CC BY
54
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
Галина Николаевна Апрышко1, Дмитрий Алексеевич Филимонов2, Владимир Васильевич Поройков2
ИСПОЛЬЗОВАНИЕ БАЗЫ ДАННЫХ ПО ПРОТИВООПУХОЛЕВЫМ ВЕЩЕСТВАМ РОНЦ ИМ. Н. Н. БЛОХИНА РАМН ДЛЯ ДОЭКСПЕРИМЕНТАЛЬНОГО СКРИНИНГА НОВЫХ ПРОТИВООПУХОЛЕВЫХ ВЕЩЕСТВ НА ОСНОВЕ PASS
1 Группа банка данных отдела экспериментальной химиотерапии НИИ экспериментальной диагностики и терапии опухолей ГУ РОНЦ
им. Н. Н. Блохина РАМН (115478, РФ, г. Москва, Каширское шоссе, д. 24)
2 ГУ Институт биомедицинской химии им. В. Н. Ореховича РАМН
(119121, РФ, г. Москва, ул. Погодинская, д. 10)
Адрес для переписки: 115478, РФ, г. Москва, Каширское шоссе, д. 24, НИИ экспериментальной диагностики и терапии опухолей ГУ РОНЦ им. Н. Н. Блохина РАМН, отдел экспериментальной химиотерапии, Апрышко Галина Николаевна; e-mail: g48@mail.ru
Описаны возможности повышения эффективности применения компьютерной системы PASS для доэкспериментального скрининга новых противоопухолевых веществ путем формирования обучающих массивов с использованием базы данных по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН.
Ключевые слова: противоопухолевые вещества, экспериментальная химиотерапия опухолей, базы данных, доэкспериментальный скрининг, информационные технологии.
Компьютерное прогнозирование биологической активности веществ по их химической структуре — одно из современных направлений использования информационных технологий при поиске противоопухолевых веществ. Отечественная компьютерная система PASS (Prediction of Activity Spectra for Substance) позволяет на ранних этапах поиска противоопухолевых веществ прогнозировать для новых химических структур, в том числе виртуальных, широкий спектр фармакологических эффектов и взаимодействие с известными мишенями действия противоопухолевых лекарств [9; 11—13].
Ранее нами показано, что с учетом определенных структурно-химических ограничений система PASS может использоваться для доэкспериментального (in silico) скрининга на противоопухолевую активность в тех случаях, когда в целях изучения предложено большое коли-
© Апрышко Г. Н., Филимонов Д. А., Поройков В. В., 2008 УДК 615.277.3.076.9:681.32"РОНЦ"
чество веществ, особенно при виртуальном скрининге новых химических структур до их синтеза [3; 5; 7; 8; 10].
Один из основных элементов системы PASS — база данных (БД) химических структур и активностей веществ и знаний о взаимосвязях структура—активность (по авторской терминологии — SARBase), называемая также обучающей выборкой. Система PASS постоянно совершенствуется авторами в направлении увеличения числа структурных формул веществ в обучающем массиве (что повышает точность прогноза) и расширения прогнозируемого спектра биологической активности [9; 11—13].
Для исследователей, занятых созданием новых противоопухолевых лекарств, представляет интерес прежде всего прогнозирование противоопухолевой и ци-тостатической активности. Особенностью представления данных о биологической активности в SARBase системы PASS является ее качественное описание (да/ нет). В SARBase PASS версии 2007 включено 8886 про-
тивоопухолевых веществ. Эти данные извлечены из различных публикаций, независимо от того, каким методом и на какой стадии разработки лекарства (первичное тестирование активности, доклиническое изучение, клинические испытания) они были получены. Вследствие этого отнесение веществ к категории обладающих противоопухолевой активностью осуществляется по различающимся критериям. Так, лишь 245 содержащихся в SARBase веществ обладают цитостати-ческой активностью, в то время как цитостатическая активность in vitro изучена для значительно большего числа веществ по сравнению с противоопухолевой активностью in vivo, и далеко не каждое вещество, проявляющее цитостатическую активность in vitro, проявляет противоопухолевую активность при его тестировании in vivo.
