ỨNG DỤNG PHARMACOPHORE

Quốc Tỉnh _ Anh Thư : Ligand base + De novo

Ngọc Trân _ Hoài Thuận: Structure base + VS
Mọi thông tin thắc mắc liên quan xin vui lòng liên hệ người phụ trách từng mục, xin cảm ơn.
Màu chữ như này là phần VD nha.

Hình: Ứng dụng của mô hình 3D Pharmacophore. Nguồn: Understanding the Basics of
QSAR for Applications in Pharmaceutical Sciences and Risk Assessment.
Bài làm dưới đây sẽ theo hướng: Nêu ra hai cái khởi nguồn để đi đến cái Pharmacophore là
Ligand và Structure, rồi đi đến cái ứng dụng sàng lọc ảo và de novo

I. Ligand-based pharmacophore modeling

II. Structure-based pharmacophore modeling: Mô hình Pharmacophore dựa trên

cấu trúc
Nguồn: The design of TOPK inhibitors using structure-based pharmacophore
modeling and molecular docking based on an MD-refined homology model - Lara I.
Fakhouri & Nizar A. Al-Shar’i

Mô hình Pharmacophore dựa trên cấu trúc hoạt động trực tiếp với cấu trúc 3D của
mục tiêu tác động.

Nguyên tắc của Pharmacophore dựa trên cấu trúc là nghiên cứu và phân tích các đặc
điểm hóa học bổ sung của vị trí hoạt động và các mối quan hệ không gian giữa chúng,
từ đó lắp ráp nên mô hình Pharmacophore tiếp theo với các đặc điểm đã được chọn.

Pharmacophore dựa trên cấu trúc được chia thành 2 mục phụ:

● Dựa trên đại phân tử

● Dựa trên phức hợp đại phân tử - phối tử

Tiếp cận dựa trên phức hợp đại phân tử - phối tử thuận lợi trong việc xác định vị trí
liên kết và các điểm tương tác chính giữa phối tử và đại phân tử mục tiêu tác động.
VD: Ligand Scout (nguồn: Wolber, G. et al. (2005) LigandScout: 3-D
pharmacophores derived from proteinbound ligands and their use as virtual
screening filters. J. Chem. Inf. Model. 45, 160– 169); Pocket v.2 (nguồn: Chen, J. and
Lai, L.H. (2006) Pocket v.2: further developments on receptor-based pharmacophore
modeling. J. Chem. Inf. Model. 46, 2684–2691) và GBPM (nguồn:Ortuso, F. et al.
(2006) GBPM: GRID based pharmacophore model. Concept and application studies
to protein–protein recognition. Bioinformatics 22, 1449–1455). Hạn chế lớn nhất của
hướng đi này là cần thiết phải có cấu trúc 3D của một phức hợp giữa phối tử - đại
phân tử (nghĩa là không thể áp dụng được hướng đi này khi không có hợp chất nào
nhắm vào vị trí liên kết quan tâm được biết đến).

Để khắc phục hạn chế của hướng đi trên, nghiên cứu theo hướng dựa trên cấu trúc 3D
của đại phân tử (đích tác động). SBP (Structure base Pharmacophore) chuyển đổi các
bản đồ tương tác LUDI trong vị trí liên kết protein thành các đặc điểm dược lý xúc
tác: chất nhận liên kết H, chất cho liên kết H và tính kỵ nước. Hạn chế chính của lưu
đồ SBP là các bản đồ tương tác dẫn xuất thường bao gồm một số lượng lớn các tính
năng xúc tác không được ưu tiên, làm phức tạp ứng dụng của nó trong các tác vụ như
tìm kiếm cơ sở dữ liệu 3D.

Khắc phục vấn đề trên, một nhà khoa học (Barillari et al.) đã đề xuất một hướng tiếp
cận mới dựa trên kiến thức nhanh: Pharmacophore dựa trên thụ thể hướng dẫn tại
điểm nóng (hot-spots-guided receptor-based pharmacophores). Cách tiếp cận này cho
phép ưu tiên các nguyên tử khoang cần được nhắm mục tiêu để liên kết phối tử, bằng
cách đào tạo các thuật toán máy tính với dấu vân tay dựa trên nguyên tử của các
khoang liên kết phối tử đã biết.

Bên cạnh đó, một nhà khoa học khác (Tintori et al.) đã trình bày một cách tiếp cận
dựa trên apoprotein khác. Trong cách tiếp cận này, các trường tương tác phân tử
GIRD (phân tử lưới???) trước tiên được tính toán bằng cách sử dụng các đầu dò khác
nhau cho vị trí liên kết quan tâm, tiếp đến là lựa chọn và chuyển đổi các điểm tối thiểu
của trường tương tác thành các tính năng Pharmacophore.

