Temario

Nuevas estrategias aplicadas al descubrimiento de fármacos.

Carga horaria: 80 hs totales.

A. Parte teórica:

Unidad 1. Introducción.

Día 1. Cambios en el paradigma en el modelo de desarrollo de nuevos fármacos determinados por: i) nuevas tecnologías disponibles, ii) avances de la genómica y la biología molecular, iii) desarrollo de la bioética, iv) la emergencia de la química verde v) escenario económico de la industria farmacéutica internacional. Oportunidades de aplicación de las nuevas metodologías en el escenario latinoamericano.

Unidad 2. Nuevas estrategias para la síntesis de fármacos.

Día 1. Síntesis asistida por microondas. Fenómeno de calentamiento por microondas. Mecanismo de polarización dipolar y mecanismo de conducción. Angulo de pérdida. Principales aplicaciones en química orgánica. Ejemplos.

Unidad 3. Receptores biológicos.

Día 1. Definición de receptores biológicos. Interacción fármaco-receptor. Naturaleza química de los receptores. Estructura de proteínas. Propiedades de los aminoácidos.

Día 2. Determinación experimental de la estructura de las proteínas: método de rayos X, resonancia magnética nuclear y microscopia electrónica. Enumeración de las bases de datos de macromoleculas. Análisis de la información que proveen.

Día 3. Métodos de predicción de la estructura de proteínas: métodos ab-initio y por modelado comparativo. Definiciones de identidad, similaridad y homología de secuencias. Algoritmos de alineamiento de secuencias. Matriz de puntos y programación dinámica. Matrices de sustitución y puntuación. Búsqueda de similaridad de secuencias en bases de datos.

Día 4. Modelado de la estructura terciaria de una proteína basado en la información existente: Modelado comparativo y modelado por reconocimiento de plegamiento o Threading.

Unidad 4. Diseño de fármacos basados en la estructura tridimensional del receptor

Día 1. Fuerzas intermoleculares responsables de la formación del complejo fármaco-receptor. Simulación del reconocimiento molecular fármaco-receptor mediante docking. Etapas de la simulación de complejos. Búsqueda de modos de unión entre ligando y receptor. Métodos de búsqueda de conformaciones: métodos sistemáticos, método de Monte-Carlo, algoritmos genéticos. Aproximaciones más usadas para tener en cuenta la flexibilidad del receptor. Funciones de puntuación para seleccionar complejos: funciones basadas en campos de fuerza y funciones empíricas.

Día 2. Programas de docking. Ventajas y limitaciones de los mas usados. Ejemplos de Screening virtual basado en docking. Docking de fragmentos para el diseño de novo de moléculas activas. Identificación de moléculas líder. Diseño de derivados de las moléculas líder. Ejemplos.

Día 3. Dinámica molecular. Definición. Hipótesis ergodica. Algoritmo general utilizado en Dinámica Molecular. Forma del campo de fuerza. Potenciales enlazantes y no enlazantes. Generalidades del calculo de fuerzas. Condiciones iniciales y actualización de configuraciones. Tratamiento del solvente. Uso de dinámica molecular para el diseño de fármacos. Cálculos de energías de interacción ligando-receptor. Ejemplos.

Unidad 5: Búsqueda racional de fármacos

Día 1. Introducción a la búsqueda racional de fármacos. ¿De qué hablamos cuando hablamos de “búsqueda racional”? Definición de tamizado virtual, clasificación, ventajas. Fundamentos para el desarrollo de máquinas de aprendizaje automático. Modelos QSAR. Ventajas y desventajas relativas de las metodologías QSAR 2D y 3D. Clasificadores. Ejemplos de aplicaciones recientes.

Unidad 6: Estudios QSAR

Día 1. Introducción a las relaciones cuantitativas estructura-actividad. Diseño de un set datos para desarrollar máquinas de aprendizaje automático.Breve reseña histórica de las metodologías QSAR. Descripción detallada de las etapas de un estudio QSAR. Diseño del conjunto de entrenamiento. Dominio de aplicabilidad. Criterios para definir el dominio de aplicabilidad. Neighborhood behavior. Coeficiente de Patterson.

