Danksagung

Diese Arbeit hätte ohne die Unterstützung vieler Personen niemals so, wie sie nun vorliegt, entstehen können. Mein besonderer Dank gilt deshalb:

• Prof. Dr. Eyke Hüllermeier, der mir das wunderbare Diplomarbeitsthema angeboten hat, welches genau meinen Vorstellungen entsprach.

• Thomas Fober und Marco Mernberger, die mich während meiner Arbeit immer unterstützt, mir sämtliche (zum Teil trivialen) Fragen äußerst geduldig beantwortet und meine Ausarbeitung Korrektur gelesen haben.

• Den übrigen Mitgliedern der Arbeitsgruppe von Prof. Hüllermeier, die mir bei vielen Problemen hilfreich zur Seite standen und mir die kulinarischen Spezialitäten der Marburger Mensa näher gebracht haben.

• Elisabeth Stenschke für die Versorgung mit Lektüre zum Programm L ^A T E X sowie das Tutorial zum ersten kleinen L ^A T E X Dokument.

• Meiner Freundin Tanja sowie meinem übrigen Freundeskreis, die mich, immer wenn es nötig war, von der Diplomarbeit ablenkten und Dinge mit mir unternahmen, die so absolut überhaupt nichts mit Programmierung, Informatik und Mathematik zu tun hatten.

• Meinem Bruder Mirko, der die gesamte Arbeit korrigierte und von sämtlichen Rechtschreibfehlern und sprachlichen Ungetümen befreite.

• Meinen Eltern für die moralische und — vor allem — die finanzielle Unterstützung während meines gesamten Studiums.

