Proteiinirakenteet. Uudet rakennetyypit/vuosi. Lääkeaine ei ole samanlainen kuin mikä tahansa molekyyli KOHDEPERUSTAINEN LÄÄKEAINESUUNNITTELU

Transkriptio

1 Lääkeaine ei ole samanlainen kuin mikä tahansa molekyyli KHDEPERUSTAIE LÄÄKEAIESUUITTELU Kohdeperustaisessa lääkeainesuunnittelussa peruslähtökohtana on proteiinin kiderakenteen määrittäminen ja tämän tiedon edelleen hyödyntäminen Kiderakenteen määrittämisestä Juha Rouvinen pitää luennot J. Med. Chem. 1998, 41, Proteiinirakenteet Jo ratkaistut proteiinirakenteet löytyvät PDB tietokannasta (osoite on ykyisin rakennetta (syyskuu ) Ratkaistujen rakenteiden määrä on kasvanut voimakkaasti viime vuosina Uudet rakennetyypit/vuosi Protein ucleic Acids Protein/ A Comple xes ther Total X-ray Exp. Method MR ther Total

2 Uudet rakenteet/tunnetut Proteiinirakenteista äyttää selvältä, että vuosi vuodelta paljastuu yhä vähemmän todella uusia proteiinirakenteita nko mahdollista ennustaa proteiinin rakennetta perustuen jo tunnettujen proteiinien kiderakenteisiin Toisaalta kiderakenteiden selvittäminen on entistä nopeampaa jos/kun kiteytysolosuhteet ovat selvitetty Mitä tästä seuraa? Fragment-Based Drug Design Proteiinirakenteiden nopeampi analysointi mahdollistaa todellisen Target-Based Drug Design menetelmän käytön Periaatteessa on olemassa kaksi päävaihtoehtoa aineiston hyödyntämisessä: 1. Jokaisen uuden rakenteen kokeellinen varmennus 2. Mallinnusmenetelmien käyttö ja vain joidenkin rakenteiden kokeellinen varmennus Todellisuudessa menetelmiä käytetään rinnan eikä voida sanoa olevan mitään oikeaa ratkaisua Lego-palikoista lääkkeeksi Molekyylit pilkotaan pieniksi palasiksi, joiden sitoutumista proteiinin tutkitaan Palasia optimoidaan ja yhdistetään Sitoutuvia fragmentteja voidaan etsiä joko kiteytyksen avulla (HTX-ray) tai sitten mallintamalla käytännössä myös synteesi kummastakin menetelmästä on käytössä Proteiinin aktiivipaikka Lääkeaineet sitoutuvat proteiinissa spesifiseen paikkaan Tälle paikalle on tyypillistä, että se yleensä sijaitsee syvällä proteiinin sisällä, harvemmin pinnalla n kehitetty useita menetelmiä, joilla voidaan ennustaa tällaiset sitoutumispaikat Jos kiderakenne sisältää myös ligandin, voidaan sitoutumispaikka määrittää tarkasti 2

