Содержание к диссертации
Введение
ГЛАВА 1. Обзор литературы 10
1.1 Традиционные методы доклинической оценки побочного действия лекарств 10
1.2 Альтернативные методы доклинической оценки побочного действия лекарств
1.2.1 Типы побочных эффектов лекарств 13
1.2.2 Оценка при помощи фармакологического профилирования in vitro 16
1.2.3 Оценка на клеточных культурах
1.3 Механизмы побочного действия лекарств на сердечно-сосудистую систему 20
1.4 Компьютерная оценка механизмов побочного действия лекарств
1.4.1 Общий принцип оценки 24
1.4.2 Оценка побочных эффектов лекарственных соединений 25
1.4.3 Оценка белков-мишеней лекарственных соединений 27
1.4.4 Поиск корреляций «белок - побочный эффект» 31
1.4.5 Анализ биологических сетей 32
1.4.6 Анализ биологических путей и процессов 41
ГЛАВА 2. Материалы и методы исследования 51
2.1 Выборки структур лекарственных соединений с информацией о побочных эффектах 51
2.2 Предсказание и анализ профилей воздействия лекарственных соединений на белки человека 53
2.2.1 Программа PASS з
2.2.2 Статистический анализ 57
2.3 Оценка биологических процессов 58
2.3.1 Оценка функционального сходства генов 58
2.3.2 Анализ обогащения биологических путей и процессов
2.4 Регуляторная сеть кардиомиоцита 61
2.5 Дихотомическое моделирование 62
ГЛАВА 3. Результаты и обсуждение 66
3.1 Общая схема разработанного подхода 66
3.2 Оценка ассоциаций «белок - побочный эффект» на основе анализа предсказанных профилей 68
3.3 Оценка биологических процессов
3.3.1 Инфаркт миокарда 70
3.3.2 Сердечная недостаточность 84
3.3.3 Желудочковые аритмии 106
3.4 Оценка ассоциаций «белок - побочный эффект» на основе моделирования поведения регуляторной сети кардиомиоцита 121
3.4.1 Дихотомическая модель регуляторной сети кардиомиоцита 121
3.4.2 Сердечная недостаточность 123
3.4.3 Желудочковые аритмии
3.5 Анализ идентифицированных белков-мишеней 139
3.6 Примеры механизмов побочного действия лекарственных веществ
3.6.1 Инфаркт миокарда 146
3.6.2 Сердечная недостаточность 149
3.6.3 Желудочковые аритмии 152
Заключение 156
Выводы 158
Список цитируемой литературы
- Типы побочных эффектов лекарств
- Поиск корреляций «белок - побочный эффект»
- Статистический анализ
- Оценка ассоциаций «белок - побочный эффект» на основе моделирования поведения регуляторной сети кардиомиоцита
Типы побочных эффектов лекарств
Исходя из того, что основным механизмом побочного действия лекарственных веществ является их неселективное воздействие на белки человека, был разработан метод фармакологического профилирования in vitro [5, 6, 32]. Этот метод заключается в оценке потенциальных побочных эффектов соединений-лидеров на ранних этапах разработки лекарств. Оценка производится путём высокопроизводительного скрининга соединений-лидеров на наличие активности против ряда белков, для которых известны ассоциации с побочными эффектами. Крупные фармацевтические компании используют панели, содержащие большое количество таких белков, представляющих собой главным образом GPCR рецепторы (G-protein-coupled receptors), а также в меньшем количестве ферменты, ядерные рецепторы и транспортёры. Для каждой из мишеней известна физиологическая роль в организме человека и ассоциации с одним или несколькими наиболее серьёзными побочными эффектами. Например, одной из таких мишеней являются HERG калиевые каналы, которые участвуют в сердечной реполяризации и их блокада ассоциирована с повышенным риском развития опасных для жизни желудочковых аритмий [23]. Методы оценки воздействия соединений-лидеров на белки, входящие в панели, подразделяются на методы оценки аффинности и методы, позволяющие проводить оценку изменения функций белков. Аффинность измеряется как степень вытеснения исследуемым соединением известного лиганда белка, содержащего радиоактивную метку.
Методы оценки изменений функции белка под действием исследуемых соединений более разнообразны: измерение концентраций вторичных посредников для GPCR рецепторов, оценка изменения ионных токов методом patch-clamp, измерение концентрации продуктов или субстратов для ферментов и оценка изменения экспрессии генов для ядерных рецепторов.