III

Inhaltsverzeichnis

1  Einleitung  1

1.1  Pharmazeutische Wirkstoffentwicklung  1

1.1.1  Physiologische Funktion der Wirkstoffe  2

1.1.2  Rezeptor- und ligandenbasierte Wirkstoffentwicklung  4

1.2  Grenzen der Berechenbarkeit  6

1.3  Biomolekulare Datenbanken  9

1.4  Ziel dieser Arbeit  11

2  Relibase und Cavbase  13

2.1  Relibase  13

2.2  Mangelnde Selektivität und Nebenwirkungen  15

2.2.1  Früherkennung mangelnder Selektivitäten  16

2.3  Funktionsweise von Cavbase  18

2.3.1  Algorithmisches Vorgehen  19

2.3.2  Modellierung der Bindetaschen durch Pseudozentren  21

3  Vergleichsstrategien  24

3.1  Vergleichsalgorithmen für putative Proteinbindestellen  24

3.2  Graph-Alignment via GreedyMatch  29

4  Erweiterungen der Bindestellenrepräsentation  32

IV

Inhaltsverzeichnis

4.1  Der „Patch“-Begriff  33

4.2  Multiple Eigenschaften  33

4.2.1  Berechnung eines Patchvektors  34

4.3  Oberflächenschwerpunkt  37

4.4  Oberflächenbeschaffenheit  38

4.4.1  Bestimmung der Oberflächenbeschaffenheit durch das Pseu-  

dozentrum  und den Patch-Schwerpunkt  39

4.4.2  Hauptkomponentenanalyse  40

4.4.3  Durchführung einer wPCA  44

4.4.3.1  Kovarianzmatrix  45

4.4.3.2  Transformation der Ausgangsdaten  46

4.4.4  Bestimmung der Oberflächencharakteristik  48

4.5  Zusammenfassung  52

5  Ergebnisse  53

5.1  Auswertung der heuristischen Methode  53

5.2  Gewichtete Hauptkomponentenanalyse (wPCA)  54

5.2.1  Testdatensatz  54

5.2.2  Leave-One-Out-Kreuzvalidierung  56

5.2.3  Durchführung der Validierung  56

5.2.4  Ergebnisse  57

5.2.4.1  Alternative Bindestellenrepräsentation und neue  

Parametrisierung  der Patchvergleiche  58

5.2.4.2  Berücksichtigung der Krümmungsintensität  60

5.2.4.3  Alternative Scoringfunktion und neuer Vektorver-  

gleich   65

6  Diskussion  68

V

Inhaltsverzeichnis

6.1  Patchvektoren  68

6.2  Scoringfunktion und Vergleich der Patchvektoren  69

6.3  Oberflächenschwerpunkt  70

6.4  Oberflächenform  70

7  Ausblick  73

7.1  Revalidierung der Bindetaschenatome  73

7.2  Patchvektoren  74

7.3  Oberflächenform  75

7.3.1  Lokale Konvexitäts- und Konkavitätsscores  76

7.3.2  Anpassung des Parameters δ  78

7.4  Implementierung in anderen Vergleichsverfahren  78

A  7  9

A.1  Parser für Cavbase-Dateien  79

A.1.1  Pseudozentren  80

A.1.2  Oberflächenpunkte  81

A.2  Anpassungen von Java-Klassen  82

A.2.1  Coords.java  84

A.2.2  ProductGraph.java  85

A.2.3  ClassicEvaluation.java  86

Literaturverzeichnis   90

VI

Kapitel 1

Einleitung

1.1 Pharmazeutische Wirkstoffentwicklung

Biochemische Prozesse in einzelnen Zellen oder Organismen werden normalerweise durch molekulare Interaktionen und Erkennungen zwischen verschiedenen Molekülen bzw. Makromolekülen gesteuert. Durch das Zusammenwirken mehrerer Moleküle entstehen zum Teil sehr lange kaskadenartige Signalwege, die des Öfteren bereits durch Fehlen oder Veränderung eines Teilnehmers der Wirkungskette gestört werden können. Das Ziel des pharmazeutischen Wirkstoffdesigns ist es, einen neuen Wirkstoff (Ligand) zu entwickeln, der spezifisch an ein Zielmolekül (engl. Target) oder eine Gruppe von Targets bindet und somit eine oder mehrere Rezeptor-Ligand-Interaktionen gezielt beeinflusst. Ebenso ist auch die Entwicklung von Molekülen zu einem anderen Zweck denkbar, beispielsweise um die Substratbindestellen von Enzymen zu blockieren. Diese Interferenz kann dabei einerseits einem kurativen Zweck wie etwa der Heilung von Krankheiten oder der Linderung derer Symptome dienen und andererseits einem präventiven. Die Selektivität

1

Kapitel 1 Einleitung 1.1 Pharmazeutische Wirkstoffentwicklung

eines Wirkstoffs in Bezug auf das designierte Target ist dabei von ausgesprochener Wichtigkeit, da anderenfalls auch weitere Signalwege unbeabsichtigt verändert werden könnten, was mitunter schwerwiegende Auswirkungen auf den betroffenen Organismus haben kann. Diese Arten von unplanmäßigen Reaktionen eines biologischen Rezeptors auf den verabreichten Wirkstoff werden als „unerwünschte Arzneimittelwirkungen“ oder allgemein als „Nebenwirkungen“ bezeichnet.

1.1.1 Physiologische Funktion der Wirkstoffe

Die Wirkung, die ein Arzneistoff im Körper entfaltet, besteht oft in einer Konformationsänderung des Targetmoleküls (allosterische Hemmung) oder der Blockierung des aktiven Zentrums (Bindestelle), das üblicherweise mit einem herkömmlichen, körpereigenen Stoff in Interaktion tritt (kompetitive Hemmung). In beiden Fällen wirkt der Arzneistoff als Inhibitor einer im Organismus oder in der Zelle ablaufenden Signalkaskade (Abb. 1.1). Aus Gründen der Verträglichkeit werden gewöhnlicherweise Liganden gesucht, die nicht-kovalent und damit reversibel an ein Targetmolekül binden.

Abbildung 1.1: Illustration zur Wirkungsweise eines Arzneistoffs. Die Interaktion von zwei oder mehr Proteinen führt zum physiologischen Effekt im Körper. Durch die Unterbrechung des

Signalwegs wird dieser Effekt abgeschwächt oder komplett eliminiert.

Beim Design eines neuen Wirkstoffs wird zudem große Aufmerksamkeit auf die Optimierung der so genannten ADMET-Eigenschaften gelegt. Hierbei wird versucht, die molekularen Eigenschaften in Bezug auf Aufnahme, Distribution, Meta-

