Anda di halaman 1dari 4

3D Kuantitatif dan Kualitatif Struktur-Aktivitas Antagonis reseptor Relationshipsof dengan pioid

Antagonis dari reseptor o-opioid eIektiI dalam mengatasi resistensi terhadap obat analgesik seperti morIin.
Untuk mengidentiIikasi antagonis novel dengan reseptor o-opioid yang menampilkan potensi tinggi dan
resistensi rendah, kami melakukan analisis 3D-QSAR menggunakan Iitur model pharmacophore berbasis
kimia. Kimia Iitur untuk o-opioid antagonis reseptor yang dihasilkan menggunakan kuantitatiI (Catalyst /
HypoGen) dan kualitatiI (Catalyst / Hiphop) pendekatan. Untuk analisis HypoGen, kami mengumpulkan 16
peptida dan 16 non-peptida antagonis sebagai training set. Hipotesis pharmacophore kecocokan dari dua model
antagonis terdiri Iitur yang identik, termasuk aromatik hidroIobik (HAR), sebuah hidroIobik (HY), dan
terionisasi positiI (PI) Iungsi. Pelatihan set model Hiphop dibangun dengan tiga obat opioid diluncurkan.
Hipotesis terbaik dari Hiphop termasuk empat Iitur: sebuah HAR, HY, sebuah ikatan hidrogen donor (HBD),
dan Iungsi PI. Berdasarkan hasil ini, kami mengkonIirmasi bahwa HY, HAR dan PI Iitur yang penting untuk
antagonisme yang eIektiI dari reseptor opioid o, dan menentukan desain yang tepat untuk pharmacophore
antagonis tersebut.
PENGANTAR
Reseptor opioid terdiri bagian dari reseptor G-protein ditambah (GPCR) superIamili, 1 dan ditandai
oleh tujuh daerah transmembran. Tiga jenis utama reseptor opioid (o, k, dan ) telah diidentiIikasi untuk
tanggal, 2, namun mekanisme aksi mereka tetap akan didirikan. Para - reseptor opioid terletak di sistem saraI
pusat (SSP), sedangkan reseptor opioid o berhubungan dengan saraI periIer system.3, 4 ligan endogen mereka,
"opioid" (enkephalins, endorIin, dynorphins, dan endomorphins) yang terlibat di beberapa Iungsi Iisiologis
penting, termasuk nosisepsi, reIleks otonom, eIek neuroendokrin, dan termoregulasi.
Beberapa obat analgesik, termasuk morIin, biasanya digunakan untuk mengurangi rasa sakit yang
berasal dari kanker atau kerusakan saraI. Namun, resistansi terhadap hasil ini obat dalam masalah serius, yang
mengurangi eIek anestesi mereka. Upaya besar telah dikhususkan untuk mendapatkan opioid yang beroperasi
melalui reseptor tertentu, dengan maksud untuk mengidentiIikasi analgesik memiliki seorang kerabat proIil
eIek samping dikurangi menjadi morphine.9 Sementara semua tiga reseptor opioid utama target penting untuk
mengembangkan terapi untuk mengobati nyeri akut, hanya reseptor -opioid tampaknya terlibat dalam
toleransi morIin dan addiction.10, 11 Namun, toleransi dan ketergantungan opiat Iisik dapat diblokir oleh o
antagonis reseptor opioid tanpa mengorbankan antinociception disebabkan oleh interaksi obat dengan reseptor
-opioid. Perkembangan antagonis selektiI o - reseptor opioid selama dekade terakhir telah mengungkapkan
peran Iisiologis menarik dari reseptor ini, termasuk eIek modulasi pada reseptor -opioid. Selain itu, o - tikus
KO reseptor opioid tidak menunjukkan toleransi terhadap morIin, dan antagonis opioid o-eIektiI
menghapuskan perlawanan terhadap analgesik drugs.12-15 Dengan demikian, pengembangan agen dengan o-
opioid poten aktivitas antagonis reseptor sangat penting dalam kesehatan modern .
Dalam CatalystTM (Accelrys, San Diego, CA), pharmacophore adalah disebut sebagai "hipotesis"
untuk mencerminkan kenyataan bahwa model yang dihasilkan tidak selalu mewakili pharmacophore benar.