Панели используются на практике следующим образом (Рисунок 1.1). Несколько групп соединений-лидеров подвергаются тестированию на активность против белков, входящих в панели, и из них отбираются наиболее селективные, то есть соединения, которые в идеале не проявляют активности ни к одному из этих белков. В случае наличия активности к нескольким мишеням у самых селективных соединений проводится модификация их химической структуры. С этой целью широко используются методы анализа взаимосвязи «структура-активность» для выявления структурных фрагментов, вносящих наибольший вклад в проявление нежелательной активности к белкам-мишеням панели, с последующей их заменой другими фрагментами или группами. Анализ профилей воздействия соединений-лидеров на белки панели проводится в сочетании с анализом предсказанных данных по фармакокинетике и ADME (абсорбция, распределение, метаболизм и экскреция). В случае если количественные характеристики, например 50-процентная ингибирующая концентрация, по отношению к нежелательной мишени много выше, чем ожидаемая максимальная концентрация соединения в крови человека, то такое соединение вероятнее всего не будет вызывать связанные с мишенью побочные эффекты и его можно отобрать как перспективное для дальнейших исследований.
Метаболизм также имеет большое значение при оценке возможных побочных эффектов, так как профили фармакологической активности исходного соединения и его метаболитов могут существенно отличаться. Например, метаболит фенфлюрамина норфенфлюрамин является агонистом серотониновых 2В рецепторов, вызывая патологии клапанов сердца, однако сам фенфлюрамин не обладает такой активностью [21]. Поэтому потенциальные метаболиты исходных соединений, полученные с использованием разнообразных методов in vitro, также подвергаются тестированию на сродство к белкам-мишеням, входящим в состав панелей. Например, в подходе Bioprint фирмы Сегер используются панели, содержащие около двухсот тест-систем для белков-мишеней и тест-системы для оценки ADME свойств, что позволяет отбирать соединения-лидеры с учётом их фармакокинетики [32]. Панели, которые используются для отбора наиболее селективных и поэтому потенциально безопасных соединений-лидеров на ранних этапах разработки лекарств содержат небольшое количество белков ( 60), наиболее важных с точки зрения побочного действия лекарств. Помимо них, находят применение расширенные панели, содержащие большее количество белков. Эти панели используются на более поздних стадиях разработки лекарств для оценки механизмов побочного действия соединений-кандидатов, выявленного при тестировании на животных, и планирования дальнейших исследований.
Метод фармакологического профилирования in vitro не может заменить собой исследования на экспериментальных животных, но он является важным дополнением к нему. Те побочные эффекты, которые не могут быть выявлены путём исследований на животных из-за видоспецифичности, могут быть предсказаны при помощи панелей in vitro. Это могут быть также эффекты, проявляющиеся через длительное время после начала приёма препарата как, например, развитие патологий клапанов сердца при стимуляции серотониновых 2В рецепторов, которые не выявляются ни в ходе исследований на животных, ни в ходе клинических испытаний, также ограниченных во времени. Кроме того, этот метод может использоваться на самых ранних этапах разработки лекарств, что позволяет существенно сократить продолжительность и стоимость разработки. Однако метод фармакологического профилирования in vitro обладает, по меньшей мере, двумя существенными недостатками. Во-первых, количество известных ассоциаций между конкретными белками и побочными эффектами ограничено. Кроме того, многие данные, полученные фармацевтическими компаниями, не являются общедоступными. Во-вторых, данный метод не позволяет проводить оценку общего эффекта при действии на множество мишеней. Например, циталопрам блокирует HERG калиевые каналы в сердце, но не вызывает желудочковых аритмий. Отсутствие эффекта можно объяснить тем, что он также блокирует кальциевые каналы L-типа, компенсируя блокаду HERG. Вследствие такого эффекта, многие сравнительно безопасные соединения могут быть расценены как вызывающие серьёзные побочные эффекты [5, 6]. Последнего недостатка во многом лишены методы, основанные на оценки эффектов соединений при их действии на культуры клеток. 1.2.3 Оценка на клеточных культурах