Día 2. Modelado y validación, comparación de distintos modelos, selección de un valor de corte/valor umbral. Cálculo de descriptores moleculares. Selección del subconjunto de descriptores que mejor describe la propiedad de interés. Generación del modelo QSAR: regresión lineal múltiple, algoritmos genéticos, redes neuronales. Principio de parsimonia, principio de no redundancia. Validación interna y externa. Sobreajuste. Diagramas de Distribución Farmacológica. Comparación del desempeño de distintas metodologías. Curvas ROC y el problema del reconocimiento temprano.

Unidad 7: Perspectivas: filtros ADME, métodos combinados, drug repurposing

Día 1. Perspectivas del Tamizado Virtual. Metodologías combinadas. QSAR por consenso, fusión de datos. Inclusión de filtros ADME/Tox. Reglas de Lipinski y de Veber para biodisponibilidad oral. Generación de filtros ADME/Tox específicos. Uso del tamizado virtual para el reposicionamiento de fármacos basado en el conocimiento (knowledge-based drug repurposing, drug reprofiling). Breve discusión de otras aproximaciones racionales a la búsqueda de segundos usos (basadas en herramientas bioinformáticas y revisión bibliográfica de alta performance). Connectivity Map.

Unidad 8: Farmacorresistencia.

Día 1. Estudio de la Farmacorresistencia y el problema que acarrea en el diseño de fármacos anticancerigenos, antiepilépticos y anti HIV.

B. Parte experimental.

Parte experimental unidades 1-2:

Día 1. Calibración del horno microondas convencional. Determinación de las zonas de calentamiento. Determinación aproximada de temperatura alcanzada a cada potencia empleando sustancias líquidas y solidas. Comparación del calentamiento del microondas convencional con el reactor de microondas.

Día 2. Síntesis de N-Bencilmetil-2-hidroxiisobutilamida asistida por microondas. Comparación de los resultados respecto a la síntesis tradicional. Análisis de las ventajas de la síntesis en ausencia de solvente.

Parte experimental unidad 3:

Día 1. Uso de la base de datos Protein Data Bank para la obtención de estructuras tridimensionales de blancos moleculares utiles en el diseño de fármacos. Análisis de la información disponible. Visualización de estructuras 3D de

sistemas biológicos: descripción y uso de los programas Pymol y Chimera.

Día 2. Construcción de un modelo tridimensional del receptor d-opioide humano (cuya estructura 3D se desconoce). Obtención de la secuencia del target en Uniprot. Obtención de las secuencias template con Blast (mediante el programa Chimera como interfaz gráfica). Análisis del alineamiento con Chimera. Construcción de la estructura tridimensional con Modeller (mediante Chimera como interfaz gráfica). Análisis de la calidad del mejor modelo obtenido.

Parte experimental unidad 4:

Día 1. Uso del modelo 3D previamente obtenido para la simulación de la interacción ligando-receptor de un complejo desconocido (receptor d-opioide-naloxona). Docking utilizando el programa Autodock-Vina. Validación del programa de docking para el sistema utilizado. Análisis de los resultados. Análisis de la energía de unión y relación con la actividad encontrada. Simulación por dinámica molecular de un complejo ligando-proteína utilizando Chimera como interfaz gráfica del programa AMBER. Análisis de las interacciones con residuos específicos. Conclusiones.

Parte experimental unidades 5-7.