3 Kohdeperustainen suunnittelu Lääkeaineen suunnittelussa peruskysymys on se, tunnemmeko johtolankamolekyylin vai emme Jos emme tunne, on tehtävä erilaisia seulontoja Jos tunnemme on pyrittävä valitun molekyylin optimointiin Kummassakin tapauksessa käytettävät menetelmät ovat suurelta osin samoja, mutta menetelmien tarkkuudessa on eroja Eräitä havaintoja johtolankamolekyylin löytämisestä Jos emme tunne kohteen rakennetta emmekä muita aktiivisia rakenteita, on ainoa vaihtoehto uuden johtolankamolekyylin löytämisessä HTS, eli suuren molekyylijoukon testaaminen nopeasti jollakin yksinkertaisella testillä kaikki löydetyt aktiiviset molekyylit eivät kuitenkaan ole aktiivisia, ja osa aktiivisista ei näy lainkaan osumien ympäristöön tehdään yleensä kohdennetut kombinatoriaaliset kirjastot, jotka edelleen testataan Johtolankamolekyylien haku virtuaalisesti Mikäli tunnemme vain yhden tai useita aktiivisia rakenteita, voimme hakea rakenteita jotka ominaisuuksiltaan muistuttavat näitä rakenteita (kuitenkin eri rakenteita) Jos tunnemme kohteen 3-ulotteisen rakenteen, voimme käyttää useita menetelmiä aktiivisten rakenteiden virtuaaliseen seulontaan Paras tilanne on, jos tunnemme sekä kohteen rakenteen että myös joukon aktiivisia rakenteita sekä niiden tarkan sitoutumispaikan VIRTUAL SCREEIG Yhä useammin vastassa on tilanne, jossa kohderakenne on tunnettu joko kiderakenne tai mallinnettu Yksi tai useampi (jopa yli 10000) pientä molekyyliä telakoidaan (docking) kohderakenteen oletettuun sitoutumispaikkaan Telakoinnin tuloksien tulkinta ongelmallista (mikä on hyvä/huono ligandi?) sekä konformaatioiden että liukoisuuden huomioiminen vaikeaa Telakointi II Käytettävät tietokannat ovat joko virtuaalisia kombinatoriaalisia luonnonaineita roskakoreja Saatavuus Laatu Kemiallinen avaruus Journal of Computer- Aided Molecular Design, 16: ,

4 Telakointitapoja Vaiheittainen rakentaminen (FlexX) Telakoimisen hyödyntäminen Tutkijalla on usein ennakkoasenteita siitä miten molekyylin tulisi telakoitua usein kuitenkin jopa saman runkorakenteen omaavien yhdisteiden tapa sitoutua samaan kohteeseen poikkeaa toisistaan! Joko yksityiskohtaista muutaman yhdisteen tutkimista, johdosten käyttäytymisen ennustamista tai Suurten tietokantojen läpikäymistä jotta löytäisimme uusia potentiaalisia rakenteita 4

5 Reseptorihaku Jos kohderakenne tunnetaan tarpeeksi hyvin, voidaan sitä käyttää suoraan haettaessa uutta johtolankamolekyyliä tai optimoidessa vanhaa Uuden molekyylin hakemisessa ei välttämättä tarvita telakointia (kylläkin erittäin hyödyllistä) ja usein käytetään erilaisia reseptorihakuja ja vain täten löytyneet rakenteet telakoidaan Fragment-Based Drug Discovery Eräänlainen synteesi näistä kaikista menetelmistä on fragmenttipohjainen suunnittelu Ideana on rakentaa molekyyli palasista legopalikoiden tapaan sopivat palaset haetaan käyttäen jo tuttuja menetelmiä, kuten VS, telakoiminen, HTS, MR... ERITTÄI HYVÄ ARTIKKELI AIHEESTA: DA Erlanson, RS McDowell and T Brien: Fragment- Based Drug Discovery, J. Med. Chem. vol 47, ASAPdate JULY 1, 2004 Lääkeaineen suunnittelu Tietokannat ja muuta sälää eula ja heinälato Kombinatoriaalisen kemian ja HTS:n ansiosta (takia) uusien lääkeaineiden suunnittelussa ovat erilaiset molekyylikirjastot nousseet tärkeään osaan Kirjastoja käytetään erityisesti johtolankamolekyylien etsimisessä Muutama neula ja IS lato Tyypillisesti isot kirjastot voivat sisältää jopa useita miljoonia yhdisteitä virtuaaliset kirjastot jo miljardeja tai vieläkin enemmän Kuitenkaan lääkekehityksen kannalta kirjastojen sisältämät yhdisteet eivät ole optimaalisia on olemassa ero siinä millaisia molekyylejä halutaan lääkekehityksen eri vaiheessa 5