Клеточные культуры широко используются при разработке лекарств для оценки метаболизма, генотоксичности и мутагенности исследуемых соединений. Этот же подход может использоваться также для оценки терапевтических и неблагоприятных эффектов соединений-лидеров на организм человека [33-35]. С этой целью проводят сравнение различных характеристик функционального состояния клеток, которые инкубируются с исследуемым веществом, с характеристиками клеток, которые инкубируются только с растворителем. Среди оцениваемых характеристик могут быть такие характеристики как изменение общего содержания АТФ, экспрессии мРНК и белков, нарушение деления клеток, изменение морфологии ядер, нарушение целостности цитоскелета, клеточной подвижности и дифференцировки, нарушение посттрансляционных модификаций белков. Измерения производятся на различных первичных клеточных линиях человека. Например, платформа BioMAP позволяет проводить оценку возможных эффектов соединений-лидеров на организм человека при помощи исследования их влияния на клеточные культуры эндотелиоцитов, фибробластов, гладкомышечных клеток, гепатоцитов и др. [34, 35]. Широкое применение также находят ко-культуры клеток, содержащие несколько клеточных типов, например, периферические мононуклеарные клетки крови и эндотелиоциты [34, 35]. Совместные культуры клеток моделируют взаимодействие соответствующих клеточных типов в тканях и органах человека, что позволяет получать более точную оценку эффектов соединения in vivo. Оценка профилей изменения характеристик функционального состояния клеток, относящихся к различным линиям и совместным культурам, под действием хорошо изученных лекарственных веществ позволяет выполнить их кластеризацию по механизмам терапевтического и побочного действия. Сравнение профилей оцениваемых характеристик соединений-лидеров с профилями лекарственных веществ позволяет предсказать наличие у них желаемого терапевтического эффекта, возможные побочные эффекты, которых следует ожидать в клинике, и их механизмы.
По сравнению с методом фармакологического профилирования in vitro этот подход позволяет проводить оценку суммарного эффекта действия исследуемых соединений на множество мишеней, и при этом не требуется знаний о профилях воздействия соединений-лидеров на белки-мишени человека. Кроме того, поскольку оценка профилей воздействия соединений на все белки и другие биомакромолекулы человека в настоящее время не представляется возможной, этот метод обладает существенным преимуществом перед фармакологическим профилированием. Тем не менее, он также обладает рядом существенных недостатков [35]. Во-первых, используемые клеточные линии, могут отличаться по фенотипу от соответствующих клеток in vivo. Например, у гепатоцитов in vitro отсутствует сигнальный путь глюкагона, а у эндотелиальных клеток отсутствует экспрессия лигандов рецепторов, связанных с хомингом лимфоцитов. Во-вторых, не все клеточные типы обычно доступны в виде самовоспроизводящихся клеточных линий. В результате эффекты соединений-лидеров на многие клеточные типы в настоящее время не могут быть определены. В-третьих, метод с использованием совместных культур клеток, а тем более культур отдельных клеточных типов, не позволяет исследовать более сложные эффекты in vivo, связанные с взаимодействием клеток, тканей и органов посредством нейрогуморальных механизмов, например нарушение центральных механизмов регуляции артериального давления. Это означает, что данный метод не позволяет выявлять многие неблагоприятные эффекты фармакологических соединений и механизмы побочного действия. Этих недостатков в свою очередь лишен метод фармакологического профилирования in vitro.
Поиск корреляций «белок - побочный эффект»
Оценка спектра биологической активности для исследуемого соединения выполняется PASS на основе данных, содержащихся в SAR Base (Structure-Activity Relationships database). SAR Base содержит информацию о взаимосвязях структура-активность, полученную в ходе процедуры обучения на основе данных об известных биологических активностях органических соединений. Алгоритм оценки биологической активности в PASS разработан Филимоновым Д. А. [202] и основан на наивном Байесовском подходе с некоторыми модификациями.
Оценка точности прогноза по каждому виду биологической активности осуществляется в ходе обучения на основе процедуры скользящего контроля с исключением по одному. Величиной оценки точности служит инвариантная точность прогноза, численно равная площади под ROC кривой. Эта оценка может быть представлена как оценка вероятности того, что при выборе случайным образом из генеральной совокупности пары соединений, одно из которых проявляет в эксперименте данную активность, а другое нет, они будут классифицированы правильно.
Результатом прогноза PASS является список биологических активностей, каждая из которых характеризуется двумя вероятностями: Ра - вероятность наличия у соединения данной активности и Pi - вероятность отсутствия у соединения данной активности. Соединения с Ра-Рі 0 могут быть потенциально активными и чем больше эта разность, тем вероятнее обнаружить активность в эксперименте.
