Aufbau von Substanzbibliotheken für das High thoughput screening (I)

1. Aufbau von Substanzbibliotheken für das High thoughput screening (I) Automatisierter Test von >1000 Verbindungen am target Erfordert die Synthese von entsprechend vielen Verbindungen und die Handhabung der Ergebnisse. • Schritt: Auswahl des target Modern Methods in Drug Discovery WS04/05

2. Informationsfluß in einerdrug discovery pipeline Modern Methods in Drug Discovery WS04/05

3. Substanzauswahl für das HTS (I) Verschiedene Substanzbibliotheken: general z.B. gegen ganzes Zellassay focused bestimmte Familie von Enzymen targeted ein bestimmtes Enzym Diversität von Substanzbibliotheken Vermeidung von redundanten Verbindungen Verbesserte Trefferwahrscheinlichkeit im HTS Modern Methods in Drug Discovery WS04/05

4. Aufbau von Substanzbibliotheken für das High thoughput screening (II) Automatisierter Test von >1000 Verbindungen am target Erfordert die Synthese von entsprechend vielen Verbindungen und die Handhabung der Ergebnisse. • Schritt: Auswahl des target • 2. Schritt: Wieviel Information ist über das target vorhanden ?Gibt es bereits lead compounds ? Modern Methods in Drug Discovery WS04/05

5. Komponentenauswahl Wieviel Information ist über das target vorhanden ? X-Ray mit Wirkstoff Docking HTS X-Ray des Proteins active site Reihe von wirksamen Verbindungen QSAR, Pharmacophor erstellen Zunehmende Information Wenige hits aus HTS eADME Filter Kenntnis der Enzymfunktion (z.B. Kinase, GPCR) combi chem Erstellen einer virtuellen Bibliothek Modern Methods in Drug Discovery WS04/05

6. Aufbau von Substanzbibliotheken für das High thoughput screening (III) Automatisierter Test von >1000 Verbindungen am target Erfordert die Synthese von entsprechend vielen Verbindungen und die Handhabung der Ergebnisse. • Schritt: Auswahl des target • Schritt: Wieviel Information ist über das target vorhanden ?Gibt es bereits lead compounds ? • Schritt: wenn ja, Erzeugung einer virtuellen Bibliothek ausgehend von der Leitstruktur 4. Schritt: Syntheseplanung Modern Methods in Drug Discovery WS04/05

7. Clustering in Datensätzen (I) Um die Diversität eines Datensatzes bzw. einer erstellten Substanzbibliothek zu berurteilen, muß man die enthaltenen Verbindungen zu Clustern gruppieren. diverse library Von einem hit im HTS weitere Moleküle desselben Clusters testen. Ein Molekül aus jedem Cluster für HTS Die Zuteilung der Moleküle erfolgt anhand ihrer gegenseitigen Ähnlichkeit (Similarität). Modern Methods in Drug Discovery WS04/05

8. Klassifizierung von Verbindungen (I) Wie kodiert man die Eigenschaften eines Moleküls zur Speicherung/Verarbeitung in einer Datenbank ? Binärer fingerprint eines Moleküls Modern Methods in Drug Discovery WS04/05

9. Klassifizierung von Verbindungen (II) • Häufig angewandete fingerprint sind die Konzepte: • Daylight fingerprint (1024 bits) • ISIS MOLSKEYS (Atomtypen) • FTREES Feature trees Jeder Knoten repräsentiert ein chemisches features Lit. M.Rarey & J.S.Dixon J.Comput.-Aided Mol.Des.12 (1998) 471. Ermöglicht die Suche nach chemisch ähnlichen Verbindungen in großen virtuellen Substanzdatenbanken Lit. M.Rarey & M.Stahl J.Comput.-Aided Mol.Des.15 (2001) 497. Vergleich von fingerprints: Lit. H.Briem & U.Lessel Persp.Drug Discov.Des.20 (2000) 231. Modern Methods in Drug Discovery WS04/05

10. Similarität zwischen Verbindungen Die Ähnlichkeit zweier Moleküle zueinander kann über Similaritätsindices ihrer binären fingerprints ausgedrückt werden. Der Vergleich von binären Daten ist rechentechnisch sehr einfach, aber es existieren eine Reihe von verschiedenen Similaritätsindices von denen zum Vergleich von Molekülen der Tanimotoindex am häufigsten angewandt wird. Mehr zu Similaritätsindices in Vorlesung 6 Lit. D.R.Flower J.Chem.Inf.Comput.Sci.38 (1998) 379. Modern Methods in Drug Discovery WS04/05

11. Clustering in Datensätzen (II) Problem: Die Ähnlichkeit zweier Moleküle kann innerhalb eines Clusters größer sein, als zwischen zwei verschiedenen Clustern. Modern Methods in Drug Discovery WS04/05

12. Clustering in Datensätzen (III) Generell gilt: Verschiedene Algorithmen zur Erzeugung der Cluster werden unterschiedliche Cluster erzeugen. Wenn die erhaltenen Cluster aus verschiedenen Methoden sehr ähnlich zueinander sind, dann weist der Datensatz eine „natürliche“ Clusterung auf. Modern Methods in Drug Discovery WS04/05