6 Johtolanka vs lääkeaine J. Med. Chem. 2003, 46, Johtolankamolekyylin tulisi olla paino alle 250 alhainen logp useita mahdollisia modifiointipaikkoja hyvä affiniteetti hyvä selektiivisyys Lääkeaineella on yleisesti (Lipinski) logp välillä -2 5 paino alle 500 vähäinen vetysidosten vastaanottajien ja luovuttajien määrä Tietokannan kemiallinen luonne Tietokantoja voidaan analysoida ja seuloa niin, että löydettävät yhdisteet täyttävät useita haluttuja ominaisuuksia saman aikaisesti kemiallinen luonne metaboliset ominaisuudet imeytyminen membraanien läpäisevyys toksikologia liukoisuus Pyritään varmistamaan se, että tietokanta sisältää mahdollisimman lääkkeenkaltaisia/johtolankamolekyylin kaltaisia rakenteita yleisiä erilaiset neuroverkko tai SM menetelmät luokittelu perustuu nopeasti laskettaviin 2Dparametreihin, koska käsiteltävät aineistot ovat erittäin laajoja DRAG Materiaalin luokittelu PCA SM euroverkot 6

7 euroverkko Lääkeaine ei ole samanlainen kuin mikä tahansa molekyyli J. Med. Chem. 1998, 41, Lisää heinähankoja neulan hakuun Kaikkien QSAR-tyyppisten parametrien lisäksi tietokantojen seulonnassa käytetään yleisesti myös fysikokemiallisia parametreja (logp ym) sormenjälkiä (fingerprint) erittäin nopeita, kuvaavat yhdisteiden sisältämiä fragemtteja molekyylikentistä laskettavia lukuja Polar Surface Area (PSA) yksi ensimmäisistä Metaboliset ominaisuudet Metaboliasta puhuttaessa maksa ja erityisesti CYP-entsyymit ovat tärkeitä erittäin suuri osa lääkeaineista metaboloituu ainakin osittain CYP-entsyymien toimesta suuri osa yhteensopimattomuuksista on myös seurausta CYP-vaikutuksista n erittäin tärkeää että jo lääkekehityksen aikaisessa vaiheessa (tietokantoja seulottaessa) voidaan näitä ongelmia etukäteen arvioida CYP-ongelma CYP-vaikutuksien arvioimisen tekee hankalaksi kohteiden lukuisa määrä on useita CYP-entsyymejä, jotka metaboloivat lääkeaineita tai ovat muuten tärkeitä lääkekehityksen kannalta Toinen suuri ongelma on se, että CYP:n konformaatiot eivät ole stabiileja, sitoutumiselle on useita vaihtoehtoja ja taskut ovat suuria Erityisen tärkeitä ovat 2C9, 2D6 ja 3A4 7

8 MetaSite J. Med. Chem. 2003, 46, ADMET-ennustus MetaSite on CYP-puolella ehkä edistynein ennustusohjelma Tämän lisäksi on tehty useita perinteisiä QSAR-malleja, CoMFA-malleja sekä proteiinien mallinnukseen perustuvia malleja ADMET-puolella erittäin merkittävä innovaatio on ollut Volsurf-menetelmä Volsurf-menestystarina Veri-aivoesteen läpäisevyys ongelmallista este jonka voi läpäistä joko passiivisesti tai transportterin välityksellä ennustaminen erittäin vaikeaa Pohjana käytettiin GRID-menetelmää, jolla pystytään laskemaan molekyylien välisiä vuorovaikutuksia erittäin tarkasti J. Med. Chem. 2000, 43,

9 KHDEPERUSTAIE LÄÄKEAIESUUITTELU Kohdeperustaisessa lääkeainesuunnittelussa peruslähtökohtana on proteiinin kiderakenteen määrittäminen ja tämän tiedon edelleen hyödyntäminen Kiderakenteen määrittämisestä Juha Rouvinen pitää luennot Proteiinirakenteet Jo ratkaistut proteiinirakenteet löytyvät PDB tietokannasta (osoite on ykyisin rakennetta (syyskuu ) Ratkaistujen rakenteiden määrä on kasvanut voimakkaasti viime vuosina 9

