Yapıya Dayalı İlaç Tasarımı

Yapıya dayalı tasarım, araştırma kurumlarında ve ilaç endüstrisinde köklü, çok disiplinli ve yinelemeli bir süreçtir.
Zanamivir, nelfinavir ve aleglitazar gibi birkaç kayıtlı ilacın ve klinik adayın keşfedilmesinde ve geliştirilmesinde
muazzam bir rol oynadı.

Buna karşılık, yapı temelli tasarım, zirai kimya endüstrisinde nispeten yenidir ve şu anda piyasada bu yaklaşımın
kullanımıyla doğrudan araştırılan hiçbir ürün bulunmamaktadır.

Ancak, yapı temelli tasarımın güçlü bir etkiye sahip olduğu birkaç veri tabanı ve yazılım programı vardır (Huang ve
diğerleri 2010).

Bir ilaç keşif programında kullanılan başlıca veritabanı kaynakları Tablo 1.1'de listelenmiştir. Hesaplama yoluyla
kurşun molekülünün keşfinde kullanılan farklı yaklaşımlar aşağıdaki bölümlerde tartışılmaktadır.
1.2.1 Hedef Tanımlama

İlaç hedefi tanımlama ve doğrulama, ilaç keşif sürecinin ilk adımıdır.

Bir hastalığın patofizyolojisinde yerleşik bir işlevi olan bir makromoleküldür.

Organizmalarda, yani reseptörler ve enzimler dahil proteinler, nükleik asitler (DNA ve RNA), karbonhidratlar ve
lipid olmak üzere dört ana ilaç hedefi bulunur. Piyasada bulunan ilaçların çoğu, hedef olarak proteinlere
yöneliktir.

Bununla birlikte, birkaç patojen genomunun kodunun çözülmesi nedeniyle, nükleik asitler gelecekte ilaç
hedefleri olarak büyük önem kazanabilir (Gashaw ve ark. 2012).
Binlerce aday makromolekülden potansiyel ilaç hedeflerinin seçimi zorlu bir iştir.

Post-genomik çağda, genomik ve proteomik yaklaşımlar, hedef tanımlama için en önemli araçlardır (Singh
ve ark. 2016).

Ayrıca, yüksek verimli omik teknolojilerindeki gelişmeler, konakçı-patojen etkileşimi için büyük miktarda
veri üretti.

Bu mevcut veriler, ilaç keşif programında hedef tanımlama sürecini hızlandırmak için ağ ve sistem biyolojisi
yaklaşımları aracılığıyla bilim topluluğu tarafından da entegre edilir ve analiz edilir.
 ZINC

Moleküler yerleştirme ve sanal tarama için ticari olarak temin edilebilen bileşiklerin ücretsiz olarak temin edilebilen
bir veritabanıdır.
 PubChem

Küçük kimyasal moleküllerin, biyolojik aktivitelerinin bir veri tabanıdır.

ChemSpider

İlaç keşfi için kullanılan bir kimyasal yapı veri tabanıdır.

 ChEMBL

ADMET hakkında bilgi içeren ve çok sayıda biyoaktif bileşik için bağlayıcı olan küçük bir molekül veritabanıdır.

https://www.ebi.ac.uk/chembl/
DrugBank

İlaçlar, hedefleri ve diğer faydalı bilgiler hakkında bilgi içeren kapsamlı bir veritabanı kaynağıdır.

https://go.drugbank.com/
1.2.2 Makromolekül Yapısının Modellenmesi ve Görselleştirilmesi

Üç boyutlu yapının deneysel yaklaşımlarla belirlenmesi maliyetli ve zaman alıcı bir süreçtir.

Bu nedenle, dizi bilgisini kullanan karşılaştırmalı modelleme veya homoloji modellemesi, üç boyutlu yapıların
tahmini için doğru bir yöntemdir ve ilaç keşfi alanında çok çeşitli uygulamalar için uygun modeller sağlar
(Bodade ve diğerleri 2010; Pathak ve diğerleri. 2016). ).

Hedef protein ve bir şablon yapı arasında bir homoloji mevcut olduğunda, genellikle bir algoritma seçimidir
(Sussman ve ark. 1998).

Bu yaklaşım, iki özdeş dizinin benzer üç boyutlu yapıları benimsediği varsayımına dayanmaktadır.

Hedefin dizisi ile şablon yapı arasındaki daha yüksek bir dizi özdeşliği, daha güvenilir bir modelin üretilmesini
vaat eder.

Bir proteinin 3B yapısının bir diziden, bir X-ışını veya NMR tarafından doğrulanmış yapının yokluğunda
modellenmesi, ilaç tasarımı için gereklidir (Hekkelman ve diğerleri 2010; Bagaria ve diğerleri. 2012).
Ayrıca, PDB veritabanında uygun bir şablon tespit edilmediğinde, 3B yapıyı modellemede kullanılan diğer
yöntemler threading veya katlama tanıma ve ab initio'dur (Singh ve Tripathi 2020).

CASP ((critical structure prediction assessment/kritik yapı tahmin değerlendirmesi) protein yapısı tahmininde kilit
rol oynar.

Protein yapı modellemesindeki son durumu değerlendirmek için tasarlanmış iki yılda bir toplu bir projedir.
Katılımcılara hedef protein amino asit dizileri sağlanır ve ilgili 3D yapıları modellenir.

Bağımsız değerlendiriciler, başvuruları deneyle eşitler.

Çift kör bir deneydir, katılımcılar deneysel olarak belirlenmiş yapılara maruz kalmazlar ve değerlendiriciler
başvuranların kimliğini bilmezler.

Yapı modellerine ek olarak, protein modellemenin çeşitli başka yönleri de test edilir: deneysel olana benzer
tahmini bir yapının optimizasyonu, genel yapısal modelin ve kalıntının doğruluğunun tahminleri, protein oligomer
yapısının modellenmesi, bir dizi seyrek veri türünü kullanarak modeller geliştirme yeteneği ve fonksiyonel yönlerin
çıkarılmasıyla ilgili protein yapı özelliklerinin doğruluğu (Kryshtafovych ve diğerleri 2019).

CASP çalışmaları, protein 3D yapı tahmini için kullanılan farklı sunucuların değerlendirilmesi ve değerlendirilmesi
için bir hedefe ulaşmak için tasarlanmıştır.
RasMol, PyMol, Chimera ve diğer görselleştirme araçları, makromoleküllerin tahmin edilen ve deneysel olarak
belirlenen 3B yapılarının atomik düzeyde görüntülenmesi ve analiz edilmesinde önemli bir rol oynamaktadır.

Yapısal biyologlar için bilgisayar grafiklerine dayalı kullanıcı dostu simülasyon ortamları geliştirmek için son
yıllarda birçok çaba sarf edilmiştir.

Biyolojide, simülasyon sonuçlarının işlem sonrası veya deneylerde sunumu için ve grafik editörler tarafından 3B
koordinatların atomik verilerinin daha iyi anlaşılması için modeller oluşturmak için yaygın olarak kullanılır
(Seeliger ve de Groot 2010; Mamgain ve diğerleri. 2018) .
Bağlanma Yeri Tahmini ve Analizi

Bağlanma yerlerinin belirlenmesi basit bir iş değildir; Araştırmacılar, bir bağlanma yeri seçmek için bazı kriterler
önerdiler.

Herhangi bir proteinin fonksiyonel aktivitesinin, bağlanma bölgesi cebinde bulunan bu tür yüksek oranda
korunmuş amino asit tortuları kümesi tarafından yönetildiği araştırılır.