Оценка белков-мишеней лекарственных соединений, связанных с индукцией побочных эффектов, требует анализа профилей воздействия соединений на максимально большое число белков человека. Поэтому в данной работе использовалась специальная версия PASS, позволяющая осуществлять прогноз воздействия лекарственноподобных соединений на 1738 белков-мишеней человека без учёта характера этих воздействий (активация или ингибирование) [204, 205]. В качестве обучающей выборки в этой версии используются данные о воздействии 227379 органических соединений с белками-мишенями человека, полученные из баз данных ChEMBLdb_16 [85, 86] и DrugBank 3.0 [81, 82]. Структурные формулы этих соединений удовлетворяют всем вышеописанным требованиям PASS, таким как молекулярная масса, характер связей, электронейтральность и др. Данные о взаимодействиях лекарственноподобных соединений с белками-мишенями человека в DrugBank представлены в качественном виде (активен или неактивен) и включены в обучающую выборку без изменений. Количественные данные из ChEMBL переведены в качественные на основании следующих критериев (Таблица 2.1).
Характеристики взаимодействий «лиганд-белок» Порог для активных соединений IC50 - 50-процентная ингибирующая концентрация; ЕС50 - 50-процентная эффективная концентрация; Ki -константа ингибирования; DC50 - 50-процентная деполимеризующая концентрация; ингибирование/инактивация -процент ингибирования функции белка при концентрации соединения 10"5М.
Средняя точность прогноза (площадь под ROC кривой, %) по 1738 мишеням, вычисленная на основе скользящего контроля с исключением по одному, составляет 97%. Минимальная точность прогноза среди 1738 мишеней составляет 85%. Пример прогноза белков-мишеней человека для рофекоксиба представлен на рисунке 2.2. С :\Se rg eyjva nov\Di sse rtationWofecoxi Ь (С h E M В L_16_D rug Ba n k).S DF
Белки-мишени, потенциально ассоциированные с индукцией исследуемых побочных эффектов, были выявлены на основе сравнения величин Ра-Pi для каждой мишени между соединениями, вызывающими и не вызывающими побочный эффект. Это сравнение было выполнено при помощи статистики Манна-Уитни (U-статистика) [206]. На основе величин Pa-Pi для каждой мишени были вычислены значения модифицированной U -статистики, которая может быть получена из U-статистики при её делении на произведение количеств соединений вызывающих и не вызывающих побочный эффект: вызывающих побочный эффект. При нулевой гипотезе и -статистика хорошо аппроксимируется нормальным распределением со средним 0,5 и G = (N3+NH3+1) / (12 N3 NH3). Приблизительная верхняя граница 95%-ного доверительного интервала равная 0,5+1.96 о была использована в качестве порога для отбора мишеней, предположительно ассоциированных с индукцией исследуемых побочных эффектов. Поскольку побочному эффекту «желудочковые аритмии» соответствовали три выборки соединений, то для дальнейшего анализа были отобраны только те мишени, для которых значения U -статистики преодолевали порог не менее чем на двух выборках.
Ассоциации между белками-мишенями и побочными эффектами, выявленные при помощи статистического анализа результатов прогноза PASS, не всегда могут иметь причинно-следственный характер. Вследствие этого для генов, кодирующих выявленные белки, была проведена оценка функционального сходства с генами, для которых известны ассоциации с соответствующими патологиями: инфаркт миокарда, сердечная недостаточность и желудочковые аритмии. Информация об известных ассоциациях была получена из базы данных PROTEOME BIOBASE GmbH [165]: инфаркт миокарда - 130 генов, сердечная недостаточность - 224 гена, желудочковые аритмии - 40 генов. Известные ассоциации были в основном получены при помощи экспериментов по генетическому нокауту на мышах и в ходе широкомасштабных генетических исследований по выявлению полиморфизмов, влияющих на риск заболеваний.