Katalis / HypoGen menggunakan kombinasi metode QSAR dan pharmacophore. Analisis ini membutuhkan
berbagai senyawa uji (dari aktiI ke tidak aktiI), bersama dengan kegiatan mereka diukur berasal dari data
eksperimen. Teknik kombinasi tidak hanya mengidentiIikasi senyawa query sebagai 'aktiI' atau 'tidak aktiI'
dalam tradisi model pharmacophore, tetapi juga memprediksikan aktivitas berdasarkan regresi dari dataset
pelatihan, analog dengan kemampuan model QSAR. Di sisi lain, Catalyst / Hiphop berusaha untuk
mengidentiIikasi Iitur molekul umum berdasarkan superposisi dari senyawa aktiI. Metode ini hanya
membutuhkan masukan dari molekul aktiI tanpa menggunakan data aktivitas, dan hasilnya peringkat oleh
kecenderungan pemasangan molekuler untuk hipotesis yang diajukan, serta Iitur cocok.
Pada titik ini, ada kebutuhan medis untuk mengembangkan 3DQSAR22, 23 model dan
mengidentiIikasi pharmacophores untuk menetapkan Iitur struktural dan elektronik penting untuk o-
opioidreceptor aktivitas antagonis.
Dalam studi ini, kami melakukan pendekatan struktur berbasis untuk mengidentiIikasi pharmacophore
yang optimal dari satu set ligan menggunakan 3D-QSAR untuk menyempurnakan model reseptor dan
meningkatkan kemungkinan mengidentiIikasi Iitur yang paling penting bagi pengakuan ligan dengan
membandingkan kuantitatiI (Katalis / HypoGen ) dan kualitatiI (Catalyst / Hiphop) metode. Pendekatan ini
telah berhasil diterapkan untuk DMT-Tic turunan dan analog Naltrindole.
ETHODE
Katalis / HypoGen. Training set dipilih untuk menghasilkan hipotesis dengan mempertimbangkan keragaman
struktur dan cakupan yang luas dari berbagai aktivitas. Dalam studi ini, kami membangun set pelatihan dua
untuk HypoGen. Set pertama terdiri dari antagonis peptida (Peptida) dari reseptor o-opioid yang adalah
turunan dari DMT-Tic, dan set kedua terkandung non-peptida antagonis (nPeptide) yang analog Naltrindole.
Kedua set termasuk enam belas senyawa yang memenuhi aturan seleksi untuk generasi HypoGen. Struktur
sekunder dan nilai-nilai aktivitas dari dua set tercantum di bawah ini dalam Tabel 1 dan 2. Sebelas kimia Iitur
diperoleh dari program CatalystTM. Kami memilih lima Iitur-hidrogen layak akseptor ikatan (HBA),
hidroIobik (HY), aliIatik hidroIobik (HAL), aromatik hidroIobik (HAR), dan terionisasi positiI (PI) Iungsi-
berdasarkan analisis bagian penting struktural dan kimiawi dari senyawa. Semua sepuluh hipotesis yang
diusulkan menggunakan HypoGen diurutkan menurut nilai-nilai pas dan energi cut-oII dengan senyawa dalam
training set.
Katalis / Hiphop. Hiphop menghasilkan model konIormasi untuk setiap molekul di set pelatihan. Setiap
conIormer diperiksa untuk kehadiran Iitur kimia yang penting dalam obat-enzim (atau reseptor) interaksi yang
disediakan oleh CatalystTM. Fitur umum dari Hiphop adalah donor ikatan hidrogen (HBD) dan akseptor
(HBA), pusat muatan negatiI dan positiI, dan daerah hidroIobik. Pada langkah terakhir, konIigurasi tiga
dimensi dari Iitur kimia umum untuk molekul masukan ditentukan. Dalam studi ini, tiga meluncurkan obat
opioid (nalokson, triazolam, dan Cyclazocine) dipilih sebagai pelatihan diatur untuk menghasilkan hipotesis.
Struktur dan kegiatan dari tiga obat disajikan dalam Tabel 3.