En uygun algoritmalar, protein yapılarının tamamen gözden geçirilmiş ve deneysel olarak doğrulanmış bilgilerini
içeren PDB gibi fonksiyonel bölge veritabanları için moleküler yüzeyin benzerlik araştırmalarına dayanmaktadır.

Ayrıca, kalıntıların filogenetik profiline dayalı bazı yöntemler ve HMM, SVM ve CASP9 gibi diğer bazı modeller de
geliştirilmiştir (Schmidt ve ark. 2011; Liu ve ark. 2014).
Genel olarak, bağlanma bölgesi kalıntıları, yakından ilişkili proteinler arasında yüksek oranda korunur.

Bu tür bağlanma yeri kalıntılarının tanımlanması, aynı zamanda, homoloji için bütünlük sağlayan ve
korunmuş aktif bölge kalıntılarının konumlandırılmasına yardımcı olan şablonları ile tahmin edilen modelin
üst üste bindirilmesi yoluyla yapılır.

Bununla birlikte, birçok protein-ligand kompleksi yapısı, halka açık veri tabanlarında, ligandın bir proteinin
bağlanma yeri boşluğunda bağlandığı bağlanma yeri için bir imza olarak da mevcuttur.
Genellikle, araştırmacılar bağlı ligandı proteinden ayırır ve bu alan, deneysel olarak belirlenmiş karmaşık bir yapı
olduğu ve önemli sonuçlar verdiği için ligand yapılarını kullanan moleküler yerleştirme çalışmaları için bağlanma
bölgesi alanı olarak kabul edilir.

Biyoinformatik alanındaki gelişmeler, ilaç keşif araştırmalarında daha fazla kullanılan, öngörülen protein
modelinin boşluğunda bulunan yeni bağlanma bölgesi kalıntılarını tahmin edebilen birkaç hesaplama aracı
sağlar.
Moleküler Yerleştirme (Docking)

Moleküler YerleştirmeYerleştirme, bir reseptör bağlanma bölgesinin gereksinimleri içindeki bir ligandın yapısına tam
olarak uymayı ve bağlanmanın gücünü doğru bir şekilde değerlendirmeyi amaçlar (AdrianScotto ve Vasilescu 2008).

Hedef protein yapısında bağlanma yeri bilinmediğinde, böyle bir durumda, hangi tam protein yapısı bağlama yeri
alanı olarak kabul edildiğinden, kör yerleştirme yararlıdır, bağlanma bölgesi biliniyorsa, bölgeye özgü yerleştirme,
ligand molekülünün etkileşimli yapısını tahmin etmek için yararlıdır.

Genel olarak, kör yerleştirmenin sonuçları daha az doğrudur ve siteye özgü yerleştirmeye göre daha fazla zaman ve
bellek gerektirir, çünkü yalnızca bağlanma yeri boşluğunda bulunan seçilmiş amino asit kalıntılarını hedef alır.

Bununla birlikte, mevcut literatürün çoğu, moleküler yerleştirmenin ligand tasarımı veya hedef tanıma ile ilgili belirli
sorunlarla başa çıkmak için kullanıldığı vaka çalışmalarını temsil etmektedir (Huang ve diğerleri 2010; Yuriev ve
Ramsland 2013; Pathak ve diğerleri. 2016; Rana ve diğerleri. 2019).

İlaç keşfinde kullanılan çokça alıntılanan moleküler yerleştirme programlarının bir özeti Tablo 1.2'de listelenmiştir.
AutoDock

Moleküler yerleştirme için kullanılır. Küçük bir molekülün 3 boyutlu yapıda hedef proteinine bağlanma
afinitesini ve pozlarını tahmin eder.
AutoDock Vina

Used for virtual screening and molecular docking.

Hex

Yerleştirme çalışmaları için kullanılır

Molecular operating environment (Moleküler modelleme ve bilgisayar destekli ilaç keşfi için eksiksiz bir paket /MOE)

Moleküler modelleme ve bilgisayar destekli ilaç keşfi için eksiksiz bir paket
1 Esnek Yerleştirme

Bu modelde hem ligand hem de reseptör yan zinciri esnek tutulur ve ayrıca ligandın reseptöre sığdığı farklı pozlar
için bağlanma enerjisi hesaplanır.

İndüklenmiş yerleştirme için, ana zincir ayrıca reseptörün konformasyonel değişikliklerini ligand bağlanması
üzerine entegre etmek üzere hareket ettirilir (Huang ve diğerleri 2010; Yuriev ve Ramsland 2013).

Zaman alıcı ve hesaplama açısından pahalı olmasına rağmen, yine de bu yöntem, onu daha kapsamlı hale getiren
ve belki de gerçek hayat fenomenini simüle eden ve dolayısıyla güvenilir olan birçok farklı olası konformasyonu
tahmin edebilir.

Bu nedenle, esnek docking, geleneksel docking daha iyi tahmin sağladığı için iyi bir docking olarak kabul edilir.

Diğer docking yaklaşımlarının en büyük dezavantajı, yanlış ligand bağlama modları nedeniyle zayıf docking
puanları sağlayabilmesidir.
Rijit Yerleştirme (Docking)

Ligand ve reseptörün iç geometrisinin yerleştirme simülasyonu sırasında sabit tutulduğu başka bir moleküler
yerleştirme yöntemidir (Huang ve diğerleri 2010; Yuriev ve Ramsland 2013; de Ruyck ve diğerleri 2016).

HIV'in aspartik proteazına uygulanan katı yerleştirmeye dayalı DOCK programı, daha yüksek potensli bir aday
inhibitör molekülü verdi ve bu molekül daha güçlü inhibitörler tasarlamak için bir öncü olarak kullanılabilir.

Ayrıca, basit bağlı ve bağlı olmayan hedef durumlarla ZDOCK, arayüz bağlantılarının %47'sini doğru bir şekilde
tahmin etti ve bağlanma alanlarını tahmin etmedeki gücünü gösterdi.

SOFTDOCK ise 83 de 66’lık bir doğruluk gösterdi (Pagadala ve ark. 2017).

Yapıya Dayalı Sanal Tarama

Sanal tarama, bir bileşik veri tabanının ilaç hedefine karşı yerleştirilmesini ve taranmasını, ardından hedef ile bağlanma
serbest enerjisine dayalı olarak puanlamayı içerir.

Bileşik veritabanlarının seçilen hedefe karşı taranması için birçok yazılım mevcuttur.

Bazıları ticari olarak mevcuttur ve bazıları akademik kullanımlar için ücretsizdir (Pathak ve ark. 2017).

Bu yöntem, küçük molekül veritabanlarından etkili lead bileşiklerinin tanımlanması için ilaç keşif programına önemli bir
katkı sağlar.

Ayrıca müşteri adayı tanımlama sürecini hızlandırmayı sağlar.

Moleküler Yerleştirmenin Doğrulanması

Moleküler yerleştirmeyi doğrulamak için çeşitli yöntemler yayınlanmıştır.

Yaygın olarak kullanılan bir yaklaşım, bilinen bir konformasyona ve oryantasyona sahip bir bileşiği, genellikle bir ortak
kristal yapıdan hedefin aktif bölgesine yeniden yerleştirmek için kullanılan yerleştirme programlarının kullanıldığı poz
seçimidir.

Bilinen konformasyondan (ligandın boyutuna bağlı olarak genellikle 1.5 veya 2 Â) önceden seçilmiş bir ortalama kare
sapma (RMSD) değerinin altındaki pozları döndürebilen programlar iyi olarak kabul edilir.

