetics and Biomembranes, - (год публикации - 2018).

4. Ли К, Хуа Т, Вемури К, Хо ДжХ, Ву Ю, Ву Л, Попов П, Бенчама О. Звонок Н, Ку Л, Хан ГВ, Луер МР, Синар Р, Коффей НДж, Вэнг Дж, Катрич В, Хао С, Кунос Г, Бон ЛМ, Макриянис А, Стивенс РС, Лиу ЗДж. Crystal Structure of the Human Cannabinoid Receptor CB2 Cell, том 176, выпуск 3, страницы 459-467.e13 (год публикации - 2019).

5. Попов П, Козловский И, Катрич В. Computational design for thermostabilization of GPCRs Current Opinion in Structural Biology, Том 55, страницы 25-33 (год публикации - 2019).

6. Попов П.А., Катрич В.Ю. CompoMug for prediction of stabilizing mutations in GPCRs Journal of Bioenergetics and Biomembranes, - (год публикации - 2018).

7. Романовская Д.Д., Попов П.А. Numerical representation of GPCR–ligand interactions for machine learning Journal of Bioenergetics and Biomembranes, - (год публикации - 2018).


Аннотация результатов, полученных в 2019 году
Мы разработали предиктивную модель на основе графовых конволюций и message passing neural network архитектуры нейронных сетей для прогнозирования констант связывания белково-лигандных комплексов. При этом мы использовали многозадачное машинное обучение (multi-task machine learning), где целевыми переменными являются константа диссоциации (Kd), константа ингибирования (Ki) и половина максимальной ингибирующей концентрации (IC50). Тщательно обученная на наборе данных PDBbind, модель достигает коэффициента корреляции Пирсона 0,87, а значение RMSE - 1,05 в pK-единицах, превосходя state-of-ther-art модели, включая недавно разработанную трехмерную сверточную модель нейронной сети Kdeep.
 Разработання модель, graphDelta, оценивает биоактивность молекулы по трехмерной конформации комплекса белок-лиганд, и может быть использована в качестве скоринг фукнции результирующих конформаций, полученных с помощью молекулярного докинга. Мы применили graphDelta для библиотеки химических соедидений из базы данных Zinc, отфильтрованной с помощью стандартных фильтров по физико-химическим свойствам молекул и отобрали наиболее перспективные молекулы для последующей экспериментальной проверки. Полученная предиктивная модель для оценки биоактивности низкомолекулярных соединений опубликована в престижном журнале ACS Omega (Karlov et al graphDelta: MPNN scoring function for the affinity prediction of protein-ligand complexes ACS Omega (2020 г.)). Полученные в ходе работы программные скрипты и библиотеки успешно использовались в анализе детерминант связывания цистеиниловых рецепторов человека CLTR1, CLTR2, также относящихся к классу GPCR - результаты этих работ опубликованы в престижном журнале Nature Communications (Gusach A, Luginina A et al., Structural basis of ligand selectivity and disease mutations in cysteinyl leukotriene receptors Nature Communications (2019 г.))

 

Публикации

1. Гусач А, Лугинина А, Марьин Е, Брюьет Р, Оффрой Е, Лонгпре Дж, Ищенко А, Попов П, Пател Н, Фуджимото Т, Маруяма Т, Стауч Б, Эргашева М, Романовская Д, Степко А, Ковалев К,Шевцов М, Горделий В, Хан Г, Катрич В, Борщевский В, Сарет Ф, Мишин А, Черезов В Structural basis of ligand selectivity and disease mutations in cysteinyl leukotriene receptors Nature Communications, - (год публикации - 2019).

2. Карлов Д, Соснин С, Федоров М, Попов П graphDelta: MPNN scoring function for the affinity prediction of protein-ligand complexes ACS Omega, - (год публикации - 2020).


Возможность практического использования результатов
Разработанная предиктивная модель может применяться для оценки биоактивности низкомолекулярных соединений.