Uso de ChemOffice y Hyperchem para generar estructuras químicas. Descripción y uso del programa Dragon. Comparación del valor de descriptores 2D y 3D partiendo de distintas conformaciones iniciales. Cálculo de descriptores independientes de la conformación para un conjunto de estructuras de interés. Diseño de un conjunto de entrenamiento a partir conjunto de estructuras dadas. Verificación de diversidad estructural, definición de dominio de aplicabilidad. Cálculo de los índices independientes de la conformación del programa Dragon para el conjunto diseñado. Generación de una función discriminante. Generación de la matriz de correlación, definición de nivel de tolerancia. Validación de la función discriminante generada. Validación cruzada Leave Group Out. Ensayo de aleatorización de Fisher. Validación externa. Generación del Diagrama de Distribución Farmacológica. Construcción de una curva ROC. Selección del intervalo óptimo de valores de la función discriminante para aplicar en el Tamizado Virtual. Realización de un Tamizado Virtual de una pequeña base de datos. Aplicación de Regla de 5 de Lipinski.

Bibliografía de referencia:

  1. Talevi, A.; Castro, E. A.; Bruno-Blanch, L. E. Virtual Screening: An emergent, key methodology fro drug development in an emergent continent – A bridge towards patentability. En Advanced Methods and Applications in Chemoinformatics, Editorial IGI Global, Hershey, USA (2011).

  2. Talevi, A.; Bellera, C. L.; Di Ianni, M.; Duchowicz, P. R.; Bruno-Blanch, L. E.; Castro, E. A. An Integrated drug development approach applying topological descriptors. Current Computer Aided Drug Design 8: 172-181 (2012).

  3. Klebe, G. Virtual ligand screening: strategies, perspectives and limitations. Drug Discov. Today. 11, 580-594 (2006).

  4. Talevi, A.; Gavernet, L.; Bruno-Blanch, L.E. Combined virtual screening strategies. Current Computer Aided Drug Design 5: 23-37 (2009).

  5. Talevi, A.; Castro, E. A.; Bruno-Blanch, L. E. Towards accurate Virtual Screening Technologies: Sampling of Chemical Space and Applicability Domain Estimation. En Chemical information and computational challenges in XXI Century, Novascience Publishers, 2012.

  6. Talevi, A.; Castro, E. A.; Bruno-Blanch, L. E. Recent studies on similarity measures and its applications to chemoinformatics and drug design. En Recent Trends on QSAR in the Pharmaceutical Perceptions, Bentham Science Publishers, 2012.

  7. Yasri, A.; Hartsought, D. Toward an optimal procedure for variable selection and QSAR model building. J. Chem. Inf. Comput. Sci. 41: 1218-27 (2001).

  8. Wishart, D. S.; Knox, C.; Chi Guo, A.; Shrivastava, S.; Stothard, P.; Chang, Z.; Woolsey, J. DrugBank: a comprehensive resource for in silico drug discovery and exploration. Nucleic Acid Res. 34 (Database issue): D668-D672 (2006).

  9. Knox, C.; Law, V.; Jewison, T.; Liu, P.; Ly, S.; Frlokis, A.; Pon, A.; Banco, K.; Mak, C.; Neveu, V.; Djoumbou, Y.; Eisner, R.; Guo, A. C.; Wishart, D. S. DrugBank: a comprehensive resource for “Omics” research on drugs. Nucleic Acid Res. 39 (Database issue): D1035-D1041 (2011).

  10. Deftereos, S. N.; Andronis, C.; Friedla, E. J.; Persidis, A.; Persidis, A. Drug repurposing and adverse event prediction using highthroughput literature analysis. Wiley Interdiscip. Rev. Sys. Biol. Med. 3: 323-334 (2011).

  11. Lussier, Y. A.; Chen, J. L. The emergence of genome-based drug repositioning. Sci. Transl. Med. 3: 96ps35 (2011).

  12. Ekins, S.; Williams, A. J.; Krasowski, M. D.; Freundlich, J. S. In silico repositioning of approved drugs for rare and neglected diseases. Drug Discov. Today, 16: 298-310 (2011).

  13. Jaworska, J.; Nikolova-Jeliazkova, N.; Aldenberg, T. QSAR applicability domain estimation by projection of the training set in descriptor space: a review. ATLA – Altern. Lab. Anim 33: 445-459 (2005).