Poz seçimine daha sonra, mevcut puanlama işlevlerinden hangisinin pozları RMSD değerlerine göre en doğru şekilde
sıraladığını analiz etmek için puanlama ve sıralama eşlik eder (Hevener ve ark. 2009).
Bir başka doğrulama stratejisi, etkin olmayan veya etkin olmadığından şüphelenilen bir tuzak seti olan, hedefe karşı
"tohumlanmış" bileşikleri bilinen aktiviteye sahip bileşiklerle kenetlemektir.

Zenginleştirme, puanlara göre ayarlanan docked tuzak sıralandıktan sonra ölçülebilir ve zenginleştirme çizimleri veya
alıcı işletim karakteristiği (receiver operating characteristic/ROC) eğrileri çizilebilir.

ROC eğrileri, belirli bir yerleştirme/puanlama kombinasyonunun duyarlılığını özgüllüğe karşı eşler ve karşılaştırma için
eğrinin altındaki alan belirlenebilir (Jain 2008; Hevener ve diğerleri 2009).

Bu yaklaşımlar, yerleştirme sonuçlarının doğrulanması için bize harika bir fırsat sunuyor.
Liganda Dayalı Tasarım

Liganda dayalı ilaç tasarımı alternatif bir protokoldür ve hedef proteinin yapısı bilinmediğinde veya mevcut
modelleme yöntemleriyle tahmin edilemediğinde çok büyük bir rol oynar.

Ligandın aktivitesini yapısal bilgilerle ilişkilendirmek için istatistiksel yöntemler kullanır (Huang et al. 2010).

Liganda dayalı ilaç tasarımında kullanılan farklı yaklaşımlar aşağıdaki bölümlerde tartışılmaktadır.
Farmakofor Modelleme

Farmakofor haritalama, hedef reseptöre ilişkin temel bilgiler olmadan ilaç tasarım programındaki gerçek
bileşenlerden biridir.

İlk başta lead bileşiklerinin tanımlanmasına uygulanan araç, şimdi lead optimizasyonuna ulaşıyor (Bauer ve
Stockwell 2008).

Lead optimizasyonu, bir ilaç adayının bir başlangıç ​kurşun bileşiği arandıktan sonra tasarlandığı mekanizmadır.

Yöntem, kimyasal yapının ve davranışının, hedeflere ve metabolizmasına göre etkileşim açısından nasıl ilişkili
olduğuna dair bir resim oluşturmak için varsayılan bir ilacın yinelemeli sentez ve karakterizasyon turlarını içerir.
Farmakoforik özellikler, kimyasal bileşik veritabanlarından potansiyel lead'leri aramak ve almak (lead
moleküllerinin keşfi), kesin özniteliklere sahip moleküller tasarlamak (lead optimizasyonu) için bir sorgu
olarak kullanılabilir.

Ayrıca farmakofor parmak izlerini kullanarak bileşiklerin karşılaştırılabilirliğini ve çeşitliliğini değerlendirir.

Aynı şekilde, 3B düzenlemeye bağlı bileşikleri hizalamak veya ileri görüşlü 3B QSAR modelleri oluşturmak
için de kullanılabilir (Huang ve diğerleri 2010; Singh ve diğerleri. 2013).
Kantitatif Yapı-Etkinlik İlişkisi (Quantitative Structure-Activity Relationship /QSAR)

Kantitatif yapı-aktivite ilişkisi (QSAR), ilaç tasarımında kimyasal bileşiklerin biyolojik aktivitesini tahmin etmek için
kullanılan bir yaklaşımdır.

Bileşiğin yapıları ile bunlara karşılık gelen biyolojik davranışları arasındaki ilişkiyi bulmak için istatistiksel ve
matematiksel araçlar kullanır.

Bu nedenle, QSAR modeli, bir ilacın biyolojik özelliklerini tahmin etmek için yapısal parametreler kullanılarak
oluşturulmuştur.

İki boyutlu QSAR (2D-QSAR), moleküler biyolojik aktiviteyi çoklu regresyon analizi kullanarak yorumlamak için
sterik, elektrostatik, hidrofobiklik ve geometrik davranış gibi tanımlayıcıların 2 boyutlu yapısal özelliklerini kullanır.

Belirgin olmayan bir şekilde kullanılan en önemli 2D QSAR stratejilerinden biri Hansch tarafından verilmiştir
(Clayton ve Purcell 1969).

2D-QSAR teknikleri, biyolojik aktiviteler kadar fizikokimyasal özellikler ile 3D uzaysal düzenleme arasındaki ilişkiyi
doğru bir şekilde açıklayamaz.
 Bu nedenle, son zamanlarda, 2B QSAR sınırlamasının üstesinden gelmek için 3B-QSAR yaklaşımları tanıtılmaktadır
(Singh ve ark. 2013).

Son yıllarda çok boyutlu QSAR kavramı tanıtıldı.

Kimyasal moleküllerin biyolojik özelliklerini tahmin etmede daha faydalıdır.

Bunlar HQSAR, G-QSAR, MIA-QSAR ve multi-target QSAR'ı içerir.

İlaç keşif programında kayda değer bir başarı elde etti (Wang ve ark. 2017).

Karşılaştırmalı moleküler alan analizi (Comparative molecular field analysis /CoMFA) ve karşılaştırmalı moleküler
benzerlik indeksleri analizi (comparative molecular similarity indices analysis /CoMSIA), ilaç moleküllerinin
tasarlanması için tanıtılan en önemli iki yöntemdir (Huang ve ark. 2010).
CoMFA

CoMFA tekniği, küçük bir molekülün biyolojik aktivitesinin moleküler alanlara bağlı olduğu kavramına
dayanmaktadır.

Sırasıyla sterik ve elektrostatik alanları hesaplamak için Lennard-Jones ve Coulomb potansiyelini kullanır.

Her iki potansiyel fonksiyon da molekülün genellikle cut-offdeğerleri gerektiren van der Waals yüzeyine yakın
önemli ölçüde değişir.

Ek olarak, enerjiyi hesaplamadan önce ligandlar hizalanmalıdır, ancak üst üste binen bileşiklerin oryantasyonu grid e
göredir.

CoMFA sonuçlarında önemli değişikliklere neden olabilir.

Ayrıca, aynı PLS analizinde her iki alanı belirlemek için sterik alana bir ölçeklendirme faktörü eklenmelidir (Cramer
ve diğerleri 1989; Huang ve diğerleri 2010).
CoMSIA

CoMSIA tekniği yakın zamanda CoMFA'ya ek olarak geliştirilmiştir.

Bu teknik, sterik, hidrofobik, elektrostatik, hidrojen bağı vericileri ve hidrojen bağı alıcılarını içeren ekstra alan
özelliklerini içerir.

Bu teknik, bileşiklerin hizalanmasına, 3B yönelimlerine duyarlı değildir.

Ayrıca, geliştirilmiş işlevsel algoritma, van der Waals'ın yüzeyine göreli mesafeden daha az etkilenir.

Bu nedenle, bu model CoMFA'ya kıyasla daha kesin ve doğrudur (Klebe ve diğerleri 1994; Huang ve diğerleri 2010).
HOMO ve LUMO Enerjisinin Hesaplanması

Bunlar, ilaç keşfi ve tasarımında kilit rol oynayan

moleküler orbitallerdir. HOMO (highest occupied
molecular orbital/en yüksek işgal edilmiş moleküler
orbital) enerjisi, kompleksin oluşumu sırasında
elektron bağışlayabilen küçük moleküller alanı
sunarken, en düşük boş moleküler orbital (the
lowest unoccupied molecular orbital/LUMO)
enerjisi, moleküllerin ilişkili proteinden elektron
alma yeteneğini ifade eder.