2

Kapitel 1 Einleitung 1.1 Pharmazeutische Wirkstoffentwicklung

bolismus, Exkretion und Toxizität zu verbessern. Ein guter Arzneistoff wird demnach vom Körper einfach aufgenommen (idealerweise durch orale Einnahme), verteilt sich umgehend, um schnell zu seinem Wirkungsort zu gelangen, beeinflusst den Stoffwechsel nicht auf negative Weise, wird vom Körper einfach abgebaut und ausgeschieden und entfaltet keine toxischen (giftigen) Eigenschaften. Ein de novo Design-Ansatz, bei dem versucht wird, ein völlig neues Molekül zu konstruieren, das nicht von bereits bekannten Liganden abgeleitet ist, gestaltet sich auch aus diesem Grund besonders schwierig, da keine bereits optimierten ADMET-Eigenschaften von einem Templatemolekül übernommen werden können. Zudem hat es sich im Wirkstoffdesign etabliert, die so genannten rule of five (Lipinski et al., 2001) zu beachten, um eine möglichst hohe drug-likeness des entwickelten Moleküls zu erreichen. Um diesen Regelsatz verstehen zu können, soll zunächst der Wasserstoffbrücken-Begriff kurz erläutert werden. Wasserstoffbrückenbindungen (oder kurz „H-Brücken“) sind nicht-kovalente Bindungen zwischen so genannten dipolaren Molekülen unter der Beteiligung von Wasserstoffatomen. Ein sehr gutes Beispiel für H-Brücken findet sich bei den Wassermolekülen (H 2 O). Dies sind Dipolmoleküle mit ungleicher Ladungsverteilung. Es existieren daher Bereiche ne-gativer Teilladung δ − und positiver Teilladung δ + (Abb. 1.2). Demzufolge können die sehr elektronegativen Sauerstoffatome schwache nicht-kovalente Bindungen mit den positiv geladenen Wasserstoffatomen eines Nachbarmoleküls eingehen. Das Sauerstoffatom wird dabei als Wasserstoffbrückenakzeptor und das Wasserstoffatom als Wasserstoffbrückendonor bezeichnet.

Die rule of five besagen nun, dass das entwickelte Molekül nur dann ein guter Arzneistoff werden kann, wenn es nicht mehr als zwei der folgenden Merkmale besitzt:

• Molekulargewicht über 500 Dalton

3

Abbildung 1.2: Wasserstoffbrückenbindung zwischen zwei Wassermolekülen. Wassermole-

küle bilden Dipole mit ungleicher Ladungsverteilung (δ − und δ +). Die negativ geladenen Sauerstoffatome können nicht-kovalente Bindungen mit den positiv geladenen Wasserstoffatomen

eines anderen Wassermoleküls eingehen. Quelle: http://de.wikipedia.org.

• hohe Lipophilie, was eine gute Löslichkeit in Fetten und Ölen besagt (clogP > 5)

• mehr als 5 Wasserstoffbrückendonoren

• mehr als 10 Wasserstoffbrückenakzeptoren

Die Regeln wurden von LIPINSKI, einem Mitarbeiter des Pharmaunternehmens Pfizer, postuliert und erhielten ihren Namen dadurch, dass jede Regel ein Vielfaches der Zahl 5 beinhaltet.

1.1.2 Rezeptor- und ligandenbasierte Wirkstoffentwicklung

Generell gibt es zwei grundsätzliche Ansatzpunkte für wissensbasierte Wirkstoffentwicklung, anhand derer ein Wirkstoffentwicklungsprozess durchgeführt werden kann: rezeptorbasierte Ansätze und ligandenbasierte Ansätze. Bei ersterem stellt die aktive Stelle des Rezeptors die Grundlage für den Entwicklungsprozess dar. Ein Ligand, der einen entsprechenden Komplex mit dem Rezeptormolekül bildet, ist dabei meist nicht bekannt. Abbildung 1.3 zeigt einen Designzyklus, der Ende der

4

Kapitel 1 Einleitung 1.1 Pharmazeutische Wirkstoffentwicklung

90er Jahre für die rezeptorbasierte Wirkstoffentwicklung konzipiert wurde (Boyd, 1998; Martin et al., 1999).

Abbildung 1.3: Allgemeiner Ansatz zum rezeptorbasierten Ligandendesign. Ausgehend von einer bekannten Rezeptorstruktur werden mögliche Liganden vorgeschlagen. Nach der Synthe-

se und biologischen Testung wird von erfolgreichen Inhibitorkandidaten eine Rezeptor-Ligand-

Struktur ermittelt, die als Startpunkt für den nächsten Designzyklus dient. Quelle: Gohlke, 2000.