Kami menganalisis karakteristik spesiIik dari Iitur yang disertakan dan dibandingkan dengan jarak masing-
masing Iitur kimia untuk hipotesis terbaik diperoleh dari dua metode generasi yang berbeda, HypoGen dan
Hiphop.
etodologi Komputasi. Struktur tiga dimensi senyawa yang dihasilkan dan diminimalkan dengan
menggunakan paket perangkat lunak atalystTM (Accelrys, San Diego, CA). CatalystTM menyediakan dua
metode conIormer generasi yang berbeda, Terbaik dan Cepat. Metode generasi terbaik pencarian konIormasi
ruang lebih luas dari generasi Cepat dan itu berlaku prosedur minimalisasi lebih ketat dalam ruang baik torsi
dan Cartesian. Generasi pencarian cepat konIormasi lebih kasar, sehingga menghabiskan waktu jauh lebih
sedikit komputasi dibandingkan Terbaik
Dalam studi ini, generasi conIormer dilakukan dengan menggunakan metode generasi terbaik dan jumlah
maksimum penurut ditentukan sebagai 250 dalam kisaran 20 kkal / mol cutoII. Semua konIormasi dalam set
pelatihan yang diminimalkan untuk menemukan minimum lokal berdasarkan medan gaya CHARMm dan
analisis konIormasi masing-masing senyawa dilaksanakan dengan menggunakan algoritma Poling untuk
pencarian ke daerah yang belum dijelajahi ruang conIormer. Semua parameter lain yang digunakan sesuai
dengan nilai standar. Studi-studi komputasi dilakukan pada workstation Silicon Graphics O2 R12000.
Results and Discussion
HypoGen: Ligan Berbasis Model pharmacophore. Model pharmacophore HypoGen mengidentiIikasi
Iitur Iungsional kimia yang khas dari senyawa aktiI, sehingga memudahkan diIerensiasi mereka dari senyawa
aktiI. Dua set pelatihan dipilih dengan mempertimbangkan keragaman struktural yang diwakili mencakup
berbagai kegiatan setidaknya empat urutan magnitudo. Aktivitas antagonis berbagai peptida adalah cakupan
luas dalam hal nilai Ki dari 0,002 sampai 120 nM nM dan non-peptida Model antagonis dihuni dari 0,51 nM ke
3400 nM. Hipotesis yang dihasilkan untuk setiap antagonis peptida dan non-peptida dari reseptor o-opioid, dan
set pelatihan diserahkan kepada sebuah hipotesis skor. Kami memperkirakan kegiatan semua senyawa
pelatihan diatur menggunakan hipotesis ini. HypoGen menghasilkan hipotesis penilaian atas 10, yang Hypo1
adalah hipotesis terbaik. Hypo1 pameran koeIisien korelasi terbaik, perbedaan biaya tertinggi, terendah
kesalahan biaya, berat terdekat biaya untuk 2, dan korelasi dari 96 dan 98 antara aktual (atau percobaan)
dan diperkirakan (atau diperkirakan) kegiatan, seperti ditunjukkan pada Tabel 4 dan 5. Nilai Iit tinggi ketika
masing-masing Iitur kimia dalam hipotesis pertandingan bagian aktiI dari ligan untuk sebagian yang wajar.
Semua senyawa di kedua set pelatihan diklasiIikasikan menjadi tiga skala kegiatan, misalnya: sangat aktiI (1
nM, ), cukup aktiI (1 - 100 nM, ), dan tidak aktiI (~ 100 nM, ). Keluar dari 16 senyawa dalam model
antagonis peptida, peptida tiga cukup aktiI diperkirakan sebagai tidak aktiI, dan dalam training set non-peptida
antagonis, tiga sangat aktiI non-peptida senyawa diperkirakan sebagai cukup aktiI. Tingkat aktivitas senyawa
dalam kedua set pelatihan diprediksi secara akurat. Dalam model antagonis peptida, biaya tetap total 10
hipotesis adalah 60,75, dan biaya null 112,65. Dengan demikian, rentang antara biaya tetap dan null 51,90.