13. Clustering Methoden (I) Es gibt zwei große Gruppen von Clustering Methoden: Hierarchische und Nicht-hierarchische Hierarachische Clustering Methoden bieten den Vorteil, daß auf jeder Aufteilungsebene Zugriff erfolgen kann. Alle Methoden zum Clustering sind rechenzeitintensiv ! Aufwand: O(nN) bis O(n2N) für n aus N Molekülen Modern Methods in Drug Discovery WS04/05

14. Clustering Methoden (II) „Clustering von Clustering Methoden“- ein Dendrogramm Quelle: John Barnard, Barnard Chemical Information Ltd Modern Methods in Drug Discovery WS04/05

15. K-means with mobile centroid (I) Lit: D.Gorse et al. Drug Discovery Today 4 (1999) 257. Modern Methods in Drug Discovery WS04/05

16. K-means with mobile centroid (II) Nachteil: kugelförmige Cluster oft nicht optimal angepaßt bezüglich der Verteilung der Moleküle im chemischen Raum Modern Methods in Drug Discovery WS04/05

17. Mobile centres with Ward classification 1. 3. 2. 4. Die ähnlichsten Datenpunkte werden Schritt für Schritt zu Clustern zusammengefaßt Vorteil: Hierarchisch, angepasste Clusterform Lit: D.Gorse et al. Drug Discovery Today 4 (1999) 257. Modern Methods in Drug Discovery WS04/05

18. eADME Filter für dasHigh Throughput Screening (HTS) Typischer eADME Filter Modern Methods in Drug Discovery WS04/05

19. Absorption Wie gelangt der Wirkstoff zum Bestimmungsort ? Beim HTS wird zunächst die Bioverfügbarkeit vernachlässigt und die volle Dosis der Verbindung im Essay gewährleistet. Dazu werden die Verbindungen in DMSO gelöst. Modern Methods in Drug Discovery WS04/05

20. Auswertung von HTS Ergebnissen Urspüngliche Idee: Automatisierter Test von >1000 Verbindungen am target Erfordert die Synthese von entsprechend vielen Verbindungen und die Handhabung der Ergebnisse. Unsicherheitsfaktoren sind: Reinheit und Zuverlässigkeit der Verbindungen (falsch negative) Gefärbte Verbindungen (falsch positive) Unspezifisch bindende Verbindungen (falsch positive) Modern Methods in Drug Discovery WS04/05

21. Aufbau von Substanzbibliotheken für das High thoughput screening (IV) • Schritt: wenn ja, Erzeugung einer virtuellen Bibliothek ausgehend von der Leitstruktur Systematische Variation der Leitstruktur: Gerüst Seitenketten Bioisostere Modern Methods in Drug Discovery WS04/05

22. Aufbau von Substanzbibliotheken für das High thoughput screening (V) Im Verlauf der Optimierung von der Leitstruktur zum klinischen Wirkstoff werden die Moleküle zumeist größer und lipophiler (füllen die Bindungstasche präziser aus). Deshalb sind folgenden Eigenschaften von Leitstrukturähnlichen Verbindungen wünschenswert: Molekülgewicht < 250 Niedrige Lipophilie (logP<3) bei oraler Dareichung Genügend Möglichkeiten für Seitenketten Ausreichende Affinität und Selektivität Modern Methods in Drug Discovery WS04/05

23. Bioisostere (I) Definition: Gleiche Anzahl und Anordnung der Elektronen (Langmuir 1919) z.B. N2 CO CN- CO2 N2O N3- CNO- K+ NH4+ Ar Grimms Hybrid Austausch Gesetz (1925) Modern Methods in Drug Discovery WS04/05

24. Bioisostere (II) Definition: Compounds or groups that possess near-equal, molecular shapes and volumes, approximately the same desitribution of electrons, and which exhibit similar physical properties. (A. Burger1970) z.B. -Cl -CF3 -CN -NO2 -COCH3 -SO2CH3 -CHCl2 -CH2N3 Modern Methods in Drug Discovery WS04/05

25. Bioisostere (III) Klassische (Bio-)isostere sind sterisch und elektronisch ähnlich Nicht-klassische Isostere: z.B. Austausch von cyclischen gegen acyclischen Strukturen Austauschbare Gruppen Modern Methods in Drug Discovery WS04/05

26. Bioisostere (IV) In den seltensten Fällen haben Bioisostere (chemical space) dasselbe Wirkungsprofil (biological space) wie die Verbindung von der sie abgeleitet wurden Angestrebt werden dabei folgende Eigenschaften: Bessere Wirkung Höhere Selektivität Erhöhte Bioverfügbarkeit Geringere Toxizität Weniger Nebenwirkungen Ermöglicht niedrigere Dosierung Modern Methods in Drug Discovery WS04/05