Rezeptor und Ligand sollen nach einem erfolgreichen Moleküldesign einen Komplex bilden, der energetisch günstiger ist, als es Rezeptor und Ligand in ihrer unge-bundenen Form sind. Bereits 1873 formulierte WILLARD GIBBS dies als Änderung

der freien Energie ΔG und stellte seine allbekannte Energiegleichung

ΔG = ΔH − T ΔS

auf, wobei ein negativer Wert für ΔG eine spontane Komplexierung der beiden Moleküle bedeutet. ΔG ist also abhängig von der Änderung der Enthalpie H, der Temperatur in Kelvin T und der Änderung der Entropie S.

Im Falle eines bekannten Liganden zu einem Rezeptor erscheint es daher sinnvoller zu versuchen, nach dessen Vorbild einen neuen Liganden mit stärkerer Bindungsaffinität und größerer Selektivität zu entwickeln. Ansätze des molekularen Designs,

5

Kapitel 1 Einleitung 1.2 Grenzen der Berechenbarkeit

die auf dieser Idee basieren, bilden die zweite große Klasse der Arbeitsmethoden im Wirkstoffdesign. Sie werden als „ligandenbasiert“ bezeichnet. Eines der größten Probleme beider Arbeitsmethoden stellt der induced fit bei der Komplexbildung zweier Moleküle dar. Sowohl Rezeptor als auch Ligand können sich dabei in ihrer Konformation verändern und somit ein neuartiges, unvorhersagbares Gebilde formen. Abgesehen davon, kann ein induced fit sogar solch große Formveränderungen bewirken, dass während der Bindung eines Liganden an einen Rezeptor eine neue Bindetasche für ein weiteres Ligandenmolekül entsteht. Beobachtet wurde dies beispielsweise bei der Bindung des antiproliferativ wirkenden Wirkstoffs Monastrol an das Kinesin-Spindel-Protein. Während der Komplexierung dieser beiden Moleküle bildet sich eine neue Bindetasche für ADP sowie ein Magnesium-Ion (Schneider und Baringhaus, 2008).

1.2 Grenzen der Berechenbarkeit

Neben dem oben angesprochenen Phänomen des induced fit gibt es noch viele weitere große Herausforderungen, die an ein erfolgreiches Wirkstoffdesign gestellt werden. Eines dieser Probleme stellt die bioaktive Konformation eines Moleküls dar.

Obwohl anzunehmen ist, dass sich ein Molekül normalerweise genau in der Kon-formation befindet, die dessen globales Energieminimum darstellt, belegen diverse Untersuchungen, dass die bioaktive Konformation eines Liganden, die mit dem Re-zeptor in Interaktion tritt, häufig von diesem globalen Minimum abweicht. Ebenso wurde festgestellt, dass die räumliche Struktur zweier Partnermoleküle eines Rezeptor-Ligand-Komplexes mitunter stark von den beobachteten Kristallstrukturen der ungebundenen Moleküle differiert (Boström, 2001; Boström et al., 2003;

6

Kapitel 1 Einleitung 1.2 Grenzen der Berechenbarkeit

Vieth et al., 1998; Boström et al., 1998; Kirchmair et al., 2005; Nicklaus et al., 1995; Perola und Charifson, 2004; Sadowski und Boström, 2006). Das Problem dieser Limitation der Berechenbarkeit physikalischer Gesetzmäßigkeiten, welches insbesondere beim computergestützten Wirkstoffdesign von großer Bedeutung ist, erkannte PAUL DIRAC bereits in den späten 20er Jahren des 20. Jahrhunderts:

The underlying physical laws necessary for the mathematical theory of a large part of physics and the whole of chemistry are thus completely known, and the difficulty is only that the exact application of these laws leads to equations much too complicated to be soluble. (Dirac, 1929) Diese Schwierigkeit der ab initio-Verfahren, die DIRAC seinerzeit beschrieb, bestimmt noch bis heute grundlegend die Verfahren der molekularen Wirkstoffentwicklung. Methoden zur Entwicklung von idealen Wirkstoffmolekülen bleiben für Mediziner und Pharmazeuten demzufolge weiterhin eine Utopie. Vielmehr geht es heute darum, wissensbasierte Ansätze zu erarbeiten, bekannte Informationen von beteiligten Prozessen und Molekülen zusammen zu tragen und sich diese für die Entwicklung von neuen Molekülstrukturen oder auch die Optimierung von bereits existierenden Wirkstoffen zu Nutze zu machen. Natürlich sind Computersysteme sehr gut für das molekulare Design und die automatisierte Generierung neuer Moleküle durch Fragmentbibliotheken wie etwa RECAP (Lewell et al., 1998) geeignet, jedoch stoßen sie bei den großen Problemen der multidimensionalen Optimierung und den damit verbundenen hohen Berechnungskosten schnell an ihre Grenzen. Das Problem der multidimensionalen Optimierung kann als eine Gleichung der Art f (p) = w 1 p 1 + w 2 p 2 + . . . + w n p n