Ketika kisaran ini lebih dari 60 bit, hipotesis yang sangat kredibel dengan keandalan 90, dan pada lebih dari
40 bit, keandalan adalah sekitar 75. KoeIisien korelasi Hypo1, 0,957, menunjukkan korelasi yang baik
dengan regresi linier dari indeks cocok geometris. Nilai RMSD menunjukkan tingkat keandalan prediksi untuk
set pelatihan. Dalam model ini, RMSD dari Hypo1 adalah 0,7142, yang berarti prediksi yang baik.
Hipotesis terbaik, Hypo1, terdiri lima Iitur, satu HAR, dua HAL, satu HBD, dan satu Iungsi PI. Kimia
Iitur yang disertakan dalam Hypo1 cocok baik karakteristik penting diketahui antagonis reseptor opioid, seperti
bagian hidroIobik aromatik dari Tyr, wilayah hidroIobik Phe, dan Iungsi terionisasi positiI dari atom nitrogen
dari gugus amina. Antagonis peptida yang paling aktiI dalam training set, Peptida 1, pameran cocok dengan
lima Iitur Hypo1. Dua HARs di Hypo1 dipetakan ke cincin Ienil daerah DMT dan Tic di ligan peptida. HY
dipetakan ke grup metil dari DMT, HBD cocok untuk asam karboksilat Tic, dan PI cocok ke grup amina.
Antagonis peptida kurang aktiI, Peptida 16, menunjukkan nilai yang cocok rendah dengan Hypo1, dan
khususnya, HBD atau HY tidak cocok dengan setiap bagian dari Peptida 16 dan sisanya pepties aktiI rendah di
set pelatihan. Pemetaan model antara Hypo1 dan Peptida 1, dan Hypo1-Peptida 16 digambarkan dalam
Gambar 2. Muatan positiI nitrogen pada gugus amina dan wilayah cincin aromatik dari ligan, Iitur penting
untuk antagonisme reseptor o-opioid, secara eIektiI terwakili dalam Hypo1.
Dalam model non-peptida, biaya tetap total 10 hipotesis adalah 67,47, dan biaya nol 109,89. Dengan
demikian, rentang antara biaya tetap dan null 42,42 bit. Sebagaimana disebutkan di atas, data ini
mengkonIirmasi bahwa 10 atas hipotesis secara eIektiI menggambarkan training set. Hipotesis terbaik dari
model non-peptida (ditunjuk nHypo1) terdiri dari empat Iitur kimia, khusus, satu HY, satu HAR, satu HAL,
dan satu PI. KoeIisien korelasi nHypo1 adalah 0,92, dan RMSD adalah 1,0203. Gambar 1 (b) merupakan
diagram korelasi. Kondisi hipotesis nHypo1 puas untuk cincin aromatik bermuatan positiI dan wilayah, mirip
dengan Hypo1. HAR atau HY dari nHypo1 tidak dipetakan dengan setiap bagian dari aktivitas rendah
antagonis non-peptida, hal ini dapat menjelaskan alasan mengapa nilai Iit dari antagonis aktivitas rendah tidak
baik. Pemetaan model nHypo1 dan non-peptida antagonis disajikan pada Gambar 3.
Di antara dua hipotesis (Hypo1 dan nHypo1), hanya tiga Iitur berhubungan dengan orang-orang dari
antagonis opioid, khususnya, daerah hidroIobik, suatu cincin aromatik, dan wilayah nitrogen bermuatan positiI.
Wilayah cincin aromatik dari model peptida dideIinisikan sebagai 'aromatik hidroIobik' (HAR), dan Iitur
serupa menggantikan Iungsi (HY) hidroIobik dalam model non-peptida. PI umumnya dideIinisikan sebagai
atom nitrogen dalam kedua model. Pada Gambar 4, kita membandingkan jarak dan lokasi Iitur yang identik
antara Hypo1 dan nHypo1. Tiga Iitur yang identik membentuk bentuk segitiga. Jarak dan lokasi dari semua
Iitur yang serupa antara dua hipotesis. Jarak rata-rata adalah 5,76 A untuk HY-PI, 5,19 A untuk HAR-PI, dan
7,38 A untuk HY-HAR. Jarak antara HY dan HAR dalam model lebih pendek dari peptida bahwa dalam model
nonpeptide. Hal ini mungkin menjelaskan mengapa konIormasi antagonis peptida lebih Ileksibel dibandingkan
dengan antagonis non-peptida.