HOMO-LUMO boşluk enerjisi olarak adlandırılan

HOMO ve LUMO'nun enerjilerindeki fark, bileşiklerin
stabilitesini ve kimyasal reaktivitesini ölçmek için
gereken elektronik uyarma enerjisini belirtir
(Banavath et al. 2014).
ADMET Tahmini ve Analizi

ADMET, herhangi bir ilaç keşif programında temel adımlardan biridir.

çünkü ıslak laboratuvar deneylerine gitmeden önce lead moleküllerinin farmakokinetiğini (ADME, yani Emilim,
Dağılım, Metabolizma ve Boşaltım) ve farmakodinamiklerini, yani lead moleküllerinin toksisitesini (T) sağlar.

Bu nedenle, deneysel maliyet, zaman ve ilaç başarısızlığı riskini azaltır.

Literatür çalışmaları, maliyetli ve geç aşamadaki ilaç geliştirme başarısızlıklarının başlıca nedenlerinin zayıf
farmakokinetik ve farmakodinamik olduğunu göstermiştir ve in vitro ve in vivo çalışmalara geçmeden önce
bilgisayar tabanlı ADMET tahmininin ilaç keşif programında dikkate alınması gerektiği yaygın olarak kabul
edilmektedir.
Şu anda, Lipinski kuralı ve polar yüzey alanı (2D), polarize edilebilirlik, van der Waals yüzey alanı, kırılma vb. gibi diğer
bazı temel tanımlayıcılarla sınırlıdır.

Kombinatoryal kimyadaki gelişmeler ve yüksek verimli tarama, ADMET ile ilgili erken verilerin referans olarak mevcut
olduğu küçük moleküllerin sayısını büyük ölçüde artırmıştır.

Ayrıca, ADMET araçlarının doğruluğu, yeni ilke tanımlayıcıları dahil edilerek ve geliştirilmiş algoritmaların uygulanmasıyla
geliştirilen hesaplama araçlarının kullanımıyla geliştirilebilir.

Herhangi bir molekülün en alakalı farmakokinetik ve farmakodinamik bilgileri, yeni ilaca benzer bileşiklerin maliyet etkin
bir şekilde tanımlanması için ilaç keşif sürecini hızlandırmak için modellenebilir (Pathak ve diğerleri 2018; Singh ve
Pathak 2020).
Moleküler Dinamik Simülasyonu

Moleküler dinamik simülasyonu (MDS), biyomoleküllerin teorik ve hesaplamalı çalışması için anahtar
araçlardan biridir.

Moleküler sistemler genellikle çok sayıda parçacık içerdiğinden, bu tür karmaşık sistemlerin analizi son derece
zordur.

Moleküler dinamik simülasyonu, sayısal yöntemler kullanarak bu analitik inatçılığı önleyebilir.

Atomlar ve moleküller simülasyon sırasında bir süre etkileşime girebilir.

Hareket, her bir atom için hesaplanır ve genel davranışı kontrol etmek için kullanılabilir (Huang et al. 2010).
Docking e göre birçok avantajı vardır, çünkü docking , reseptör ile ligandın yalnızca bağlanma serbest enerjisini verir.

Ek olarak, atomik düzeyde MDS aracılığıyla ligandın reseptörlerle gerçek etkileşimini tahmin edebiliriz.

Ayrıca, bağlanma modlarını birkaç bağ ve zaman için etkileşimde yer alan amino asit kalıntıları aracılığıyla deşifre
etmek için.

MDS sırasında, reseptör veya ligand-reseptör komplekslerinin stabilitesini tahmin etmek için ortalama kare sapma
(oot means square deviation/RMSD) hesaplanır ve konformasyonel değişiklikler belirlenir.

Ayrıca zamana göre esnekliği belirlemek için ortalama kare dalgalanma (root means square fluctuation/RSF) analizi
kullanılmaktadır (Singh ve Dwivedi 2016).
İlaç keşif programında bir sonraki adım için daha fazla kullanılan reseptör veya ligand-reseptör kompleksi
hakkında yeni bilgiler verdi.

MD simülasyon algoritmasının arka planı genellikle üç adıma dayanır;

(1) her atomun başlangıç konumlarının ve hızlarının belirlenmesi;

(2) atomlar arası potansiyeller kullanılarak tanımlanan atoma uygulanan kuvvetlerin hesaplanması;

(3) atomik konumların ve hızların kısa süre içinde ilerlemesi.

Bu yeni konumlar ve hızlar daha sonra 2. adımda yeni girdilere dönüştürülür ve her tekrar 2. ve 3. adımlar
tekrarlandığında ek bir zaman adımı oluşturur (Huang et al. 2010).
Mısırda Hiperürisemi için Yeni İlaç Benzeri Moleküllerin Tanımlanması:

Bir Vaka Çalışması

Ksantin oksidoredüktaz (XOR), pürin katabolizması sırasında ürik asit oluşumunda ve düzenlenmesinde anahtar rol
oynar.

XOR'un aşırı ekspresyonu, kanda ürik asit birikmesiyle sonuçlanır ve bu da DNA ve protein moleküllerine zarar
verir.

İnsan ksantin oksidoredüktazı (HsXOR), hiperürisemiye karşı terapötik bir hedef olarak kullanılmıştır.

Febuxostat ve allopurinol, HsXOR inhibitörleridir, ancak vücutta önemli toksik etkileri vardır.

Mısır taneleri, başlıca tahıllardan daha yüksek seviyelerde fenolik bileşikler ve diğer fitokimyasallar içerir (Taylor ve
Duodu 2015)
Darıda bulunan biyoaktif bileşikler muazzam bir potansiyele sahiptir ve hiperürisemiyi önlemek ve tedavi
etmek için kullanılabilir (Şekil 1.2).

Mısırın bazı biyoaktif bileşiklerinin,docking, ADMET ve moleküler dinamik simülasyonu kullanılarak HsXOR ile
etkileşimleri incelenmiştir.

Darıdan türetilen bileşikler (luteolin ve kersetin) 9.7 kcal/mol bağlanma serbest enerjisi gösterdi (Şekil 1.3).

Moleküler dinamik simülasyon çalışmaları, luteolin'in HsXOR ile kersetin'den daha kararlı bir kompleks
oluşturduğunu göstermiştir.

Luteolin, HsXOR'u inhibe ederek yolu kontrol edebildiğinden, bir HsXOR inhibitörü olarak test edilmek için
yüksek bir potansiyele sahiptir (Pathak ve ark. 2018).
Karaciğer Kanseri İçin Doğal Kurşun Bileşiklerinin Keşfi ve Tasarımı:

Bir Vaka Çalışması

Bitkiler, hayvanlar, mikroplar vb. gibi doğal kaynaklardan türetilen ve belirli hastalıklara karşı biyolojik tepkileri olan
bileşiklere genellikle doğal lead bileşikleri denir.

En az veya yan etkileri olan yeni doğal ilaçlar olarak uygun klead bileşiklerinin tanımlanması için belirli bir reseptör
üzerinde binlerce doğal bileşiğin tarandığı bir ilaç keşfinin başlangıç ​noktası olduğu için önemli bir rol oynar.

Bu nedenle deneysel doğrulama için yalnızca seçilen bileşikler kullanılacaktır.

Ayrıca, bir öncü bileşiğin hedeflenen fonksiyonel grubunun uygun bir fonksiyonel grup ile değiştirildiği bir öncü
bileşiğin afinitesini, etkinliğini ve gücünü artırmak için ıslak laboratuar deneyleri sırasında herhangi bir olumsuz aktivite
gözlemlenirse, lead optimizasyonları da yapılır.

