You are on page 1of 3

Structural Bioinformatics and Computer Aided Design of Novel Drugs and Functional  Proteins.

Lin Li and Dongqing Wei Department of Bioinformatics College of Life Sciences and Biotechnology Room 4­211, Life Science Building Shanghai Jiaotong University 800 Dongchuan Road, Minhang District, Shanghai, 200240, China e­mail: dqwei@sjtu.edu.cn Genome projects[1] are yielding protein sequences for which there is no knowledge about  function   or   conformation.   The   draft   human   genome   has   now   been   available   and   the  exploitation of this unique source of knowledge is a major challenge for biology. In parallel  with   these   sequencing   projects,   there   are   structural   genomics   initiatives   involving   the  determination   of   the   conformations   of   uncharacterized   proteins   in   the   genomes   with   the  particular aim of determining function. In addition, gene expression arrays are providing a  mass   of   data   that   require   analysis   to   relate   protein   sequences   to   activity   under   different  conditions and in different cellular locations. Knowledge of the structure and function of the  relevant proteins, revealed by crystallography and NMR, is central to the interpretation and  exploitation   of   this   pool   of   biological   information.   Three­dimensional   structure   can   guide  further experiments to probe activity and direct the systematic design of therapeutic agents for  diseases. The   experimental   determination   of   protein   structure   remains   difficult.   There   are   large  disparities between the numbers of protein sequences. Protein modeling provides a valuable  approach to maximize the biological knowledge that can be obtained given these disparities.  Accordingly, the task of the Structural Bioinformatics is the development of protein modeling  algorithms and the application of the technology to systems of interests. Methodologies based  on   the   known   protein   structures   from   experiments   have   been   developed   to   predict   3D  structures from a 1D sequence information, which is known as the homology modeling. It has  become a reliable tool as long as the homologue with experimental 3D structure of significant  similarity(usually greater than 35%) could be found. Other methods, for example,   ab initio  molecular dynamics, is still too slow to predict structure of a real protein. Often the structures of many drug targets are not available. The structural bioinformatics tools  are needed to generate them readily to initiate drug design processes. We have predicted many  protein  structures   using  homology  modeling  to  facilitate  the   computer  aided  drug  design,  which include database screening, pharmacophore search, docking and molecular dynamics  conformation   search.   To   join   the   worldwide   efforts[1­7]   against   H5N1   viruses   which  experience rapid mutation and become increasingly drug­resistant. A homology model of the  H5N1­NA[8] from the highly pathogenic chicken H5N1 A viruses isolated during the 2003– 2004   influenza   outbreaks   in   Japan   was   built   based   on   the   crystal   structure   of   N9­NA  complexed   with   DANA   (PDB   code:   1F8B).   It   was   found   that   the   traditional   constituent 

residues around the active site of NA family are highly conserved in the H5N1­NA. However,  a   partially   lipophilic   pocket   composed   by   Ala248   and   Thr249   in   N9­NA   becomes   a  hydrophilic pocket because the two residues in the H5N1­NA are replaced by hydrophilic  residues   Ser227   and   Asn228,   respectively.   On   the   other   hand,   two   hydrophilic   residues  Asn347 and Asn348 in the N9­NA are replaced by two lipophilic residues Ala323 and Tyr324  in the H5N1­NA, respectively, leading to the formation of a new lipophilic pocket. This kind  of subtle variation not only destroys the original lipophilic environment but also changes the  complement interaction between the H5N1­NA and DANA. Such a finding might provide  insights   into   the   secret   why   some   of   H5N1   strains   bear   high   resistance   for   existing   NA  inhibitors, and stimulate new strategies for designing new drugs against these viruses. Cytochrome   P450   2C19   (CYP2C19)[9]   is   a   member   of   the   cytochrome   P­450   enzyme  superfamily and plays an important role in the metabolism of drugs. In order to gain insights  for   developing   personalized   drugs,   the   3D   (dimensional)   structure   of   CYP2C19   has   been  developed based on the crystal structure of CYP2C9 (PDB code 1R90), and its structure– activity   relationship   with   the   ligands   of   CEC,   Fluvoxamine,   Lescol,   and   Ticlopidine  investigated through the  structure–activity  relationship  approach.  By  means   of a  series   of  docking   studies,   the   binding   pockets   of   CYP2C19   for   the   four   compounds   are   explicitly  defined that will be very useful for conducting mutagenesis studies, providing insights into  personalization   of   drug   treatments   and   stimulating   novel   strategies   for   finding   desired  personalized drugs. NAD(P)H­dependent D­xylose reductase[10] is a homodimeric oxidoreductase that belongs to  the aldo–keto reductase superfamily. The enzyme has the special function to catalyze the first  step in the assimilation of xylose into yeast metabolic pathways. Performing this function via  reducing the open chain xylose to xylitol, the xylose reductase of Pichia stipitis is one of the  most important enzymes that can be used to construct recombinant Saccharomyces cerevisiae  strain   for   utilizing   xylose   and   producing   alcohol.   To   investigate   into   the   interaction  mechanism of the enzyme with its ligand NAD and NADP, the 3D structure was developed  for the NAD(P)H­dependent D­xylose reductase from  P. stipitis. With the 3D structure, the  molecular docking operations were conducted to find the most stable bindings of the enzyme  with NAD and NADP, respectively. Based on these results, the binding pockets of the enzyme  for NAD  and NADP have  been explicitly defined. It has  been found that  the residues  in  forming   the   binding   pockets   for   both   NAD   and   NADP   are   almost   the   same   and   mainly  hydrophilic. These findings may be used to guide mutagenesis studies, providing useful clues  to   modify   the   enzyme   to   improve   the   utilization   of   xylose   for   producing   alcohol.   Also,  because human aldose reductases have the function to reduce the open chain form of glucose  to sorbitol, a process physiologically significant for diabetic patients at the time that their  blood   glucose   levels   are   elevated,   the   information   gained   through   this   study   may   also  stimulate the development of new strategies for therapeutic treatment of diabetes. Eventually quantum chemical tools, such as, QM/MM studies  will be extremely useful to  study details of biological catalysis involved. Good efforts have been made by Prof.   Hong  Guo’s   group[10­14]  in   elucidating   the   catalysis   mechanism   of   many   important   enzymatic  reactions   using   QM/MM   approach.   It   is   expected   that   it   will   become  an  accurate   and  predictive tool in the process of designing novel drugs and functional proteins.    