10 Uudet rakennetyypit/vuosi Protein ucleic Acids Protein/ A Comple xes ther Total X-ray Exp. Method MR ther Total Uudet rakenteet/tunnetut Proteiinirakenteista äyttää selvältä, että vuosi vuodelta paljastuu yhä vähemmän todella uusia proteiinirakenteita nko mahdollista ennustaa proteiinin rakennetta perustuen jo tunnettujen proteiinien kiderakenteisiin Toisaalta kiderakenteiden selvittäminen on entistä nopeampaa jos/kun kiteytysolosuhteet ovat selvitetty Mitä tästä seuraa? Fragment-Based Drug Design Proteiinirakenteiden nopeampi analysointi mahdollistaa todellisen Target-Based Drug Design menetelmän käytön Periaatteessa on olemassa kaksi päävaihtoehtoa aineiston hyödyntämisessä: 1. Jokaisen uuden rakenteen kokeellinen varmennus 2. Mallinnusmenetelmien käyttö ja vain joidenkin rakenteiden kokeellinen varmennus Todellisuudessa menetelmiä käytetään rinnan eikä voida sanoa olevan mitään oikeaa ratkaisua 10

11 Lego-palikoista lääkkeeksi 1. onnistunut suunnittelu Molekyylit pilkotaan pieniksi palasiksi, joiden sitoutumista proteiinin tutkitaan Palasia optimoidaan ja yhdistetään Sitoutuvia fragmentteja voidaan etsiä joko kiteytyksen avulla (HTX-ray) tai sitten mallintamalla käytännössä myös synteesi kummastakin menetelmästä on käytössä R H Zn 2+ H Zn 2+ H HC CH IC 50 =330µM HS IC50=23nM Captopriili CH Proteiinin aktiivipaikka Lääkeaineet sitoutuvat proteiinissa spesifiseen paikkaan Tälle paikalle on tyypillistä, että se yleensä sijaitsee syvällä proteiinin sisällä, harvemmin pinnalla n kehitetty useita menetelmiä, joilla voidaan ennustaa tällaiset sitoutumispaikat Jos kiderakenne sisältää myös ligandin, voidaan sitoutumispaikka määrittää tarkasti Kohdeperustainen suunnittelu Lääkeaineen suunnittelussa peruskysymys on se, tunnemmeko johtolankamolekyylin vai emme Jos emme tunne, on tehtävä erilaisia seulontoja Jos tunnemme on pyrittävä valitun molekyylin optimointiin Kummassakin tapauksessa käytettävät menetelmät ovat suurelta osin samoja, mutta menetelmien tarkkuudessa on eroja 11

12 VIRTUAL SCREEIG Yhä useammin vastassa on tilanne, jossa kohderakenne on tunnettu joko kiderakenne tai mallinnettu Yksi tai useampi (jopa yli 10000) pientä molekyyliä telakoidaan (docking) kohderakenteen oletettuun sitoutumispaikkaan Telakoinnin tuloksien tulkinta ongelmallista (mikä on hyvä/huono ligandi?) sekä konformaatioiden että liukoisuuden huomioiminen vaikeaa Telakointi II Käytettävät tietokannat ovat joko virtuaalisia kombinatoriaalisia luonnonaineita roskakoreja Saatavuus Laatu Kemiallinen avaruus Miten telakoidaan? Telakointiohjelmia on monia, ja myös niiden toiminnassa on merkittäviä eroja Aiemmin ohjelmat olivat pääasiassa jäykkiä eli ligandin piti olla aktiivisessa konformaatiossa nykyään ligandi käsitellään joustavana Kaikissa ohjelmissa on kuitenkin erotettavissa kaksi vaihetta ligandi-reseptori kompleksin sovittaminen ligandi-reseptori kompleksin hyvyyden laskeminen Kompleksin luominen Yleensä reseptorin rakenne oletetaan jäykäksi Ligandin konformaatiota muutetaan erilaisilla satunnaismenetelmillä (Autodock, GLD) TAI Ligandi rakennetaan pienistä fragmenteista jotka on alkuun aseteltu optimaalisille paikoille (FlexX) Ligandin rakentaminen on nopeampi menetelmä, mutta edellyttää alkuarvausten osumista kohdalleen Telakointitapoja Molekyylien/fragmenttien alkuasemien etsiminen Ligandin rakentaminen sitoutumispaikassa Ligandi jaetaan fragmentteihin, joille haetaan alkuarvaukset yleensä aloitetaan jollakin jäykällä fragmentilla, joka sisältää potentiaalisen vetysidospartnerin Parhaan pisteytyksen saaneen fragmenttiin/alkuarvaukseen lisätään seuraava fragmentti parhaaseen mahdolliseen asemaan Tämä toistetaan niin monta kertaa että molekyyli on kokonaan valmis Koko prosessi aloitetaan uudelleen kunnes haluttu määrä kokeiluja on tehty, vastauksia ei ole enää löytynyt tai kaikki vastaukset (parhaat) ovat olleet hyvin toistensa kaltaisia 12