Hedefe olan afinitesini kontrol etmek için moleküler yerleştirme çalışmaları ve ardından ADMET, MDS ve doğal lead
bileşiklerinden verimli türevler üretmek için deneysel çalışmalar da yapılmaktadır (Pathak ve ark. 2014).
Hepatit B virüsünün hepatit B virüsü x proteini (HBx), AP-1 proteinini aktive eder ve tümör baskılayıcı genler PTEN ve
p53’ün down regülasyonuna neden olur (Bouchard ve ark. 2006).

Bu nedenle AP-1'in kurkumin, epigallocatechin gallate (EGCG), genistein, luteolin, ellagic asit, lupeol, resveratrol,
betulinik asit ve likopen gibi bilinen doğal antikanser bileşikleri ile etkileşimleri docking kullanılarak incelenmiştir
(Amin ve ark. 2009).

EGCG, çalışmada alınan diğer bileşiklerle karşılaştırıldığında, AP-1 ile bağlanması için çok yüksek bir afinite
göstermiştir.

EGCG, AP-1'in DNA bağlanma alanında, p53 ve PTEN genlerinin aşağı regülasyonunu en aza indirebilen etkileşimi
göstermiştir.

Bu nedenle türevler, H ve OH gruplarının pozisyonlarını taklit ederek EGCG'nin bağlanma afinitesini ve

biyoyararlanımını geliştirmek için tasarlanmıştır (Şekil 1.4).

OH grubunun OCOCH3 ile değiştirilmesiyle üretilen EGCG15 asetilatlarından biri, diğer türevlerden daha iyi afinite
gösterir, ve Asp 163(G), Ser 278(F), Lys 282(F) ve Arg 288(F) amino asitlerine altı H-bağıyla bağlanır ve -5.60 kcal/mol
bağlanma serbest enerjisi göstermiştir.
EGCG'nin AP-1 proteini ile afinitesi, . 6.30 kcal/mol bağlanma enerjisine sahip sekiz H bağı oluşturan ve Asp 163, Asp
170, Ser 278, Arg 281 ve Arg 288 amino asit kalıntılarına bağlananEGCG05 metoksi türevinde büyük ölçüde arttırılmıştır.

OCOCH3 ile modifikasyon, EGCG'de farklı pozisyonlarda sıralı eklemeden sonra hesaplamalı analiz sırasında
biyoyararlanımı arttırır.

NH2 grubu ile yer değiştirme, oral absorpsiyonda veya biyoyararlanımda değişikliklere neden olmaz.

Bu nedenle bu çalışma, yeşil çaydan elde edilen EGCG ve insan refahı için kimyasal olarak sentezlenmiş türevlerini
kullanarak karaciğer kanserine karşı doğal ilaçlar geliştirmek için bilgilendiricidir (Sagar ve ark. 2014).
CADD Kullanılarak Sentezlenen İlaç Örnekleri

Moleküler modelleme, klinik deneylerden geçmiş ilaçların geliştirilmesinde ve modern terapiler haline gelen bir dizi
hastalığın tedavisinde de kullanılmıştır.

2003 yılında, yeni transforming growth factor β1 reseptör kinaz inhibitörleri arayışı, ilaç keşfinde moleküler
modelleme yöntemlerinin sunduğu olasılıkların en zorlayıcı örneklerinden biriydi.

Eli Lilly'deki bir grup, daha sonra in vitro deneyler yoluyla yapı-aktivite ilişkisini analiz ederek geliştirilmiş bir öncü
bileşiği araştırmak için geleneksel bir yüksek verimli tarama (igh-throughput screening ) yöntemi kullandı.

Biogen Idec grubu, zayıf inhibitör ve transforming growth factor β1 reseptör kinaz arasındaki yapısal etkileşimlere
dayanan sanal yüksek verimli taramayı içeren bir moleküler modelleme yaklaşımı kullandı.

Biogen Idec'teki grup, bileşiklerin sanal taramasından sonra 87 isabet buldu; en iyi isabet, Eli Lilly'nin geleneksel
yüksek verimli tarama yaklaşımı tarafından keşfedilen öncü bileşik ile yapı olarak benzerdi.

Bu durumda, azaltılmış maliyetler ve tonlarca çaba gerektiren bir süreç olan moleküler modelleme, ilaç geliştirme
için aynı yolu araştırabildi (Sawyer ve diğerleri 2003; Singh ve diğerleri 2003; Sliwoski ve diğerleri 2014).

Moleküler modelleme yöntemleriyle keşfedildikten sonra sentezlenen en eski ilaç örneklerinden bazıları Tablo 1.3'te
listelenmiştir.
Başarı ve Sınırlamalar

Hesaplamalı yaklaşımlar kullanılarak yeni ilaç moleküllerinin keşfi, entegre omiklerdeki, yani genomik, proteomik,
metabolomik ve biyoinformatikteki ilerlemeler nedeniyle odaklanmış bir araştırma alanına sahiptir.

Birçok başarı öyküsü vardır.

Son zamanlarda, kişiselleştirilmiş tıbba odaklanmak için farmakogenomik kavramı tanıtıldı.

Farmakogenomiklerin temel avantajları, bireysel genomların organizasyonel yapılarına dayalı ilaçlar üretmektir.

Esas olarak zor görevlerin üstesinden gelmek için kullanılır.

Başarının bazen sınırlı olması şaşırtıcı olmamalıdır.

Ayrıca, onlarca yıldır gündemde olan hesaplama karmaşıklıklarıyla ilgili bazı kilit sorunlar çözülmeyi beklemektedir
(Bajorath 2015; Hassan Baig ve diğerleri 2016; Singh 2014).
• İlaç keşif uygulamasında, akademik ve ilaç endüstrilerinde ciddi bilgisayar çalışmalarının güvenilirliğini etkilediği için
in silico yöntemlerin potansiyeli göz ardı edilmemelidir.

• Çoğu durumda, hesaplamalı yaklaşımlar, ancak dikkatli bir şekilde seçilirlerse ve belirli bir aktivite gösterme olasılığı
olan küçük moleküllerin seçimi, optimizasyon için yeni bileşiklerin tanımlanması gibi problemlerde kullanılırlarsa
veya bir reseptörün boşluğundaki belirli bir bağlanma bölgesi ile pozitif etkileşime giren analogların tasarımı
gerçekleştirilirse ilaç keşif projelerini önemli ölçüde ilerletebilir.

• Biyolojik sistemler çok karmaşıktır ve çok sayıda önemli parametre tarafından yönlendirilir. Bu nedenle belirli
kısıtlamalar vardır ve tüm biyolojik sistemi en son teknikleri kullanarak bir PC'ye kopyalamak ve simüle etmek
mümkün değildir.

• Yazılımların çoğu yalnızca ligand esnekliği sağladığından, ilaç keşfindeki en büyük zorluklardan biri hedef
esnekliğidir.

• Bu, hesaplamanın zaman ve uzay karmaşıklığını arttırdığından, proteine ​toplam moleküler esneklik kazandırmak
son derece zordur.

• Ayrıca, farmakofor modellemenin ana sınırlaması, bileşik başına daha az sayıda düşük enerjili konformasyon tutan
önceden hesaplanmış veri tabanlarına bağlıdır.
Sonuç

Aktif bileşikler için hedeflerin tanımlanması, büyük ölçüde karmaşık biyolojik tarama sistemleri için
hesaplama yaklaşımlarına bağlıdır.

Ayrıca, bu tür yazılımlar ve uygulamaları moleküler modelleme ve ilaç keşfi için büyüme alanlarıdır.