Vấn đề thường gặp của mô hình Pharmacophore dựa trên cấu trúc là có thể xác định
được quá nhiều đặc điểm hóa học cho một vị trí liên kết cụ thể của mục tiêu. Tuy
nhiên một mô hình Pharmacophore nhiều đặc điểm hóa học lại không phù hợp với các
ứng dụng thực tế. Vì thế, cần phải có giới hạn số lượng các đặc điểm hóa học (3-7 đặc
điểm) để xây dựng nên một giả thuyết Pharmacophore hợp lý. Một vấn đề khác là vì
giả thuyết Pharmacophore thu được có nguồn gốc chỉ dựa trên một phức hợp đại phân
tử -phối tử hoặc một đại phân tử đích tác động duy nhất nên không thể phản ánh mối
quan hệ định lượng cấu trúc - hoạt động (QSAR).

Để khắc phục vấn đề này, các nhà khoa học đã đề xuất sử dụng bản đồ toàn diện dựa
trên multicomplex và mô hình Pharmacophore thường xuyên nhất. VD: tạo ra bản đồ
dược lý toàn diện của CDK2. Dựa trên tập hợp 124 cấu trúc tinh thể của phức hợp ức
chế CDK2 ở người → tạo ra bản đồ Pharmacophore toàn diện của CDK2. Bản đồ
được thiết lập chứa hầu hết tất cả các đặc điểm hóa học quan trọng đối với tương tác
ức chế CDK2…..(In that study, a multicomplex-based method was used to generate a
comprehensive pharmacophore map of CDK2 based on a collection of 124 crystal
structures of human CDK2 inhibitor complex. The chemical features for each
complex were first identified by LigandScout, followed by clustering all the features
to form a comprehensive pharmacophore map. The established pharmacophore map
contains almost all the chemical features important for CDK2–inhibitor interactions
(Fig. 2b). We found that, with the exception of a feature of aromatic ring (orange) in
Hecker model, every pharmacophore feature in the reported ligand-based models
(Hecker model, Toba model and Vadivelan model; Fig. 2a) can be matched to a
feature in our comprehensive map, suggesting that these ligand-based models are
subgraphs of our comprehensive map. The only exception (the aromatic ring feature
in Hecker model) seems to occur in ligand scaffolds. A chemical feature occurred in
small molecular scaffolds, which should be a pseudo-pharmacophore feature because
it does not represent a ligand–macromolecule interaction, cannot be detected by a
structure-based pharmacophore modeling approach. Because the comprehensive
pharmacophore map is too restrictive and not suitable for the virtual screening, a
reduced model is needed for a real application. A feasible solution is to select the
most-frequent features that were recognized as the features important to the activity
of the CDK2 inhibitors. Thus, the top-ranked seven features, which are present in the
124 complexes with more than 25% probability, have been selected and combined to
form a most-frequent-feature pharmacophore model. Validation studies of the most-
 frequent-feature model have shown not only that it can discriminate successfully
between known CDK2 inhibitors and the molecules of focused inactive dataset but
also that it is capable of correctly predicting the activities of a wide variety of CDK2
inhibitors in an external active dataset.)

III. Pharmacophore-model-based virtual screening

Hình: Schematic representation of pharmacophore based virtual screening

Khi một mô hình Pharmacophore được tạo ra bởi phương pháp tiếp cận dựa trên phối
tử hoặc dựa trên cấu trúc, nó có thể được sử dụng để truy vấn cơ sở dữ liệu hóa học
3D để tìm kiếm các phối tử tiềm năng, được gọi là 'Sàng lọc ảo dựa trên
Pharmacophore' (Virtual screening).

Xu hướng chủ đạo của công cụ VS (sàng lọc ảo) ở thời điểm hiện tại là sàng lọc ảo
dựa trên Pharmacophore và sàng lọc ảo dựa trên Docking.

Trái ngược với các phương pháp khác, sàng lọc ảo làm giảm các vấn đề phát sinh do
xem xét không đầy đủ tính linh hoạt của Protein hoặc sử dụng các tính năng không
được thiết kế hoặc tối ưu hóa bằng cách đưa ra bán kính dung sai cho từng đặc điểm
Pharmacophore.