verstanden werden, wobei w i der i-te Gewichtsfaktor und p i die i-te Zieleigenschaft der Gesamtlösung ist (Schneider und Baringhaus, 2008). Es ist sehr schwierig, die

7

Kapitel 1 Einleitung 1.2 Grenzen der Berechenbarkeit

optimalen Gewichtsfaktoren für jeden Zielwert zu ermitteln. Lösungen dieser Gleichung lassen sich auch als Stellen auf der Paretogrenze des Suchraums verstehen. Aus diesen Gründen haben sich im Laufe der Zeit viele approximative Methoden entwickelt, die vor allem große Moleküle nicht in ihrem hochkomplexen Aufbau mit allen Atomen und Bindungen abbilden, sondern lediglich als ein abstraktes Modell, das jedoch weiterhin genau die physikochemischen Eigenschaften beinhaltet, die für den Prozess der Wirkstoffentwicklung von größter Bedeutung sind. Ein Beispiel für diese Vorgehensweise ist das so genannte Pharmakophorkonzept (Ehrlich, 1909). Das ursprüngliche Molekül wird hierbei durch eine Menge von Sphären repräsentiert, die Aussagen über die physikochemischen Eigenschaften der verschiedenen Molekülbereiche treffen. Eine Illustration eines solchen Pharmako-phormodells zeigt Abbildung 1.4.

Abbildung 1.4: Beispiel eines Pharmakophormodells. Das Molekül wird durch eine Menge von Sphären, welche die Schwerpunkte bestimmter biochemischer Eigenschaften beschrei-ben, approximiert. Die Farben und Größen der Sphären geben an, um welche Art von Ei-

genschaften es sich handelt und wie stark diese exprimiert sind. Quelle: http://www.cup.uni-

muenchen.de/ph/aks/wanner/newhome/Forschung/Modeling, 07.06.2010.

Oftmals wird das Pharmakophorprinzip beim ligandenbasierten Moleküldesign eingesetzt. Nach Vorgabe des bekannten Liganden wird ein Pharmakophormodell er-

8

Kapitel 1 Einleitung 1.3 Biomolekulare Datenbanken

zeugt, das im weiteren Verlauf des Entwicklungsprozesses als Vorlage (engl. Template) für die neue Molekülstruktur dient.

1.3 Biomolekulare Datenbanken

Das einzige Sichtfenster in die Welt der molekularen Wechselwirkungen sind bekannte Rezeptor-Ligand-Komplexe. Informationen über die zugehörigen Anordnungen der beteiligten Atome im Raum liefern die NMR-Spektroskopie (von engl. nuclear magnetic resonance) und die Proteinkristallographie (Clore und Gronen-born, 1991; Wüthrich, 1986; Chayen et al., 1996; Drenth, 1999; Glusker et al., 1994). Bekannte Konformationen und andere Informationen zu biochemischen Strukturen werden für gewöhnlich in biomolekularen Datenbanken abgelegt. In solchen Datenbanken befinden sich bereits jetzt sehr viele Informationen jeglicher Art und die Entwicklung der vergangenen Jahre zeigt, dass mit einem immer schnelleren Zuwachs an veröffentlichten Daten zu rechnen ist. Am Beispiel der RCSB Protein Data Bank (PDB), einer Datenbank für 3D-Strukturdaten von Proteinen und Nukleinsäuren, lässt sich belegen, dass die Gesamtmenge der gespeicherten Strukturen von Jahr zu Jahr um einen ansteigenden Beitrag wächst; das Wachstum der PDB ist exponentiell (Abb. 1.5).