Ayrıca, lead optimizasyonu ve ADME analizi için moleküler özellik alanlarının oluşturulmasında ve
değerlendirilmesinde insan yanlılığını azaltmak için daha fazla hesaplama araştırması gereklidir.

Hesaplamalı ilaç keşfinin geleceği için, daha fazla doğrulukla yeni araçların geliştirilmesine daha fazla
vurgu yapılmalı ve halihazırda mevcut moleküler modelleme yöntemlerinin iyileştirilmesi gerekmektedir.

Ek olarak, bu yöntemler, başarı için bir ön koşul olan ilaç keşif uygulamalarında yaygın olarak kullanılmak
üzere muazzam bir potansiyele sahiptir.
 Proteinlerin Moleküler Modellenmesi: Yöntemler, Son Gelişmeler ve Gelecek Beklentiler

Moleküler modelleme, hesaplamalı biyolojide önemli bir yaklaşımdır.

Biyolojik ve fiziksel bilimlerin arayüzündeki sorunları ele almak için, başlangıcından itibaren fizik ve bilgisayar
bilimi uygulamalarıyla moleküler modelleme, biyolojik bilim adamları tarafından yaygın olarak kullanılmıştır.

Hesaplamalı biyolojideki gelişmeler moleküler modellemeyi gerçeğe dönüştürmüştür (Kumar ve Chordia 2017).

Mevcut bölüm, protein üç boyutlu yapı tahminleri için mevcut olan farklı yöntemleri tartışıyor.

Bildiğimiz gibi proteinler bir hücrenin biyolojik fonksiyonlarını belirler ve aynı zamanda hücrelerin yapı taşları
olarak kabul edilir.

Canlılarda replikasyon, bakım, savunma ve üremeyi içeren dinamik süreçler, protein yapıları ve fonksiyonları
şeklinde kodlanmıştır (Berg ve ark. 2002).
Genetik kodların belirlediği 20 amino asit vardır.

Proteinler, amino asitlerden oluşan polipeptitlerdir (Lodish ve ark. 2000).

Proteinin yapısını ve işlevini belirleyen polipeptit zincirinin konfigürasyonunda 20 düzenli amino asit vardır.

Proteinler, teknik olarak hücresel DNA bilgisinden kodu çözülen son ürünlerdir.

Proteinler, hücre birimi ve biyokatalizör olarak işlev gören bir hücredeki ana yapısal ve taşıyıcı elementlerdir (Alberts
ve ark. 2002).

İlginç bir şekilde, bir hücrede proteinin izlediği işlevler genetik kod tarafından belirlenir.

Protein yapısı ve işlevi, bir genin yapı taşı olan DNA molekülü/molekülleri tarafından kodlanan genetik koda bağlıdır.

Farklı amino asit dizileri, üç boyutlu konfigürasyonlarına dayalı olarak belirli fonksiyonlara sahip spesifik proteinlere
yol açmak için bir araya gelir.

Bir proteinin katlanmış formu veya onayı, doğrudan proteinin lineer amino asit dizisine bağlıdır (Hooft ve diğerleri,
1996, 1997).
Amino Asitler Amino asitler proteinlerin temel birimleridir ve her amino asidin değişken bir yan zinciri vardır (Berg ve ark. 2002).

Çoklu amino asitler, bir peptit bağı ile birbirine bağlanan uzun bir zincir oluşturmak üzere birleşir.

Biyokimyasal reaksiyonlar, polipeptit zincirindeki birinin NH2'si ve komşu bir amino asidin COOH'sinin birleştirilmesiyle su (H2O)
molekülünün ekstrakte edildiği peptit bağı oluşumunu yönetir.

Bir proteindeki basit bir lineer amino asit dizisi, birincil yapı olarak bilinir (Alberts ve ark. 2002).

Amino asitler hem polar hem de polar olmayan yan zincirlere sahiptir (Lodish ve ark. 2000).

Yan zincirlerin polaritesi, amino asit ve protein yapısını veya konformasyonunu belirler.
Hidrojen bağı polar yan zincirleri içerirken amino asitlerin yüklü yan zincirleri iyonik bağların oluşumuna katılabilir.

Van der Waals etkileşimlerine yol açmak için hidrofobik yan zincirler arasında zayıf etkileşimler oluşur.

Sistein, proteinlere stabilite sağlayan iki polipeptit zinciri içinde veya arasında oluşan disülfid kovalent bağlarının oluşumunda rol
oynayan tek amino asittir (He ve ark. 2006; Neil ve Bulleid Ellgaard 2011).
Bir proteinin 3 boyutlu yapısı, amino asitlerin katlanması ve moleküller arası bağlanması ile yönetilir.

Peptit zincirinin katlanması, iki komşu amino asit arasındaki hidrojen bağı ile belirlenir.

Bu katlanmanın spesifik modelleri, bir proteinin ikincil yapısının oluşumunda yer alan alfa sarmalları ve beta tabakaları olarak
adlandırılır (Voet ve Vote 1990).

Son olarak, çoklu polipeptit zincirleri bir araya gelerek bir proteinin kuaterner yapısını oluşturur (Brown ve ark. 2003).

Proteinin enerji açısından en verimli ve kararlı konfigürasyonu, nihai formundadır.

Belirli bir protein, benzersiz ve kompakt olan katlanma yeteneği ile çeşitli oluşumlardan geçen titiz bir süreçle nihai biçimine
ulaşır.

Bir protein kıvrımı binlerce kovalent olmayan bağla stabilize edilir.

Proteinlerin şekli ve kararlılığı, bir protein ile onu çevreleyen ortam arasındaki kimyasal kuvvetler tarafından belirlenir.

Hücre zarlarına yerleştirilen proteinlerin yüzeylerinde bazı hidrofobik kimyasal gruplar bulunur (Hooft ve ark. 1997).
Protein Yapısının Temel Prensipleri

Bir proteinin 3B yapısı, çok sayıda atomun etkileşiminin atomik bir modelidir (Wooley ve Lin 2005).

Proteinin 3B yapısı, atom grubunun karmaşık bir seviyesini temsil eder.

Bu tür bir düzenlemede, birincil, ikincil, üçüncül ve dördüncül yapılar olarak bilinen dört farklı protein
yapısı seviyesi mevcuttur.

Genellikle, ikincil ve üçüncül yapılar arasındaki iki ek müdahale düzeyi, süper ikincil yapılar ve alanlar
olarak bilinir.

Amino asit dizisinin kendisi, yan zincirler arasında oluşan disülfid bağlarını ve diğer nadir türdeki kovalent
bağları doğrudan kodlamaz (Bailey 2018) (Şekil 2.1).
Proteinin ikincil yapısı, bir protein dizisinin sistematik bir biçimde katlanmasından kaynaklanır ve bu kat, tekrarlayan hidrojen
bağının katkısıyla stabilize edilir (Şekil 2.2).

Linus Pauling ve Robert Corey ilk kez proteinlerin kimyasal doğasını ve ikincil yapılarını tanımladılar.

İkincil yapı, sağda alfa sarmalı (α-sarmal), paralel ve antiparalel beta (β-) kaplı levhalar (sheet) ve dönüşler içerir (Serafini
1989).
Üçüncül yapı, ikincil yapının elemanlarının kararlı ve kompakt bir şekilde paketlenmesiyle oluşturulur (Breda ve diğerleri 2008).

Katlama, amino asitlerin dizisine ve atomik ayrıntılara bağlı olan tam üç boyutlu polipeptit yapısıyla sonuçlanır (Berg ve ark.
2002).

Ancak bu işlem, yan zincirlerini protein içinde tutan polar kalıntılarla temsil edilen çözünür proteinler için hidrofobik bir
çekirdek oluşumuna yol açar ve sonuç olarak hidrofilik kalıntılar çözücüye maruz kalır.