Trong phương pháp Sàng lọc ảo dựa trên Pharmacophore, một giả thuyết
Pharmacophore được lấy làm mẫu. Mục đích chính của việc sàng lọc ảo là tìm ra cái
phân tử (bản hit) có các đặc điểm hóa học tương tự như các phân tử mẫu. Một phần
trong số các bản hit có thể tương tự như các hợp chất hoạt động đã biết. Một phần
khác có thể hoàn toàn khác với hợp chất đã biết trong khung cấu trúc. Việc tìm kiếm
các hợp chất có khung cấu trúc khác nhau, trong khi có cùng một hoạt tính sinh học
được học là: “scaffold hopping” (nhảy giàn giáo???).
Quá trình sàng lọc bao gồm hai khó khăn chính:

● xử lý tính linh hoạt về cấu trúc của các phân tử nhỏ

● xác định mẫu Pharmacophore

Các hướng xử lý tính linh hoạt của phân tử nhỏ trong Sàng lọc ảo dựa trên
Pharmacophore rất giống với hướng được sử dụng trong mô hình Pharmacophore.
Tính linh hoạt của phân tử nhỏ được xử lý bằng cách liệt kê trước nhiều cấu trúc cho
mỗi phân tử trong cơ sở dữ liệu hoặc lấy mẫu cấu trúc tại thời điểm tìm kiếm. Tìm
kiếm cấu trúc phụ là để kiểm tra xem một Pharmacophore truy vấn có mặt trong một
đối tượng nhất định của một phân tử hay không. Phương pháp tiếp cận được sử dụng
để tìm kiếm cấu trúc con dựa trên lý thuyết đồ thị: Ullmann, the backtracking
algorithm, thuật toán GMA.

Thách thức chính trong phương pháp Sàng lọc ảo dựa trên Pharmacophore là rất tốn
thời gian trong lọc cơ sở dữ liệu. Khắc phục điều này bằng phương pháp tìm kiếm đa
cấp. Trong phương pháp này, hàng loạt các bộ lọc được áp dụng cho phân tử theo thứ
tự phức tạp ngày càng tăng dần. Như thế, các lọc đầu tiên sẽ lọc nhanh hơn. các lọc
tiếp theo tốn nhiều thời gian nhưng chỉ lọc cho một số lượng nhỏ các chất cần lọc.
Ngoài ra có thể sử dụng luật 5 Lipinski để loại bỏ một lượng lớn các phân tử trước khi
sàng lọc: ( hình trong slide của thầy)

Một thách thức tiếp theo là: Tỷ lệ phần trăm các bản hits thực sự có hoạt tính sinh học
rất thấp. Các nguyên nhân dẫn đến vấn đề này là: Chất lượng và thành phần của mô
hình Pharmacophore, và bao nhiêu mục tiêu đại phân tử có liên quan? 3 nguyên nhân

● Yếu tố rỏ ràng nhất là sự thiếu hụt của giả thuyết Pharmacophore. Hướng giải
quyết là cần phải xác nhận và tối ưu hóa toàn diện mô hình Pharmacophore:
phương pháp giải quyết: xác thực chéo, phương pháp bộ thử nghiệm. Gần đây,
đang phát triển một chương trình tối ưu hóa theo thuật toán di truyền: việc tối
ưu hóa bằng cách tự động điều chỉnh vị trí và bán kính dung sai của từng đặc
điểm Pharmacophore. Truy vấn cuối cùng được xác thực bằng cách sử dụng
phương pháp bộ thử nghiệm → tỷ lệ bản hits được cải thiện.
● Thứ hai, bởi vì mô hình dược lý được sử dụng cho truy vấn 3D nói chung là
một trong những phân nhóm của bản đồ Pharmacophore đầy đủ, sàng lọc với
truy vấn Pharmacophore này có thể không truy xuất các phân tử phù hợp với
 các phân tử khác ngoại trừ phân tử đã chọn, đây có lẽ là một lý do quan trọng
cho tỷ lệ âm tính giả cao hơn trong một số nghiên cứu.

một cách dễ hiểu hơn

là nếu chọn mô hình Pharmacophore ở giữa thì chỉ có thể sàng lọc ra nhưng
chất có cái mô hình y như vậy. Còn các chất thực tế cũng có tác động giống
hệt chất đang tìm nhưng vì dạng mô hình P khác với cái mô hình P chọn để
lọc nên nó bị loại ra trong quá trình lọc dẫn đến âm tính giả.

Nguồn: Pharmacophore modeling and applications in drug discovery:

challenges and recent advances - Sheng-Yong Yang - Drug Discovery Today

● Thứ ba, tính linh hoạt của đại phân tử đích trong các phương pháp tiếp cận
dược lý được xử lý bằng cách đưa ra bán kính dung nạp cho từng đặc điểm
Pharmacophore, điều này khó có thể giải thích đầy đủ cho tính linh hoạt của
đại phân tử trong một số trường hợp.

Một yếu tố khác có thể dẫn đến tỷ lệ dương tính giả cao là sự hạn chế steric bởi đích
đại phân tử không được xem xét đầy đủ trong các mô hình Pharmacophore, mặc dù nó
được tính một phần bằng cách xem xét các thể tích bị loại trừ. Ngoài ra, hầu hết các
tương tác giữa phối tử và protein đều nhạy cảm với khoảng cách - đặc biệt là các
tương tác tầm ngắn, chẳng hạn như tương tác tĩnh điện, mà mô hình Pharmacophore
rất khó tính đến.