Es werden demzufolge Methoden benötigt, um die Informationen, die sich in diesen erworbenen Daten verbergen, auch für andere Wissenschaftler zugänglich zu machen. Die Informationen, die aus den gespeicherten Daten gewonnen werden sollen, unterscheiden sich hierbei stark anhand der zugrunde liegenden Problemstellung. Im Laufe der Zeit haben sich viele verschiedene Datenbanken entwickelt, in denen erworbenes Wissen jeglicher Art abgelegt wurde. Bezüglich ihres Verwendungszwecks sind Informationen in den jeweiligen Systemen bereits in gewisser Weise

9

Abbildung 1.5: Entwicklung des Inhalts der Protein Data Bank (PDB). Am Beispiel dieser biomolekularen Datenbank ist deutlich zu erkennen, dass die Anzahl aufgeklärter Proteinstruktu-ren exponentiell ansteigt. Quelle: http://www.rcsb.org/pdb, 07.06.2010.

vorsortiert. Die folgende Auflistung zeigt einige Beispiele dieser zweckorientierten Datenbanken (Schneider und Baringhaus, 2008):

• WDI (World Drug Index) von Derwent Information London, UK. Enthält über 80.000 pharmazeutische Verbindungen aller Entwicklungsstufen.

• MDDR (Drug Data Report) von MDL Information Systems, USA. Enthält eine Zusammenstellung von mehr als 180.000 Strukturen und Aktivitätsdaten von Verbindungen aus den frühen Stufen der Wirkstoffentwicklung.

• CMC (Comprehensive Medicinal Chemistry database) von MDL Information Systems, USA. Enthält über 8.000 Strukturen und Eigenschaften von Wirkstoffmolekülen.

Ergänzt werden empirisch erworbene Daten durch zusätzliche hypothetische Molekülstrukturen, die mit Techniken der Homologiemodellierung berechnet wurden (Burley et al., 1999; Rost, 1998).

10

Kapitel 1 Einleitung 1.4 Ziel dieser Arbeit

1.4 Ziel dieser Arbeit

Neben weiteren biomolekularen Datenbanken wurde auch ein System namens Relibase (Hendlich et al., 2003) geschaffen. Relibase wurde speziell für die Analyse von Protein-Ligand-Komplexen entwickelt. Mit diesem System können sowohl Sequenzmuster in Proteinen gesucht als auch Konnektivitäten der gebundenen niedermolekularen Liganden verglichen werden. Die Datenbank nimmt automatisch eine Überlagerung von Proteinen vor, wobei sie sich um eine optimale Überlagerung der Bindetaschen bemüht. So ausgerichtete Strukturen lassen sich systematisch dahingehend auswerten, welche Aminosäuren in die Wechselwirkungen mit Liganden einbezogen sind, welche funktionellen Gruppen die Liganden verwenden, um mit den Aminosäuren des Proteins zu interagieren, welche Reste in der Bindetasche immer wieder in identischer Geometrie vorliegen und vieles mehr (Klebe, 2009). Ein in die Datenbank Relibase implementiertes Suchprogramm namens Cavbase ermöglicht darüber hinaus Vergleiche von putativen Bindetaschen der enthaltenen Proteine. Auf diese Weise sollen mögliche Kreuzreaktivitäten von neuen Wirkstoffen erkannt werden und Vorschläge für einen denkbaren isosteren Ersatz bei der strukturbasierten Optimierung erster Leitstrukturen vermittelt werden können. Darüber hinaus kann durch diese Vergleiche eine Klassifikation von Rezeptorstrukturen erreicht werden.

Ziel der vorliegenden Arbeit ist es, diese Bindetaschenvergleiche des Cavbase-Moduls zu optimieren. Die Repräsentationen der Bindestellen, die als Eingaben für die Vergleichsalgorithmen dienen, werden dafür in Bezug auf ihre physikochemischen Eigenschaften unschärfer erfasst. Dadurch sollen abstrakte Taschenvergleiche gelingen, die weitreichendere Strukturähnlichkeiten zwischen Bindetaschen erkennen können, als es bisher möglich war.

11

Kapitel 1 Einleitung 1.4 Ziel dieser Arbeit

Außerdem wird die räumliche Struktur (Konvexität bzw. Konkavität) einzelner Oberflächenbereiche in die Vergleiche miteinbezogen. Die dreidimensionale Form von Bindetaschenregionen wurde bislang noch nicht von den Vergleichsalgorithmen bewertet, sondern nur durch eine nachträgliche Filterung der Ergebnisse berücksichtigt. In der Vergangenheit wurden bereits einige Filterungsansätze im Rahmen des Wirkstoffdesigns entwickelt, welche die äußere Form von Molekülen als wichtiges Ähnlichkeitskriterium betrachten. Beispiele sind die Software ROCS (von engl. Rapid Overlay of Chemical Structures) für 3D-Molekülalignments (Rush et al., 2005) sowie Shapelets (Proschak et al., 2007) zum formbasierten virtual screening von Molekülen. Es soll deshalb untersucht werden, ob sich die Ergebnisse durch diese Erweiterung der Vergleichsalgorithmen verbessern lassen. Krümmungen der Oberfläche werden dabei anhand einer gewichteten Hauptkomponentenanalyse ermittelt.