Doğada bulunan farklı tipte protein kıvrımları vardır ve en yaygın protein kıvrım sınıflandırmalarından ikisi SCOP ve CATH'dir
(Csaba ve ark. 2009).
SARS koronavirüsünün nsp10/nsp16 kompleksi için üçüncül yapı görünümü Şekil 2.3'te gösterilmiştir.

nsp16, diziye bağlı metilasyona neden olur ve viral mRNA'ların başarılı metilasyonu için nsp16, metiltransferaz
aktivitesini başlatmak için nsp10'un etkileşimini gerektirir (Chen ve ark. 2011).

nsp16, korona hastalığına karşı potansiyel bir ilaç hedefi olarak hizmet edebilir. Potansiyel bir nsp16 inhibitörü, bu
hastalığın tedavisi için terapötik bir ajan olarak hizmet edebilir.
Proteinin kuaterner yapısı, iki veya daha fazla aynı veya farklı polipeptit zincirinden oluşur.

İki veya daha fazla alt birim mevcut olduğundan, bu tür proteinler oligomerler olarak adlandırılır.

Doğal proteinin alt birimlerinin nasıl düzenlendiğini gösteren karakterizasyon, kuaterner yapıya dayanmaktadır.

Oligomerik alt birimler, kovalent olmayan kuvvetler tarafından bir arada tutulur ve bu nedenle, proteinin biyolojik
aktivitesini etkileyen hızlı dönüşümlere uğrayabilir.

Hemoglobin, allosterik enzimler, aktin ve tübülin, oligomerik proteinlerin bazı örnekleridir (Berg ve ark.
Proteinle İlgili Verilerin Patlaması

Proteinin dizi düzeyi bilgilerinin bulunduğu birçok veri tabanı mevcuttur.

Protein Veri Bankası (PDB), protein yapısının önemli bir veri tabanıdır.

Şu anda PDB, nükleer manyetik rezonans (NMR) spektroskopisi, kristalografi, nükleer ve elektron kriyo-mikroskopisi
(3D-EM) vb. gibi farklı deneysel yöntemlerle belirlenen 160.000'den fazla yapıyı içeren bir arşive sahip en popüler
protein veri bankası haline gelmiştir.

PDB verileri ve kaynakları, deneysel bir yöntemin geliştirilmesinde, eğitimde ve tahmine dayalı modellerin ve ilaç keşif
projelerinin test edilmesinde çok faydalıdır (Horiuchi ve ark. 2000).

Son yıllarda, proteinlerin sınıflandırılması ve kümelenmesi, yapısal karakterizasyon, lokalizasyon, fosforilasyon, aile ve
domain , aktif bölge, bağlanma ile ilgili bilgiler, protein bozukluğu, konformasyonel çeşitlilik, yol, yapı, fonksiyon, vb.
hakkında bilgi sağlayan farklı veritabanı kaynakları geliştirilmiştir (Burley ve ark. 2017).
Protein Yapısının Belirlenmesi

X-ışını kristalografisi, NMR spektroskopisi ve elektron mikroskobu dahil olmak üzere birçok yöntem şu anda bir
proteinin 3B yapısını belirlemek için kullanılmaktadır ve her yöntemin benzersizliği ve sınırlamaları vardır (Kendrew
ve diğerleri, 1958).

Kullanıcı, son atom modelini oluşturmak için bu yöntemlerin her biri için çeşitli bilgilere erişebilir (Wang ve Wang
2017) ve bu, X-ışını kristalografisindeki X-ışını kırınım deseninden kaynaklanabilir (Callaway 2015).

Elektron mikroskobunda bu, molekülün şeklini temsil eden görüntü olabilir.

Bununla birlikte, doğru bir atom modeli oluşturmak için yalnızca deneysel bilgi yeterli değildir, ek moleküler yapısal
bilgi genellikle bir proteinin amino asit dizisinin yanı sıra bağ uzunlukları ve bağ açıları gibi geometrik özelliklerdir
(Rankin ve ark. 2014).

Tutarlı bir protein modelinin oluşturulması, bir dizi deneysel veri ve modelleme ile ilgili parametreler gerektirir
(Carroni ve Saibil 2016).
X-Işını Kristallografisi

X-ışını kristalografisi için protein uygun koşullar altında saflaştırılır ve kristalleştirilir ve ardından yoğun bir X-ışını
ışınına tabi tutulur (Burley ve diğerleri 2019).

Elektron yoğunluğunun dağılımını belirlemek için bir X-ışını demetinin protein kristalleri tarafından bir veya diğer
desenlere kırınımı incelenir.

Son olarak, her bir atomun yerini belirlemek için elektron yoğunluğunun bir haritası oluşturulur ve yorumlanır.

Elektron yoğunluk haritası, her bir atomun 3B uzaydaki konumunu belirlemek için analiz edilir.
X-ışını kristalografisi, bir proteindeki her bir atomun konumunu gösterebilen, her bir atomun koordinat bilgisini
sağlayabilen güçlü bir araçtır.

Belirli proteinler üzerinde sınırlamaları olan zorlu bir yöntemdir ancak sert kristallerin yapılarını incelemek ve belirlemek
için mükemmel bir yöntemdir (Wang ve Wang 2017).

X-ışını kristalografisi kullanarak esnek bir proteinin yapısını incelemek zordur.

Bu yöntemin doğruluğu, X-ışını kristalografisi için kullanılan kristallerin kalitesine bağlıdır.

Çözünürlük ve R değeri, kristalografik yapının doğruluğunu temsil etmek için kullanılan iki önemli parametredir (Haywood
1997).
X-ışını kristalografisi, biyomoleküllerin yapısını belirlemek için en pratik yöntemdir.

Bu yöntemin sunduğu göze çarpan özelliklerden bazıları şunlardır:

1. Atomik çözünürlük için modellerin doğruluğu, ayrıca yöntem, kullanıcının nispeten büyük yapıları ve
kompleksleri çözmesini sağlar.

2. Farklı çözücüler aynı proteini farklı biçimlerde kristalize eder.

Böylece yöntem, XRD kullanılarak tek bir proteinin aracılık ettiği tüm mekanizmanın çalışılmasını kolaylaştırır.
Öne çıkan örnekler, her biri on binlerce atomdan oluşan viral kapsid yapıları ve ribozomu içerir (Haywood
1997).
X-ışını kristalografisi, protein ve protein-ligand komplekslerinin yapısını iyi bir doğrulukla çözebilir. Ancak bu
yöntemin aşağıda belirtildiği gibi bazı önemli sınırlamaları vardır:

1. Veriler yalnızca bir protein pozisyonu veya doğrulama sağlar, ancak dinamik davranış sağlamaz.

2. Kristal molekülleri ile yoğun ambalaj arasındaki temas yapıları etkileyebilir.

3. Prosedür zaman alıcıdır.

4. Yüksek düzeyde hidrofobik veya esnek proteinlerin analizi için zorlu.

5. Çok yüksek çözünürlük gerektiren hidrojen konumlarının belirlenmesindeki zorluk, bu nedenle ne yazık ki bu
yöntemin güvenilirliğini sınırlandırmaktadır.
NMR Spektroskopisi

NMR spektroskopisi, moleküllerin 3 boyutlu yapısını belirlemek için kullanılır.

Ancak bu işlem sırasında molekül saf olmalı ve sağlam bir manyetik alana yerleştirilmelidir.

Birbirine bağlı atomların bileşimini tanımlamak için yakındaki atom çekirdeklerinin bir listesini sağlamak için ayırt
edilebilir bir ölçülen rezonans seti analiz edilebilir (Serdyuk ve diğerleri 2007).