Những hạn chế của phương pháp không dễ dàng để giải quyết, nên thông thường thực
hiện kết học giữa Sàng lọc ảo dựa trên Pharmacophore và Sàng lọc ảo dựa trên
Docking. Sự kết hợp của chúng trong một giao thức lai có thể giúp bù đắp lẫn nhau
cho những hạn chế này và tận dụng sức mạnh chung của chúng.

Phiên bản khác có vẻ sẽ dễ hiểu hơn nè (đọc thì đọc không đọc thì phải đọc)

Các mô hình Pharmacophore có thể được sử dụng để truy vấn cơ sở dữ liệu hóa học 3D để
tìm kiếm các phối tử tiềm năng; quá trình này được gọi là VS dựa trên Pharmacophore. Trong
trường hợp phương pháp VS dựa trên Pharmacophore, một giả thuyết Pharmacophore được
lấy làm mẫu. Mục đích đằng sau việc sàng lọc thực sự là để khám phá những bản hit như vậy
có các tính năng hóa học tương tự như của mẫu. Đôi khi những bản hit này có thể liên quan
đến các hợp chất hoạt động đã biết, nhưng rất ít có cấu trúc hoàn toàn mới lạ. Quá trình sàng
lọc bao gồm hai khó khăn lớn: xử lý tính linh hoạt về cấu trúc của các phân tử nhỏ và xác
định mẫu Pharmacophore.
Tính linh hoạt của các phân tử nhỏ được xử lý bằng cách tính trước nhiều cấu trúc cho mỗi
phân tử hoặc lấy mẫu cấu trúc tại thời điểm tìm kiếm. Xác định mẫu Pharmacophore, thường
được gọi là tìm kiếm cấu trúc phụ, được thực hiện để kiểm tra xem Pharmacophore truy vấn
có mặt trong một conformer nhất định của một phân tử hay không. Các phương pháp tiếp cận
thường được sử dụng để tìm kiếm cấu trúc con là Ullmann, thuật toán backtracking và Thuật
toán đối sánh chung (GMA).

Vấn đề thách thức nhất đối với VS dựa trên Pharmacophore là một vài phần trăm số lần truy
cập ảo thực sự hoạt tính sinh học. Nói một cách đơn giản hơn, kết quả sàng lọc tạo ra tỷ lệ
dương tính giả cao hơn, tỷ lệ âm tính giả cao hơn hoặc cả hai. Nhiều yếu tố như chất lượng và
thành phần của mô hình Pharmacophore và thông tin mục tiêu đại phân tử có thể góp phần
vào vấn đề này. Các yếu tố có thể xảy ra nhất như sau:

a. Điều quan trọng nhất là sự phát triển của một giả thuyết Pharmacophore mạnh mẽ và
đáng tin cậy. Giải quyết vấn đề này đòi hỏi phải xác nhận và tối ưu hóa toàn diện mô hình
Pharmacophore.

b. Các phân tử khác nhau có thể được truy xuất trong VS từ các giả thuyết khác nhau
của một mô hình Pharmacophore duy nhất, đây có lẽ là một lý do quan trọng cho tỷ lệ dương
tính giả / âm tính giả cao hơn trong một số nghiên cứu.

c. Tính linh hoạt của đại phân tử đích trong các phương pháp tiếp cận Pharmacophore
được xử lý bằng cách đưa ra bán kính dung nạp cho từng tính năng Pharmacophore, điều này
không có khả năng giải thích hoàn toàn cho tính linh hoạt của đại phân tử trong một số
trường hợp. Những nỗ lực gần đây để tích hợp mô phỏng động lực học phân tử (MDS) vào
mô hình Pharmacophore đã khuyến nghị rằng các mô hình Pharmacophore được tạo ra từ quỹ
đạo MDS giải thích sự thể hiện tăng cường đáng kể về tính linh hoạt của dược điển

d. Hạn chế steric bởi mục tiêu đại phân tử không được xem xét đầy đủ trong các mô
hình Pharmacophore, mặc dù nó được tính đến một phần bằng cách xem xét các khối lượng
bị loại trừ. Trong hầu hết các trường hợp, tương tác giữa phối tử và protein là nhạy cảm với
khoảng cách, đặc biệt là các tương tác tầm ngắn, chẳng hạn như tương tác tĩnh điện, mà một
mô hình Pharmacophore rất khó tính đến. Do đó, sự kết hợp giữa VS dựa trên
Pharmacophore và dựa trên docking có thể được coi là một cách tiếp cận hiệu quả cho VS.

IV. Pharmacophore-based de novo design

Ngoài ra còn có một số ứng dụng khác: Thiết kế thuốc đa mục tiêu, tối ưu hóa
cấu tử tìm năng, xác định mục tiêu và hồ sơ hoạt động.