Логотип журнала "Провизор"








Молева В. И.

Прогноз биологической активности в ряду производных хинолиния на основе выявления связей «химическая структура — противомикробная активность — токсичность» в вычислительном эксперименте

Харьковский НИИ микробиологии и иммунологии им. И. И. Мечникова

Проблема противомикробных средств (как антибиотиков, так и препаратов иного происхождения) постоянно привлекает внимание исследователей разнообразных отраслей науки и практики. Нарастающая потребность в лекарственных и профилактических препаратах такого направления в настоящее время определяется, прежде всего, выраженной изменчивостью микроорганизмов, формированием и широким распространением лекарственноустойчивых их вариантов, повышением роли грамотрицательной микрофлоры и ассоциаций микробов в инфекционной патологии, общим нарушением экологических связей и интенсивным загрязнением внешней среды, а также выраженной аллергизацией населения, ограничивающей применение существующих препаратов, нарушением функций иммунной системы и защитных барьеров организма, обуславливающих активизацию эндогенной микрофлоры.

В настоящее время уже известно более 6 миллионов химических соединений (ХС) с противомикробным действием, их количество значительно превышает возможность изучения и всестороннего анализа их биологического действия, расстояние между фактом появления новых соединений, синтезированных для нужд промышленности или полученных попутно, и объемом информации об их биоактивности на разных уровнях организации живой материи с каждым годом увеличивается. Поиск соединений направленного действия необходимо производить целенаправленно, и одним из перспективных и рациональных направлений в этом является применение методов скрининга биологически активных соединений (БАС) на основе анализа связей «структура—активность» (ССА) с помощью вычислительной техники [1, 2, 4, 6]. Связь между структурой и активностью является фундаментальной характеристикой действия БАС в связи с тем, что от их молекулярной структуры зависит совокупность параметров [7], обеспечивающих способность вещества проникать в организм (или клетку) и его транспорт к месту воздействия, избегать связывания и накопления в инертных компонентах, противостоять воздействию разлагающих ферментов, взаимодействовать с рецепторами, что определяет степень и направленность биологического действия.

Для моделирования ССА с целью поиска новых противомикробных средств использован вычислительный эксперимент [2]. В его основе лежит принцип самоорганизации моделей на ЭВМ, согласно которому осуществляется целенаправленный перебор постепенно усложняющихся структур моделей и их отбор по ряду целесообразных эвристических критериев [3, 10]. Отбор, оценка и использование достоверных параметров, определяющих направленность биологической активности ХС, осуществляется на базе предварительных сведений об их антимикробном действии. Способ, с помощью которого реализуется принцип самоорганизации моделей на ЭВМ, известен как метод группового учета аргументов (МГУА). Группа переменных для МГУА содержит физико-химические свойства соединений, метрические характеристики молекулярного графа, соответствующего конкретному химическому веществу, аргументами также является масса гетероатома азота и молекулярные массы анионов. Структурные формулы ХС представлены графами. Поскольку метрические характеристики графов являются функцией от параметра графа и расстояния между его вершинами, они хорошо и более стабильно проявляются в молекулярных графах посредством наличия в них большого числа связей в сравнении с количеством атомов в молекулярных структурах.

По методу МГУА совокупность выходных данных разбивается на три группы (выборки): обучающую, контрольную и экзаменационную. На данных обучающей выборки строятся модели-претенденты, с помощью контрольной группы ведется отбор оптимальных в соответствии с критерием моделей, а экзаменационная выборка позволяет доказать адекватность полученной модели. Для формирования выборок и создания моделей-претендентов применяются алгоритм логико-структурного анализа и методы теории графов [7, 8]. Разработка модели ССА используется для прогнозирования свойств еще не исследованных соединений. На основе полученных прогнозов можно оценить возможность компактного описания логических правил, используемых для решения конкретной задачи. Таблицы решений также позволяют определить следующие шаги в изучении свойств ХС, при этом появляется возможность сформулировать рекомендации по синтезу ХС направленного действия.

В данной работе использована методика проведения вычислительного эксперимента по прогнозированию свойств потенциальных противомикробных средств в ряду гетероциклических соединений — производных хинолиния. Известно, что производные хинолиния проявляют выраженную биологическую и фармакологическую активность наряду со сравнительно низкой токсичностью [5, 9]. Доказано наличие противомикробной активности у этих соединений, а их высокая реакционная способность и возможность практически неограниченных структурных модификаций в их рядах подчеркивает огромные потенциальные возможности новых синтезов и целенаправленного поиска соединений среди них на основе математического моделирования зависимости «структура—активность—токсичность».