13 Pisteytysfunkitot Kriittinen osa telakointia on kuinka ligandireseptori vuorovaikutus lasketaan Kuten muistatte, ei pelkkän interaktioin laskeminen ole riittävää, vaan myös entropia on pystyttävä laskemaan Suurin osa menetelmistä on kohtuullisen hyviä vetysidosten arvioinnissa, mutta liukoisuuden ja hydrofobisten sitoutumispaikkojen kanssa suurin osa on pulassa Journal of Computer- Aided Molecular Design, 16: , Esimerkki, SIRT2-inhibiittorit SIRT2-entsyymi, deasetyloi histoneja ja erityisesti mikrobuluksien asetyloituja lysiinejä Kiderakenne julkaistu, mutta ei tunnettuja inhibiittoreita, lukuun ottamatta kahta heikkoa ja toksista inhibiittoria J.Med.Chem, hyväksytty: Anu J. Tervo et al

14 Työjärjestys Identifioida proteiinista sopiva sitoutumisalue inhibiittoreille Analysoida ne interaktiot joita inhibiittori voisi hyödyntää Rakentaa tietokantahaku tähän materiaaliin perustuen Telakoidaan löydetyt rakenteet ja arvioidaan mitkä rakenteista olisivat parhaat edelleen testattaviksi 14

15 Telakoimisen hyödyntäminen Tutkijalla on usein ennakkoasenteita siitä miten molekyylin tulisi telakoitua usein kuitenkin jopa saman runkorakenteen omaavien yhdisteiden tapa sitoutua samaan kohteeseen poikkeaa toisistaan! Joko yksityiskohtaista muutaman yhdisteen tutkimista, johdosten käyttäytymisen ennustamista tai Suurten tietokantojen läpikäymistä jotta löytäisimme uusia potentiaalisia rakenteita Reseptorihaku Jos kohderakenne tunnetaan tarpeeksi hyvin, voidaan sitä käyttää suoraan haettaessa uutta johtolankamolekyyliä tai optimoidessa vanhaa Uuden molekyylin hakemisessa ei välttämättä tarvita telakointia (kylläkin erittäin hyödyllistä) ja usein käytetään erilaisia reseptorihakuja ja vain täten löytyneet rakenteet telakoidaan 15

16 Virtuaaliseulonta Menestystä! Virtuaaliseulonta, jonka tarkoitus oli löytää uusia leadrakenteita kohde tyrosiini fosfataasi (PTP1B) a) HTS seulonta 400,000 yhdistettä Pharmacian sisäisistä kirjastoista 300 osumaa < 300 µm 85 validoitua osumaa IC50 <100 µm = % hit rate (monet rikkovat Lipinskin viiden sääntöä) b) VS 235,000 kaupallisesti saatavilla olevasta kemikaalista, ohjelma DCK 3.5 (akateemisille ilmainen) 365 lupaavaa rakennetta, jotka testattiin 127 IC50 <100 µm = 34.8% hit rate (osumat enemmän lääkkeen kaltaisia) T.. Doman et al., J. Med. Chem. 45, (2002) de novo suunnittelumenetelmät Kun halutun proteiinin aktiivipaikka tunnetaan ja halutaan suunnitella uusia molekyylejä annetaan tietokoneen hoitaa suunnittelu menetelmiin on satsattu paljon, mutta tulokset heikkoja Proteniinitiedon hyödyntäminen muuten kuin telakoinnissa/seulonnassa Telakointimenetelmät eivät ole kykeneviä ennustamaan sitoutumisaffiniteettia nykyiset pisteytysfunktiot eivät ole yleispäteviä RYHMÄTYÖ: kuinka hyödynnätte kohdeproteiinin rakennetta optimoinnissa! H H 2 65% inhibiitio 5000µM IC 50 = 13µM ptimointi, esim. 1, Gelatinaasi-B, <150 Da fragmentit H H H 2 16