Оценка функционального сходства каждого из генов, которые кодируют выявленные белки-мишени, с генами, для которых известны ассоциации с заболеваниями, производилась при помощи алгоритма случайного блуждания с возвратом в сети функциональной взаимосвязи генов, реализованного Ли и Квон в плагине GPEC Cytoscape [207]. Вычисления в GPEC выполняются на основе сети функциональной взаимосвязи генов, которая была получена Лингху с соавторами на основе интеграции 16 различных типов взаимосвязей между генами [174]. В силу большого размера этой сети в плагине используется только топ 1% взаимодействий с наибольшими интегральными оценками, что позволяет существенно повысить скорость вычислений. Таким образом, в GREC используется фрагмент сети функциональной взаимосвязи генов, состоящий из 14230 вершин и 263884 рёбер. Алгоритм случайного блуждания с возвратом позволяет проводить оценку функционального сходства генов на основе глобальной топологии сети. Он подробно описан в Литературном обзоре. Оценка точности алгоритма выполняется на основе процедуры скользящего контроля с исключением по одному. В ходе этой процедуры каждый из генов, для которых известны ассоциации с соответствующим заболеванием, исключается из списка и получает оценку наравне со всеми остальными генами сети. Далее вычисляется площадь под ROC кривой, отражающая точность оценки функционального сходства для каждого конкретного заболевания.
Статистический анализ
В ходе статистического анализа было выявлено 203 белка-мишени, предположительно ассоциированных с индукцией желудочковых аритмий, что соответствует 209 кодирующим их генам. Список из 209 генов был сопоставлен со списком из 40 генов, для которых известна связь с желудочковыми аритмиями (см. Материалы и Методы). Списки из 40 и 209 генов содержали только 2 общих гена: KCNH2 (HERG) и SCN5A. Эти гены были исключены из списка 40 генов, а оставшиеся 3 8 генов использовались для оценки функционального сходства с 209 генами. Оценка функционального сходства производилась при помощи алгоритма случайного блуждания в сети функциональной взаимосвязи генов (см. Материалы и Методы). Величина площади под ROC кривой, вычисленная при помощи процедуры скользящего контроля с исключением по одному среди 199 генов составила 0,89, что свидетельствует о высокой точности оценки. Оценка функционального сходства с 38 генами была выполнена для каждого из 209 генов. Среди них гены KCNH2 и SCN5A получили наивысшие оценки. Оценки функционального сходства, которые получили 209 генов, были сопоставлены с оценками для всех остальных генов сети (13945 генов). Показано, что большинство генов, кодирующих выявленные белки-мишени, получают более высокие оценки сходства, чем в среднем по сети (Рисунок 3.11).
Сравнение оценок функционального сходства 209 и 13945 генов в отрицательной логарифмической шкале. Наиболее низкие оценки в логарифмической шкале соответствуют наиболее высоким оценкам функционального сходства.
Оценка биологических путей и процессов, нарушение которых под действием лекарств потенциально может приводить к индукции желудочковых аритмий, была выполнена по аналогии с тем, как это делалось при анализе механизмов индукции инфаркта миокарда и сердечной недостаточности (см. Материалы и Методы) (Рисунки 3.12 и 3.13).
Рисунки 3.12 и 3.13 демонстрируют, что 38 генов, для которых известны ассоциации с желудочковыми аритмиями, участвуют в процессах, связанных с генерацией потенциала действия и регуляцией сокращений сердца, в то время как 209 генов, кодирующих выявленные в ходе анализа белки-мишени, участвуют в более разнообразных биологических процессах. Литературный анализ позволил установить для многих биологических путей и процессов, специфически обогащенных 209 генами, связь с этиопатогенезом желудочковых аритмий. Связь с индукцией желудочковых аритмий была установлена для следующих процессов:
Связь с индукцией желудочковых аритмий лекарствами для таких процессов как регуляция ионных токов и электролитные нарушения была известна ранее и описана в разделе 1.3 «Механизмы побочного действия лекарств на сердечно-сосудистую систему» Обзора литературы. Для остальных процессов установлена связь с желудочковыми аритмиями, но ранее не было известно, что их нарушение под действием лекарств может приводить к индукции аритмий.