Группа ХС из 456 хинолиновых производных была предварительно изучена по активности в отношении 5 тест-культур бактерий и грибов. Соединения проявили антистафилококковую и антикандидозную активность, влияние на кишечную, синегнойную и протейную палочки оказалось менее выраженным. Данные этих экспериментальных исследований обработаны с помощью алгоритма ЛСА. Соединения описывались 12 параметрами, среди которых было 8 кодов фрагментов структуры, а также молекулярная масса, температура плавления, характеристики растворимости и др. Противомикробная активность представлена МЗК, и критерии активности варьировали по четырем условным уровням соответственно для стафилококков и кандид 1,0-15,6-125-250 мкг/мл, для кишечных, синегнойных и протейных палочек 3,9-32,2-500-1000 мкг/мл. Размеры и соотношение обучающих и контрольных выборок было различным. В результате отбирались лишь те «признаки-предрассудки», для которых вероятностная оценка, учитывающая количество активных и неактивных ХС в обучающей и контрольной выборках превышала определенные пороговые значения.

Выделенные признаки активности дали возможность отобрать 116 соединений (группа Х2) производных хинолиния для дальнейших исследований. Применение ЛСА для этой группы с теми же самыми исходными данными и критериями позволило выявить признаки активности, представленные в таблице 1. В проведении расчетов использованы параметры структуры согласно данным таблиц [2].

Таблица 1. Признаки противомикробной активности производных хинолония

Тип активности

№ признака

Порог активности

Порог вероятности

Описание признака

Kласс

Стафилококки 1 1,0 0,75 R1= 6 - CH3 Активн.
2 1,0 0,83 R1 = NOC2H4OHO2& R7=0& R4 = CH3& R8 = 0 Активн.
3 1,0 0,83 R3 = NOC2HBrO2& R7=0& R4 = CH3& R8 = 0 Активн.
4 2,0 0,95 R6 = 0 Активн.
Kишечные палочки 1 2,0 0,8 R1 = 6 - OH Активн.
2 2,0 0,8 R3 = O&R4 = O &R7 = NOC2H4 ClO2& R8=H Активн.
3 2,0 0,89 R3 = NOC2H4OHO2&R7=0
&R4 = CH3&R8 = 0
Активн.
Синегнойные палочки 1 2,0 0,86 R1 = 5, 6 бензо Активн.
2 2,0 0,83 R5 = J Активн.
3 2,0 0,86 R3 = NOC2H4OHO2& R7=0& R4 = CH3& R8 = 0 Активн.
4 2,0 0,83 R6 = 0 Неактив.
Протей 1 2,0 0,76 R1 = 5, 6 бензо Активн.
2 2,0 0,73 R5 = J Активн.
3 2,0 0,8 R3 = NOC2HBrO2& R7=0& R4 = CH3& R8 = 0 Активн
Kандиды 1 2,0 0,8 R1 = H Неактив.
2 1,0 0,95 R6 = 0 Неактив.

На основе указанных признаков исследованы новые ХС, в том числе и целенаправленно синтезированные, которые вошли в группу Х3 (около 36 соединений). Лабораторное изучение этой группы производных хинолиния полностью подтвердило прогноз противомикробной активности в отношении грамположительных микробов, грамотрицательных бактерий и кандид. Дополнительно противомикробная активность этих соединений изучалась в отношении энтеробактерий, псевдомонад и антракоида. 16% препаратов исходной группы Х1 исследовали на острую токсичность, а у 9 из них определены эффекты кумуляции при различном способе введения препарата в организм животного. Несмотря на некоторую ограниченность групп, полученные данные позволили осуществить прогноз для неизученных по токсичности и кумулятивности ХС. Прогнозирование проведено с помощью МГУА. Результаты моделирования эффекта кумуляции для Х3 (производные хинолиния) приведены в таблице 2. Коды аргументов в таблице обозначают: 1-молекулярная масса соединения; 2-индекс Платта; 3-индекс Гордона-Скантлнбери; 4-индекс полной смежности; 5-индекс Загребской группы; 6-дисперсия графа; 7-индекс Винера; 8-средняя цепная дистанция вершины; 9-цепная компактность графа. Параметры расчетов использованы согласно таблиц, приведенных в [2].