17 Esimerkki 2 VS avulla fragmentista valittiin muutama sata testattaviksi noin 150 heikko hittiä Parhaimmaksi katsotun hitin optimointi eri menetelmillä (MR, mallinnus, kiderakenne) tuotti huomattavan parannuksen aktiivisuuteen H H 2 H H H 2 K i =56 µm K i =0.03 µm ei oraalisesti aktiivinen H H 2 Ki=0.37 µm, oraalisesti aktiivinen 38% Esimerkki fragmenttien yhdistämisestä H H H H K d =800 µm H K d =2 µm K d =100 µm Kd=19 nm H H H TEHTÄVÄ Jakautukaa ryhmiin (5-6 henkeä per ryhmä) Kukin ryhmä edustaa lääketehtaan tutkimusryhmää jolla on käytössää mallinnus synteesi (sekä perinteinen että kombinatoriaalinen) kiderakenteen tuottomahdollisuus biologisen aktiivisuuden testaus TEHTÄVÄ jatkuu lette saaneet tehtäväksi kehittää entsyymiinhibiittorin uuteen kohteeseen, joka sijaitsee verisuonistossa ja plasmassa Kohteen rakennetta ei tiedetä (sekvenssi on selvillä) ja riittävän lähisukuista proteiinia ei ole olemassa Proteiinin endogeenista substraattia ei tunneta MITÄ TEHDÄÄ? UUSIA TIETJA Proteiinin lähisukulainen on löytynyt, ja sen inhibiittori on syklinen peptidi Lisäksi tiedetään kiderakenteen perusteella, että vain osa peptidistä on interaktiossa entsyymin kanssa Kiteytys kohde-entsyymillä ei ole tuottanut tulosta MITÄ TEHDÄÄ? 17

18 TEHTÄVÄ JATKUU Löydetään ensimmäinen pienimolekyylinen leadrakenne Yhdiste ei kuitenkaan ole soveltuva lääkkeeksi, koska se ei imeydy suun kautta otettuna ja koska se on aktiivinen myös lähisukuisessa elimistössä löytyvässä entsyymissä Kiteytys onnistuu sekä kohteesta että lähisukuisesta entsyymistä MITÄ TEHDÄÄ? TEHTÄVÄ JATKUU Lead-rakenteen pohjalta tehdyt uudet synteesituotteet eivät ole osoittautuneet tarpeeksi potenteiksi, tai niiden selektiivisyys ei ole ollut tarpeeksi hyvä. Yrityksen johto katsoo, että projekti ei ole edennyt tarpeeksi nopeasti on löydettävät UUSI lead-rakenne MITÄ TEHDÄÄ? Parempi LEAD Uuden lead-rakenteen ongelmana on huono vesiliukoisuus, joka johtuu pitkälti selektiivisyyden mahdollistavasta ryhmästä Kiderakenteen mukaan selektiivisyysalueen ominaisuudet ovat iso tasku, jossa ei ole juurikaan vetysidosmahdollisuuksia MITÄ TEHDÄÄ? TEHTÄVÄ JATKUU Uusi lead-rakenne on sekä selektiivinen että riittävän vesiliukoinen ADMET-tutkimuksissa paljastuu, että kahden oleellisen fragmentin yhdistävässä palasessa oleva esterisidos pilkkoutuu erittäin nopeasti plasmassa, vaikka yhdiste on kemiallisesti stabiili MITÄ TEHDÄÄ? Lisämateriaalia Seuraavat materiaalit on tarkoitettu taustaaineistoksi, joka käydään luennoilla ajan niin salliessa hjelmistot Isoja molekyylimallinnusohjelmistoja jäljellä 2(3) Sybyl (valmistaja Tripos) on keskittynyt lääkeainesuunnitteluun ja erityisesti pienten molekyylien mallinnukseen vahvuutena CoMFA ja UITY InsightII (valmistaja Accelrys) on keskittynyt proteiineihin Linux-järjestelmien nousu on muuttamassa tilannetta 18