Hiphop: Fitur umum berbasis odel pharmacophore. Untuk menentukan pharmacophore paling
menguntungkan dalam desain obat opioid, kami menerapkan metode tambahan Catalyst / Hiphop untuk
menghasilkan model Iitur kualitatiI umum, dan dibandingkan hipotesis diperoleh dengan HypoGen. Hiphop
menghasilkan hipotesis didasarkan hanya pada identiIikasi dan overlay Iitur-Iitur umum menggunakan ligan
aktiI dikenal, dan tidak data aktivitas. Oleh karena itu, kami memilih tiga obat opioid diluncurkan untuk
training set, nalokson, triazolam, dan Cyclazocine. Ada nonopioid SSP obat umumnya digunakan untuk
mengurangi tingkat overdosis yang Iatal yang terkait dengan konsentrasi obat yang tinggi morphinelike. Untuk
memprediksi pharmacophore lebih umum, kami memilih obat-obatan dengan mempertimbangkan keragaman
struktural dimaksimalkan. Struktur dari ketiga obat ini digambarkan dalam Tabel 3. Hipotesis terbaik dari
Hiphop (hHypo) terdiri dari HAR, HY sebuah, HBD, dan PI, mirip dengan yang dari HypoGen. Fitur penting
dari hHypo dengan baik ditandai dalam hasil dari kedua HypoGen dan Hiphop. Untuk mengidentiIikasi Iitur-
Iitur umum antara tiga hipotesis (Hypo1, nHypo 1, dan hHypo), kita dilapiskan yang pharmacophores, seperti
yang ditunjukkan pada Gambar 5. Hebatnya, pada mencoba untuk menyesuaikan pelatihan kedua set HypoGen
ke hHypo, kita merasa bahwa peptida paling aktiI (Peptida 1) dan non-peptida (nPeptide 1) antagonis
dipetakan dengan baik ke hHypo dalam hal semua Iitur-Iitur tertentu. Model pemetaan dari Peptida 1 dan
nPeptide 1 ke hHypo disajikan pada Gambar 6. Oleh karena itu, kami mengusulkan bahwa tiga hipotesis
ditentukan dengan menggunakan HypoGen dan Hiphop mengungkapkan Iitur pharmacophore penting untuk
antagonisme o - aktivitas reseptor opioid, yang harus membantu dalam desain yang eIektiI yang sangat ampuh
o-opioid antagonis reseptor.
KESIPULAN
Dalam studi ini, kami melakukan 3D-QSAR untuk o-opioid antagonis reseptor dengan bantuan model
pharmacophore kuantitatiI dan kualitatiI menerapkan dua pendekatan yang berbeda pharmacophore ligan
berbasis generasi. Untuk percobaan HypoGen, kami membangun dua set pelatihan untuk antagonis peptida dan
non-peptida, masing-masing. Hipotesis terbaik, Hypo1 dan nHypo1, diungkapkan Iitur yang identik, termasuk
wilayah cincin aromatik dan wilayah nitrogen positiI dibebankan, konsisten dengan karakteristik penting dari
antagonis opioid. Hiphop dilakukan dengan menggunakan tiga obat opioid diluncurkan sebagai training set.
Hipotesis terbaik, hHypo terdiri dari empat Iitur umum (satu hidroIobik aromatik, satu hidroIobik, donor ikatan
hidrogen, dan Iungsi terionisasi positiI). Tiga hipotesis, Hypo 1, nHypo 1, dan hHypo, dipamerkan tiga Iitur-
Iitur umum, khusus, hidroIobik, suatu aromatik hidroIobik, dan wilayah nitrogen positiI. Hasil kami
mendukung utilitas dari Iitur pharmacophore penting diperoleh dengan hipotesis, yang secara eIektiI
menggambarkan hubungan struktur-aktivitas antagonis dari reseptor o-opioid.