Падение мембранного потенциала митохондрий и повышение их проницаемости может приводить к флуктуациям уровня АТФ в клетке, что ведёт к изменению ионных токов через АТФ-чувствительные калиевые каналы и индукции желудочковых аритмий [236]. Митохондрии являются одним из основных источников активных форм кислорода в клетке. Активные формы кислорода вступают в реакции с белками ионных каналов и щелевых контактов между кардиомиоцитами, вызывая их модификации, что приводит к нарушению их функций и индукции аритмий [237]. Активность белков митохондрий, участвующих в метаболизме, регулируется АМРК киназой, которая является своего рода метаболическим сенсором в кардиомиоцитах. Активация АМРК киназы происходит в ответ на снижение уровня АТФ в клетке, что приводит к усилению метаболических процессов в митохондриях. Изменения в активности этого фермента могут приводить к индукции аритмий. Нарушение метаболизма в митохондриях также может приводить к генерации аритмогенных промежуточных продуктов метаболических путей. Например, нарушение бета-окисления жирных кислот приводит к накоплению длинноцепочечных ацилкарнитинов, которые вызывают индукцию аритмий [238]. Сахарный диабет и инсулинорезистентность являются одним из факторов риска для аритмий. Нарушение передачи сигнала с рецепторов для инсулина приводит к нарушению экспрессии калиевых ионных каналов и желудочковой реполяризации, что является основой для индукции желудочковых аритмий [239]. Острая гиперинсулинемия [240], гипогликемия [241] и нарушение транспорта глюкозы в кардиомиоциты [242] увеличивают риск индукции аритмий. Увеличение тонуса симпатической или снижение тонуса парасимпатической нервной системы увеличивают риск аритмий [243]. Снижение уровня коннексина 43, участвующего в формировании щелевых контактов между кардиомиоцитами, приводит к нарушению проведения возбуждения в сердце и индукции желудочковой тахикардии [244]. Апоптоз кардиомиоцитов приводит к возникновению участков миокарда с нарушенной проводимостью, что является основой для индукции аритмий [245]. Гипертрофия кардиомиоцитов ассоциирована с повышенным риском индукции желудочковых аритмий [246]. Анализ публикаций в PubMed выявил, что 203 белка-мишени, предположительно ассоциированные с индукцией желудочковых аритмий, чаще всего участвуют в таких процессах как регуляция ионных токов, регуляция секреции инсулина/формирование инсулинорезистентности и регуляция тонуса симпатической нервной системы (Рисунок 3.14).
Оценка ассоциаций «белок - побочный эффект» на основе моделирования поведения регуляторной сети кардиомиоцита
Всего в ходе выполнения работы были идентифицированы 658 белков-мишеней, ассоциированных с тремя исследуемыми побочными эффектами, из которых 358 мишеней относятся к первой и второй категориям достоверности. На рисунке 3.17 показано распределение белков-мишеней по категориям достоверности для каждого побочного эффекта. Наибольшее количество мишеней было идентифицировано для побочного эффекта «сердечная недостаточность», наименьшее - для побочного эффекта «инфаркт миокарда».
Распределение белков-мишеней, ассоциированных с индукцией сердечной недостаточности, желудочковых аритмий и инфаркта миокарда, по категориям достоверности. Однако именно белки-мишени, ассоциированные с индукцией инфаркта миокарда, лучше всего функционально охарактеризованы - большая часть мишеней была отнесена к первой и второй категориям достоверности ( 74% мишеней). Картина распределения мишеней по категориям достоверности может быть объяснена тем, что основным классом белков-мишеней, ассоциированных с индукцией инфаркта миокарда, являются GPCR рецепторы, в то время как основным классом белков-мишеней, ассоциированных с индукцией сердечной недостаточности и желудочковых аритмий, являются киназы. Конкретная физиологическая роль большинства киназ в организме, как правило, недостаточно охарактеризована [5]. Низкомолекулярные ингибиторы киназ, использующиеся в клинике для лечения опухолей, являются неселективными ингибиторами многих киназ. По причине того, что все ингибиторы киназ, входящие в выборки структур лекарственных соединений, ассоциированы с индукцией сердечной недостаточности и желудочковых аритмий, статистический анализ выявил большинство киназ, воздействие на которые способен прогнозировать PASS.
Тем не менее, несмотря на недостаток необходимой информации о белках-мишенях из третьей категории, многие из них также могут участвовать в этиопатогенезе исследуемых побочных эффектов. Среди белков-мишеней, выявленных в результате статистического анализа прогноза PASS, наиболее вероятна связь с побочным эффектом для мишеней, которые получили высокие оценки алгоритма случайного блуждания. Высокие оценки алгоритма случайного блуждания свидетельствуют о наличии функционального сходства выявленных белков-мишеней с белками, для которых известны связи с соответствующими заболеваниями. В результате, несмотря на отсутствие экспериментальных данных, для многих белков-мишеней третьей категории можно предположить участие в этиопатогенезе исследуемых побочных эффектов. Среди белков-мишеней, выявленных в результате дискретного моделирования поведения РСК, наиболее вероятна связь с индукцией побочного эффекта для тех мишеней, ингибирование которых приводит к наступлению наибольшего количества ключевых событий. Тем не менее, в ходе дальнейшего анализа будут рассматриваться белки-мишени только первых двух категорий достоверности.