Как показали эксперименты, разница между величинами изученных аргументов, характеризующих химическую структуру производных хинолиния, и обобщенными данными противомикробной активности в отношении грамположительных и грамотрицательных бактерий весьма существенна, и это еще раз подтверждает перспективность применения таких методов для прогнозирования биологической активности и возможности синтеза новых производных хинолиния с заданными свойствами. Проведенные исследования определяют возможность оптимизации элементов скрининга и поиска более эффективных противомикробных средств на основе высокопродуктивных и экономичных технологий исследования ХС, которые обеспечивают комплексный анализ потенциальных препаратов как лечебных, диагностических и профилактических средств. Использованная методика подготовки и проведения вычислительного эксперимента, направленного на выявление и анализ связей «химическая структура—биологическая активность—токсичность» на разных уровнях действия противомикробных средств увеличивает эффективность использования методов математического моделирования для решения актуальных задач биологии и медицины. На примере изучения структурно-функциональных связей в ряду производных хинолиния, включающего анализ топологических и конформационных характеристик и последующего сравнения с результатами биологического тестирования, показана универсальность метода и возможность его применения для изучения других видов активности и различных явлений, обусловленных межмолекулярным взаимодействием. Изучение молекулярной формы с помощью интегральных характеристик молекулы позволяет исследовать большие массивы соединений, устанавливать связи структура-функция и на основе их особенностей отбирать соединения для последующего детального анализа конформационных возможностей. Комплекс методов моделирования ССА на основе самоорганизации моделей на ЭВМ с использованием ЛСА и теории графов не только обеспечивает получение прогноза свойств потенциальных противомикробных средств, но и пригоден для изучения биологического действия различных по своим свойствам и назначению препаратов, которые используются в медицине, а также в целом для разрешения разнообразных проблем природоведения, техники, экологии, связанных с созданием веществ с заданными свойствами.

Таблица 2. Результаты моделирования эффектов кумуляции по алгоритмам МГУА

Способ введения вещества

Группа Индекс кумуляции Аргументы оптимальной модели
Фактические данные Расчетные значения
Подкожно Обуч. 43,6 81,3  
Обуч. 17,9 57,6  
Обуч. 91,6 97,5  
Обуч. 30,7 66,6 1,3
Обуч. 146,2 73,5 5,6
Обуч. 107,7 136,4 9
Kонтр. 146,1 107,0  
Экз. 69,2 90,7  
Прогр. 30,8 58,8  
В желудок Обуч. 65,4 57,8  
Обуч. 7,7 6,2  
Обуч. 50,8 62,6  
Обуч. 53,8 40,7 2,4
Обуч. 22,1 24,9 6,8
Обуч. 45,2 46,5 9
Kонтр. 35,6 35,4  
Экз. 26,9 35,9  
Прогр. 11,5 17,8  
Внутрибрюшинно Обуч. 30,7 56,3  
Обуч. 17,9 18,5  
Обуч. 120,0 115,3  
Обуч. 43,6 90,1 1,3
Обуч. 146,2 72,2 5,6
Обуч. 40,4 53,9 9
Kонтр. 107,7 66,2  
Экз. 69,2 82,7  
Прогр. 69,2 76,2  

 

Литература

  1. Волянский Ю. Л, Клиценко О. А. Комплексная оценка свойств потенциальных противомикробных соединений с использованием таблиц решений // Микробиол. журн.—1991.—53,3.—С. 30-80.
  2. Волянский Ю. Л., Лисняк Ю. В., Кучма И. Ю. и др. Компьютерное моделирование в поиске противомикробных средств. Принципы, подходы, методы. Харьков: Основа, 1994.165 с.
  3. Ивахненко А. Г. Непрерывность и дискретность. Переборные методы моделирования и кластеризации. — Киев: Наукова думка, 1990. — 224 с.
  4. Клиценко О. А.,Волянский Ю. Л., Поройков В. В. и др. Разработка и проведение вычислительного эксперимента по прогнозированию свойств потенциальных противомикробных средств. — Харьков,
    1991. — 56 с.
  5. Кучма И. Ю. Противомикробная активность и биологическое действие хиноацетилированных сахаров: Автореф. дисс. ...канд. мед. наук. — Харьков, 1995. — 27 с.
  6. Лисняк Ю. В. Структурные и термодинамические характеристики производных хинолина. Автореф. дис. ...канд. физ.-мат.наук. Харьков, 1992. — 16 с.
  7. Розенблит А. Б., Голендер В. Е. Логико-комбинаторные методы в конструировании лекарств. — Рига: Зинатне, 1983. — 352 с.
  8. Рувре Д. Следует ли заниматься разработкой топологических индексов // Химические приложения топологии и теории графов. М.: Мир, 1987. — С. 183-205.
  9. Шульга Н. Н. Противомикробная активность новых азот и серосодержащих многочленных гетероциклических соединений: Автореф. канд. ...биол. наук. — Харьков, 1992. — 24 с.
  10. Self-organizing methods in modeling: GMDH type algorithms / Ed. S. J. Farlow, New-York; Basel, 1984. — 350 p. (Statistics: Textbooks and monographs; vol. 54).




© Провизор 1998–2017



Грипп у беременных и кормящих женщин
Актуально о профилактике, тактике и лечении

Грипп. Прививка от гриппа
Нужна ли вакцинация?
















Крем от морщин
Возможен ли эффект?
Лечение миомы матки
Как отличить ангину от фарингита






Журнал СТОМАТОЛОГ



џндекс.Њетрика