19 hjelmistoja II Kvanttikemiassa standardina Gaussian Voimakentissä akateemisia ohjelmistoja runsaasti, erityisesti AMBER, CHARMM ja GRMACS/GRMS laajasti käytettyjä Runsaasti pieniä spesifisiä mallinnusohjelmia Kvanttikemia Molekyylin kemialliset ominaisuudet voidaan ymmärtää niiden elektroniverhon kautta Schrödingerin aaltoyhtälö kertoo (mm.) sen, kuinka molekyylin elektronit ovat jakautuneet ja mikä on molekyylin energia Kvanttikemiassa Schrödingerin yhtälölle haetaan likiarvoista ratkaisua Molekyyli voidaan minimoida, tai maksimoida.. jos haemme esim. transitiotiloja Kvanttikemia II Semiempiiriset memetelmät (MD, AM1, PM3) käyttävät sekä luonnonvakioita että kokeellisia parametreja nopeita ab initio (HF/3-21G ym, MP2/3/4..) vain luonnonvakioita (ja kantafunktioita) hitaampi mutta tarkkoja/absoluuttisia Tiheysfunktio-teoreettiset menetelmät (esim. BLY3P) nopeita tarkkuus? Molekyylimenkaniikka II Molekyylimekaniikka mahdollistaa molekyylin kolmiulotteisen rakenteen ja sen muutoksien nopean tutkimisen Molekyylimekaniikka kertoo minkälaisessa konformaatiossa molekyyli voi olla Ei pysty rikkomaan sidoksia kemiallisia reaktioita ei pystytä mallintamaan Molekyylidynamiikka III F ( t) = i mi ai ( t) = m i = 1,( atomien lukumäärä) F(t) atomin i voimahetkellät a (t) atomin i kiihtyvyyshetkellät r (t) atomin i sijaintihetkellät i i i i 2 ri ( t) 2 t Voimakenttä Erilaisten parametrien kokoelmaa kutsutaan voimakentäksi (Force Field) Voimakenttien parametrisointi perustuu joko kvanttikemiaan tai/ja kokeelliseen tietoon Voimakentät ovat yleensä joko yleisiä (esim MMFF94, Tripos) tai spesifisiä (CHARMM proteiineille, MM3 alkeeneille, GRMACS makromolekyyleille) 19

20 Voimakenttien ominaisuuksista Molekyylimekaniikka on nopea menetelmä molekyylin rakenteen tutkimisessa ykyiset voimakentät ovat kohtuullisen luotettavia Systeemin koko voi olla jopa yli atomia ngelmana erikoiset rakenteet Molekyylidynamiikka IV Molekyylidynamiikalla voidaan tutkia kuinka molekyyli/systeemi liikkuu ajan funktiona Voidaan tutkia eri olosuhteissa (lämpötila, paine, tilavuus, ainemäärä) iin pienet molekyylit, proteiinit, proteiini-ligandi kuin proteiini-ligandi-vesi-membraani Systeemin koon kasvaessa laskenta-aika kasvaa ykyään ns simulaatiot rutiinia (jopa PCkoneilla), mikrosekuntti lähes ulottuvilla... Mitä hyötyä dynamiikasta? 1. Isot biologiset systeemit ovat toiminnallisia kokonaisuuksia 2. Staattinen malli ei anna oikeaa kuvaa 3. Dynamiikan avulla voidaan näitäkin järjestelmiä tutkia esim. biologiset membraanit Dynamiikan sovelluksia Proteiinien/makromolekyylien simulaatiot (entsyymit yksinään, yhdessä substraatin/inhibiittorin kanssa), myös DA! Membraanien simulaatiot Konformaatioanalyysin yksi muoto Polymeeritutkimuksen työkalu 20