Анализ распределения белков-мишеней первых двух категорий между исследуемыми побочными эффектами показал, что многие из них ассоциированы с несколькими побочными эффектами (Рисунок 3.18).
Наблюдаемая картина во многом обусловлена участием выявленных белков-мишеней в биологических процессах, лежащих в основе этиопатогенеза нескольких побочных эффектов (Таблица 3.15).
Среди идентифицированных белков-мишеней 23 мишени ассоциированы со всеми тремя побочными эффектами, что демонстрирует их важность с точки зрения побочного действия лекарств на сердечно-сосудистую систему (Таблица 3.16).
Среди 23 мишеней встречаются мишени, для которых известны ассоциации с одним или несколькими исследуемыми побочными эффектами. Эти мишени представляют собой адрено- и серотониновые рецепторы, для которых хорошо изучена роль в функционировании сердечнососудистой системы. HERG калиевые ионные каналы участвуют в сердечной реполяризации и их ингибирование сопряжено с индукцией желудочковых аритмий [5, 6]. Многие лекарственные соединения, блокирующие HERG каналы, были отозваны с рынка из-за этого побочного эффекта. Идентификация адренорецепторов, серотониновых рецепторов и HERG каналов представляется важной в связи с оценкой правомерности использования разработанного подхода, однако эти мишени не представляют особого интереса с точки зрения выявления новых механизмов побочного действия. Наиболее интересным является присутствие в этом списке других рецепторов и киназ. Выявленные киназы регулируют разнообразные процессы в кардиомиоцитах и клетках стенок сосудов, что объясняет кардиотоксичность их низкомолекулярных ингибиторов.
Нетривиальной является идентификация рецепторов для галанина и меланоцит-стимулирующего гормона. Галанин, стимулируя GALR1 рецепторы, регулирует высвобождение ацетилхолина в сердце [248], усиливает секрецию кортизола в надпочечниках [249] и регулирует метаболизм глюкозы [250]. Стимуляция рецепторов 1-го типа для меланоцит-стимулирующего гормона вызывает снижение веса и уменьшение инсулинорезистентности [251], усиление тонуса симпатической нервной системы, повышение артериального давления и частоты сердечных сокращений [252]. Эти рецепторы также участвуют в регуляции функционирования клеток иммунной системы и поэтому потенциально могут влиять на силу воспаления в стенках коронарных артерий [253]. Перечисленные процессы, как было описано выше, потенциально связаны с этиопатогенезом инфаркта миокарда, сердечной недостаточности и желудочковых аритмий. АНГ - ангиогенез; АПТ - апоптоз кардиомиоцитов; ВОСП - воспаление; ГЕМСТ - гемостаз; ГКМ - гипертрофия кардиомиоцитов; ГМКЛ -пролиферация и апоптоз гладкомышечных клеток сосудов; ДАВЛ - регуляция артериального давления; ИНСН - регуляция секреции инсулина/формирование инсулинорезистентности; ИТ - регуляция ионных токов; КОР - регуляция тонуса коронарных артерий; МИОКД -регуляция сокращений миокарда; МК - регуляция контактов между кардиомиоцитами; МТ - регуляция функций митохондрий; ПОЧК -регуляция экскреции натрия и воды в почках; ПСИМП - регуляция тонуса парасимпатической нервной системы; СИМП - регуляция тонуса симпатической нервной системы; СОССТ - регуляция проницаемости сосудистой стенки; СТЕРД - метаболизм и транспорт стероидных гормонов; ФМК - фиброз миокарда; ИМ - белок-мишень, для которого связь с инфарктом миокарда, индуцируемым лекарствами, была известна ранее; CH - белок-мишень, для которого связь с сердечной недостаточностью, индуцируемой лекарствами, была известна ранее; ЖА -белок-мишень, для которого связь с желудочковыми аритмиями, индуцируемыми лекарствами, была известна ранее.