References 1. 2. Chou, K.C. (2004).  Structural bioinformatics and its impact to biomedical science.  Current Medicinal Chemistry, 11, 2105­2134. Du Q­S, Wang SQ, Zhu Y, Wei D­Q, Guo H, Sirois S and Chou K­C4(2004),  “Polyprotein cleavage mechanism of SARS Co­C Mpro and chemical modification of the  octapeptide”,. Peptides 25: 1857­186. Chou, K. C., Wei, D. Q. & Zhong, W. Z. (2003). Binding mechanism of coronavirus  main proteinase with ligands and its implication to drug design against SARS. (Erratum:  ibid., 2003, Vol.310, 675). Biochem Biophys Res Comm 308, 148­151. Sirois, S., Hatzakis, G. E., Wei, D. Q., Du, Q. S. & Chou, K. C. (2005). Assessment of  chemical libraries for their druggability. Computational Biology & Chemistry 29, 55­67. Wei, D. Q., Sirois, S., Du, Q. S., Arias, H. R. & Chou, K. C. (2005). Theoretical studies  of Alzheimer's disease drug candidate [(2,4­dimethoxy) benzylidene]­anabaseine  dihydrochloride (GTS­21) and its derivatives. Biochem. Biophys. Res. Commun. 338,  1059­1064. Sirois, S., Wei, D. Q., Du, Q. S. & Chou, K. C. (2004). Virtual Screening for SARS­CoV  Protease Based on KZ7088 Pharmacophore Points. J. Chem. Inf. Comput. Sci. 44, 1111­ 1122. Wei, D. Q., S. Sirois, et al. (2005). "Theoretical studies of Alzheimer's disease drug  candiate   [(2,4­dimethoxyl)benzylidene]­anabaseine   dihydrochloride   (GTS­21)   and   its  derivatives." Biochem. Biophys. Res. Commun. 338: 1059­1064. Wei, D. Q., Q. S. Du, et al. (2006). "Insights from modeling the 3D structure of H5N1  influenza   virus   neuraminidase   and   its   binding   interactions   with   ligands."  Biochem  Biophys Res Commun 344: 1048­1055. Wang, J. F., D. Q. Wei, et al. (2007). "3D structure modeling of cytochrome P450 2C19  and its implication for personalized drug design."  Biochem. Biophys. Res. Commun.  355: 513­519. Wang,   J.   F.,   D.   Q.   Wei,   et   al.   (2007)   “Insights   from   modeling   the   3D   structure   of  NAD(P)H­dependent D­xylose reductase of  Pichia stipitis  and its binding interactions  with NAD and NADP”, Biochemical and Biophysical Research Communications,  359,  323­329. Guo HB. and Guo H.(2007), “Mechanism of histone methylation catalyzed by protein  lysine methyltransferase SET7/9”,  PNAS, 104, 8797­8802. Guo H, Beahm R and Guo H (2004) “Stabilization and Destabilization of the Cd­H∙∙O=C  Hydrogen Bonds Involving Proline Residues in Helices”, J. Phys. Chem. B 108: 18053– 18064. Xu Q and Guo H(2004), “Quantum Mechanical/Molecular Mechanical Molecular­ Dynamics Simulations of Cytidine Deaminase: from Stabilization of Transition­State  Analogs to Catalytic Mechanisms”,. J. Phys. Chem. B 108: 2477­2483. Guo H, Cui Q, Lipscomb WN and Karplus M(2003), “Understanding the Role of Active  Site Residues in Chorismate Mutase Catalysis from Molecular Dynamic Simulations”,  Angew. Chem. Int. Ed. 42: 1508­1511.

3.

4. 5.

6.

7.

8.

9.

10.

11. 12.

13.

14.