27. Monovalente Bioisostere (I) Austausch von F gegen H Fluor besitzt einen ähnlichen van der Waals Radius wie Wasserstoff und ist deshalb gleich groß. Die Lipophilie bleibt ebenfalls erhalten Fluor ist am elektronegativsten, dadurch induktiver Effekt auf das benachbarte C-Atom. Im Gegensatz zu anderen Halogenen jedoch keine Mesomeren möglich (fehlended-Orbitale) Modern Methods in Drug Discovery WS04/05

28. Monovalente Bioisostere (II) Austausch von F gegen H Die C-F Bindung ist stärker als die entsprechenden C-H, C-Cl, C-Br und C-I Bindungen, und damit auch metabolisch stabilier. Fluor ist aufgrund seiner Elektronegativität ein starker H-Brücken Akzeptor Modern Methods in Drug Discovery WS04/05

29. Monovalente Bioisostere (III) Austausch von -OH gegen –NH2 Beide Gruppen haben ähnliche Größe und Geometrie Beide sind sowohl H-Brücken Donoren als auch Akzeptoren In heterocyclischen Ringen wird dasTautomerisierungs-gleichgewicht verschoben Modern Methods in Drug Discovery WS04/05

30. Monovalente Bioisostere (IV) Austausch von -OH gegen –SH Schwefel ist sehr viel größer als Sauerstoff Rvdw(O) = 1.4 Ångstrom Rvdw(S) = 1.85 Ångstrom und weniger elektronegativ (ohne Dimension) O: 3.51 S: 2.32 Deshalb sind die H-Brücken von –SH schächer Trotzdem sind Thiole sauerer und stärker dissoziert als die entsprechenden Alkohole. In heterocyclischen Ringen kann wie bei –NH2 durch Tautomerisierung das entsprechende Thiol entstehen Modern Methods in Drug Discovery WS04/05

31. Monovalente Bioisostere (V) Austausch von –CH3 gegen –Cl Die Methylgruppe und Chlor haben die gleiche Größe und lipophilen Eigenschaften. Im Gegensatz zu Chlor wird die Methylgruppe aber schneller metabolisch abgebaut und ausgeschieden Modern Methods in Drug Discovery WS04/05

32. Monovalente Bioisostere (VI) Austausch von –CF3 oder –CN gegen –Br Die Trifluormethyl- und die Cyanatgruppe haben dieselben elektronischen Eigenschaften, aber die –CN Gruppe ist sehr viel hydrophiler Modern Methods in Drug Discovery WS04/05

33. Divalente Bioisostere Austausch der –CH2– Gruppe Verbindungen mit BH oder SiH sind zu hydrolyseempfinglich Modern Methods in Drug Discovery WS04/05

34. Trivalente Bioisostere Austausch der –CH= Gruppe durch –NH– Wichtig und erfolgreich vor allem in heterocyclischen Ringsystemen Modern Methods in Drug Discovery WS04/05

35. Tetravalente Bioisostere Modern Methods in Drug Discovery WS04/05

36. Divalente Ringäquivalente Austausch der –CH2– Gruppe Auch möglich bei größeren Ringsystemen (7-Ring etc, vgl. Benzodiazepine) Modern Methods in Drug Discovery WS04/05

37. Trivalente Ringäquivalente Austausch der –CH= Gruppe Ermöglicht oft das Feintuning des Wirkungsprofilsvgl. Sildenafil und Vardenafil Modern Methods in Drug Discovery WS04/05

38. Nicht-Klassische Isostere (I) Austausch von cyclischen gegen acyclischen Strukturen Wichtig: Die entscheidende Funktionalität muß räumlich erhalten bleiben Ringerweiterung Acyclisch Cyclisch Ringverkleinerung Modern Methods in Drug Discovery WS04/05

39. Nicht-Klassische Isostere (II) Ringöffnung Ringschluß Oft zum Einfrieren von aktiven Konformationen angewandt Modern Methods in Drug Discovery WS04/05

40. Thermodynamische Effekte Ringöffnung: Erzeugt mehr Freiheitsgrade, dadurch Entropieverlust bei der Bindung ans Enzym Ringschluß: Weniger Entropieverlust bei der Bindung ans Enzym Modern Methods in Drug Discovery WS04/05

41. Bioisosterer Austausch von Funktionellen Gruppen Hydroxylgruppe –OH Hier: Erhaltung der H-Brückeneigenschaften vorrangig Modern Methods in Drug Discovery WS04/05

42. Systematische Variation –in silico Ansätze Analog dem Ansatz bei den Feature Trees teilt man das Molekül in nodes und linker ein. Jeder node entspricht einer chemischen Gruppe und jeder linker einer Bindung zwischen solchen Gruppen. Durch definierte Typen der Bindungsspaltung lassen sich jeweils passende Fragemente in Datenbanken suchen und neu zusammenstellen. RECAP Konzept: Lit. X.Q.Lewell et al. J.Chem.Inf.Comput.Sci.38 (1998) 511. Modern Methods in Drug Discovery WS04/05