12

Kapitel 2

Relibase und Cavbase

2.1 Relibase

Das System Relibase wurde in einer Kooperation des Instituts für pharmazeutische Chemie an der Philipps-Universität Marburg und des Cambridge Crystallographic Data Centre (CCDC) entwickelt. Relibase ist ein Datenbanksystem zur Speicherung und Analyse von dreidimensionalen Protein-Ligand- sowie Protein-Protein-Komplexen aus der RCSB Protein Data Bank (PDB) (Berman, 2000). Abbildung 2.1 zeigt ein Beispiel der webbasierten Benutzeroberfläche der kostenfreien Version von Relibase (Hendlich, 1998; Bergner et al., 2001-2002; Hendlich et al., 2003). Zusätzlich zu diesen Informationen beinhaltet die erweiterte Version Relibase+ das Modul Cavbase. Zweck dieses Moduls ist es, Informationen über putative Bindestellen eines Proteins erhalten zu können und darüber hinaus funktionell ähnliche Proteine unabhängig von ihrer Aminosäuresequenz und ihrem Faltungsmuster, welches die dreidimensionale Struktur der Aminosäuresequenz beschreibt, zu identifizieren.

13

Abbildung 2.1: Benutzeroberfläche der kostenlosen Version von Relibase. Neben einem 3D-Viewer für Proteine bietet Relibase viele weitere Informationen zu Liganden, Proteinketten oder

beteiligten Wassermolekülen an.

14

Kapitel 2 Relibase und Cavbase 2.2 Mangelnde Selektivität und Nebenwirkungen

Bekräftigt wird dieser dreidimensionale Ansatz durch Untersuchungen, in denen gezeigt werden konnte, dass eine strukturelle Ähnlichkeit von Proteinen oft mit sequenzieller Ähnlichkeit einhergeht, die gegensätzliche Behauptung aber keinesfalls mit ähnlich hoher Wahrscheinlichkeit zutrifft (Thornton et al., 2000). Funktionelle Ähnlichkeit, die durch eine ähnliche Anordnung bestimmter chemischer Gruppen im Raum hervorgerufen wird, geht nicht notwendigerweise mit einer sequenziellen Ähnlichkeit einher (Gibrat et al., 1996).

2.2 Mangelnde Selektivität und Nebenwirkungen

Wie bereits erwähnt, besteht das große Ziel bei der Arzneistoffsuche darin, einen möglichst bindungsaffinen und selektiven Liganden für eine bestimmte Rezeptorstruktur zu entwickeln. Ein Ligandenmolekül ist genau dann äußerst selektiv für einen Rezeptor, wenn es nahezu ausschließlich mit dieser dafür vorgesehenen Re-zeptorstruktur interagiert. Die mangelnde Selektivität eines Liganden bezüglich seines Rezeptors kann sich im Anschluss an seine Verabreichung in Form von starken Nebenwirkungen beim Patienten manifestieren, da die Kreuzreaktivitäten des Wirkstoffs mit anderen Proteinen zu unvorhersehbaren Reaktionen führen können. Ein bekanntes Beispiel, das diese Problematik auf verheerende Weise deutlich machte, war der Contergan-Fall im Jahr 1962. Contergan war ein leichtes Hypnotikum, das zum Einschlafen verwendet wurde. Bei der Synthese des Wirkstoffs ging eine gewisse räumliche Information verloren, wodurch zwei Arten von Molekülen entstanden, die sich zueinander wie Bild und Spiegelbild verhielten (so genannte „Enantiomere“). Bis zum Auftreten der Katastrophe nahm man an, dass nur das „richtige“ Enantiomer mit dem Rezeptor wechselwirkte und so die gewünschte Wirkung hervorrufte, das andere Isomer aber wirkungslos sei. Bei Contergan wirkte jedoch das unerwünschte Isomer, das nicht an den Rezeptor im zentralen Nerven-

15