Bu kısıtlama listesi, her bir atomun yerini gösteren model oluşturma için kullanılır.

NMR spektroskopisi, çözeltideki proteinlerin yapısını belirlemek için kullanılır ve sulu kristal gerektirir.

Esnek protein yapılarının incelenmesi için kullanılan ilk yöntemdir (Snyder ve ark. 2005).

Tipik bir NMR yapısı, gözlemlenen deneysel kısıtlamaların listesiyle tutarlı olan bir dizi protein yapısı içerir.
NMR spektroskopisinin avantajları aşağıda verilmiştir:

1. Numunenin kristal durumda olması gerekmez (bu, X-ışını kristalografisinin uygulamalarını sınırlar).

2. Molekülün daha iyi dinamiğini sağlar.

Burada bahsedilen NMR spektroskopisi ile ilgili bazı sınırlamalar vardır:

1. NMR'nin teknik doğruluğu, X-ışını kristalografisine kıyasla daha azdır.

2. MNR, küçük boyutlu moleküller, 300'den az kalıntıya sahip proteinler için iyi bir sonuç üretir.
3D Elektron Mikroskobu

Elektron mikroskobu, genellikle 3DEM olarak adlandırılan büyük moleküler düzeneklerin 3D yapılarını belirlemek için
de kullanılır.

Biyomolekülü doğrudan görüntülemek için bir elektron demeti ve bir elektron lens sistemi kullanılır (Orlova ve Saibil
2011).

Sınırlı sayıda durumda, bir elektron mikroskobu ile 3B yapıların belirlenmesi için 2B veya 3B kristallerden elektron
kırınımı kullanılabilir (Rabl et al. 2010).

Son olarak, 3DEM teknikleri, kriyo-korunmuş hücreler ve doku içindeki biyolojik düzenekleri elektron tomografisi
kullanarak incelemek için öncelikle önemlidir.
Moleküler ve atomik ayrıntılar açısından, hem tek parçacıklı 3DEM hem de elektron kırınım yöntemleri artık
makromoleküler kristalografi ile karşılaştırılabilir çözünürlük sınırlarına sahip yapılar sağlar (yani amino asit yan
zincirlerinin, yüzey suyu moleküllerinin ve kovalent olmayan bağlı ligandların görselleştirilmesini sağlar).

Kriyo-elektron tomografisi biraz daha düşük çözünürlüklü yapısal bilgi sağlar (protein alanları ve yapısal elemanlar).

2016 takvim yılında, 3DEM yapılarının PDB birikimi ilk kez NMR spektroskopisini aştı (Jonic 2016)
Düşük çözünürlüğün normal olduğu çok büyük makromolekülerin atomik detaylarını çıkarmak ve düzenekleri
araştırmak için, 3DEM verileri, sıralamak için X-ışını kristalografisi, NMR spektroskopisi, kütle spektroskopisi,
kimyasal çapraz bağlama, floresan rezonans enerji transferi ve çeşitli hesaplama tekniklerinden gelen bilgilerle
giderek daha fazla birleştirilmektedir

Bu çoklu deneysel yaklaşımları kullanma uygulaması, bütünleştirici veya hibrit yöntemler (I/HM) olarak adlandırılır
(Jonic 2016).

Bu entegrasyon yaklaşımının, diğerleri arasında, ribozom kompleksleri, t-RNA, protein faktörleri ve kas aktomiyosin
yapıları gibi çok moleküllü yapıların araştırılmasında çok faydalı olduğu kanıtlanmıştır.

PBD ile paralel olarak çalışan, PDB-Dev olarak bilinen bir prototip veri deposu, I/HM yapılarının ve verilerinin
arşivlenmesi için artık mevcuttur (Dever ve Green 2012; Masters ve Beyreuther 1998).
Yapısal çözünürlük, EM'nin ana sınırlamasıdır.

EM çözünürlüğü yaklaşık 3.5 Â'dır ve bu, yan zincirlerin yerini belirlemek için yeterli değildir (Wohlgemut ve ark.
2008).

Elektron mikroskobunun avantajları aşağıda verilmiştir:

1. EM, kristalografi ile erişilemeyen çok büyük biyolojik kompleksleri X-ışınları ile çözebilir.

2. X-ışını kırınım modellerini yorumlamak için bir referans olarak kullanılabilir.

3. EM yapıları ve X-ışını verileri, büyük moleküllerin yapısını belirlemek için birleştirilebilir.

Protein Yapısı

Tahmini Protein yapısı tahmini için yaygın olarak kullanılan üç hesaplama yöntemi,

(1) homoloji modelleme,

(2) Kat (fold) tanıma,

(3) ab initio yöntemidir.

Protein yapısının modellenmesi ve iyileştirilmesi için farklı yaklaşımlar ve yöntemler kullanan protein yapısı
tahminleri için çeşitli araçlar mevcuttur (Tablo 2.1).
Homoloji veya Karşılaştırmalı Modelleme

Karşılaştırmalı modelleme, şablon tabanlı bir modelleme beş ana adımdan oluşur:

(a) bilinen yapıya sahip benzer dizilerin tanımlanması,

(b) hedef dizinin şablon yapılarla hizalanması,

(c) şablonlar kullanılarak yapısal olarak korunan bölgelerin modellenmesi ,

(d) yan zincirlerin ve halkaların modellenmesi,

(e) konformasyonel örnekleme ile rafine edilen ve değerlendirilen modelin kalitesi (Şekil 2.4).
Karşılaştırmalı modelleme tahminlerinin doğruluğu, şablon ve hedef arasındaki dizi benzerliğinin derecesine bağlıdır.

Hedef ve şablon dizisi yüksek derecede benzerliği paylaşıyorsa, tahmin edilen modelin doğruluğu çok yüksektir.

%30-50'lik bir dizi özdeşliği için, C-a atomunun %80'inden fazlasının gerçek konumlarının 3.5 A içinde olması
beklenirken, dizi kimliğinin %30'dan azında önemli hataların meydana gelmesi muhtemeldir (Rodriguez ve ark. 1998;
Krieger ve diğerleri 2003).

Karşılaştırmalı modelleme, benzer evrimsel dizilerin benzer üç boyutlu katlanmış yapılara sahip olduğu ilkesine
dayanmaktadır.
Protein modellemenin amacı, ilgili bilinen yapıyı şablon olarak kullanarak dizi bilgisinden hedef proteinin yapısını tahmin
etmektir.

Bu, yapıya dayalı ilaç tahmini, protein fonksiyon araştırması, ağ analizi, antijenik davranış ve artan sağlamlık veya yeni
kapasitelere sahip protein yapısı gibi tüm alanlarda in silico protein modellerinin hızlı bir şekilde kullanılmasını
sağlayacaktır.

Deneysel stratejilerin sınırlı olduğu durumlarda, yardımcı verileri elde etmenin en iyi yollarından biri protein
modellemesidir.

Birkaç protein çok büyük ve çözünmezdir ve bu nedenle NMR ve X-ışını kırınımı ile incelenemez. Homoloji modelleme, bu
bölümde detaylandırılan 3B yapı tahmini için en kolay yaklaşımlardan biridir (Peach et al. 1994; Blundell et al. 1987).
http://raptorx.uchicago.edu/
https://www.unamur.be/sciences/biologie/urbm/bioinfo/esypred/
http://foldxsuite.crg.eu/
https://geno3d-prabi.ibcp.fr/cgi-bin/geno3d_automat.pl?page=/GENO3D/geno3d_home.html
https://toolkit.tuebingen.mpg.de/