  14. Triballeau, N.; Acher, F.; Brabet, I.; Pin, J.P.; Bertrand, H.O. Virtual screening workflow development guided by the “”Receiver Operating Characteristic” curve approach. Application to high-throughput docking on metabotropic glutamate receptor subtype 4. J. Med. Chem. 48: 2534-47 (2005).

  15. Kirchmair, J.; Markt, P.; Distinto, S.; Wolber, G.; Langer, T. Evaluation of the performance of 3D virtual screening protocols: RMSD comparisons, enrichment assessments, and decoy selection—What can we learn from earlier mistakes?. J. Comput. Aided. Mol. Des. 22: 213-228 (2008).

  16. Chen, X.; Reynolds, C.H. Performance of similarity measures in 2D fragment-based similarity searching. Comparison of structural  descriptors and similarity coefficients. J. Chem. Inf. Comput. Sci. 42: 1407-1414 (2002).

  17. Willett, P. Similarity-based virtual screening using 2D  fingerprints. Drug. Discov. Today 23/24: 1046-1053 (2006).

  18. Ekins, S.; Mestres, J.; Testa, B. In silico pharmacology for drug discovery: methods for virtual screening and profiling. Brit. J.  Pharmacol. 152: 9-37 (2007).

  19. Application of Topological Descriptors in QSAR and Drug Design: History and New Trends. Curr. Drug Targets 2: 93-102 (2002).

  20. Van de Waterbeemd, H.; Gifford, E. ADMET in silico modelling:  towards prediction paradise? Nature Rev. Drug Discov. 2, 192-204 (2003).

  21. Tramontano, A. Protein Structure Prediction. Concepts and applications. Anna Tramontano. Wiley-VCH Verlag GmbH & Co. KGaA, Weinheim. 2006 . ISBN 3-527-31167-X

  22. Case, D.A.; Darden, T.A.; Cheatham, III, T.E.; Simmerling, C.L.; Wang, J.; Duke, R.E.; Luo, R.; Merz, K.M.; Pearlman, D.A.; Crowley, M.; Walker, R.C.; Zhang, V.; Wang, B.; Hayik, ; Roitberg, A.; Seabra, G.; Wong, K.F.; Paesani, F.; Wu, X.; Brozell, S.; Tsui, V.; Gohlke, H.; Yang, L.; Tan, C.; Mongan, J.; Hornak, V.; Cui, G. ; Beroza, P.; Mathews, D.H.; Schafmeister, C.; Ross, W.S.; Kollman P.A. 2006, AMBER9 Users´ Manual., University of California, San Francisco

  23. Microwaves in Organic Synthesis, Second edition. Edited by A. Loupy. Copyright 8 2006 WILEY-VCH Verlag GmbH & Co. KGaA, Weinheim ISBN: 3-527-31452-0

  24. Joanne Bowes, J.; Brown, A.J.; Hamon, J.; Jarolimek, W.; Sridhar A.; Waldron G.; Whitebread S. Nature reviews Drug discovery, 11, 909 (2012).

  25. Lombardino J. G. Lowe J.A. III. Nature reviews Drug discovery, 3, 853 (2004).

  26. Arrowsmith J. Nature Reviews Drug Discovery 11, 17 (2012)

  27. Namanja, H.A.; Emmert, D.; Davis, D.A.; Campos, C.; Miller, D.S.; Hrycyna, C.A.;Chmielewski. J. J. Am. Chem. Soc. 134 (6) 2976 (2012).

  28. Jain, S.K.; Mishra, P. J. Comput. Mehtod. Mol. Design, 1, 52
    30 (2012).

  29. Essential Bioinformatics. JIN XIONG. Cambridge University Press (2006)

  30. Andrew Leach. Molecular modelling. Principles and applications. 2nd Edition (2001)

  31. Kitchen, D.B.; Decornez, H.; Furr J. R.; Bajorath J. Nature Reviews Drug Discovery 935-949 (2004).