Кроме того, SARBase не содержит данных об экспериментально доказанном отсутствии у веществ той или иной биологической активности, что ограничивает возможность прогнозировать отрицательные результаты при экспериментальном изучении активности.
Указанные особенности обучающей выборки системы PASS снижают эффективность использования результатов прогноза противоопухолевой и цитостатиче-ской активности при отборе наиболее перспективных веществ для последующего экспериментального изучения.
Цель данной работы — изучить возможности повышения результативности использования системы PASS для доэкспериментального скрининга потенциальных противоопухолевых веществ путем дополнения обучающей выборки информацией из БД по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН.
МАТЕРИАЛЫ И МЕТОДЫ
Структурные формулы и экспериментальные данные по результатам изучения противоопухолевой и цитоток-сической активности веществ извлечены из подробно описанной ранее БД по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН [1; 2; 4; 6].
В экспериментах по прогнозированию биологической активности использована система PASS Professional, в которой предусмотрена возможность модифицировать созданную авторами или создавать новую SARBase в зависимости от потребностей конкретного пользователя (PASS 2007). Исходная обучающая выборка версии PASS 2007 содержит 117 332 вещества, химическая структура которых описывается 52 924 различными дескрипторами. Система прогнозирует 3300 видов активности со средней ошибкой прогноза 5,308% (скользящий контроль с исключением по одному).
РЕЗУЛЬТАТЫ
Анализ данных по содержащимся в БД РОНЦ им. Н. Н. Блохина РАМН результатам изучения противоопухолевой активности веществ выявляет ряд отличий от данных по биологической активности в БД SARBase системы PASS. Результаты изучения активности представлены в БД РОНЦ количественным образом. Величина противоопухолевой активности in vivo выражена в процентах увеличения продолжительности жизни живот-
ных с экспериментальными опухолями и/или в процентах торможения роста экспериментальных опухолей под влиянием изучаемого вещества по сравнению с контрольной группой животных, не подвергнутых воздействию данного вещества. Величина цитостатической активности in vitro выражена в процентах ингибирования роста опухолевых клеток в культуре под влиянием вещества, вносимого в среду культивирования.
В версии БД по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН 2007 г. вещества, увеличивающие продолжительность жизни животных с экспериментальными опухолями на 25% и более и/или ингибирующие рост опухолей на 50% и более, отнесены к категории «Antineoplastic». Вещества, оказывающие более низкий эффект или не оказывающие противоопухолевый эффект, при изучении на животных с опухолями отнесены к категории «Not antineoplastic».
Аналогичным образом вещества, ингибирующие рост опухолевых клеток в культуре на 50% в концентрациях, не превышающих 0,0001 М, отнесены к категории «Cytostatic». Вещества с более низким цитостатическим эффектом отнесены к категории «Not cytostatic».
Включение в БД SARBase выборок веществ с активностями «Not antineoplastic» и «Not cytostatic» дает возможность прогнозировать экспериментально доказанное отсутствие у новых веществ соответственно противоопухолевой и цитостатической активности, что не предусмотрено в стандартной версии системы PASS 2007.
Одним из решающих аргументов для передачи нового противоопухолевого препарата с этапа экспериментального изучения на клинические испытания является наличие у него широкого спектра противоопухолевой активности на опухолевых моделях при ее достаточно высоком уровне и низкой общей токсичности по отношению к животным.
В БД РОНЦ им. Н. Н. Блохина РАМН содержатся не только результаты экспериментального изучения противоопухолевой активности, но и описание условий эксперимента, то есть перечень типов экспериментальных опухолей, на которых изучено вещество. Это дает возможность выборки веществ с активностями «Antineoplastic» и «Not antineoplastic» разделить на подмассивы веществ, активных или неактивных по отношению к конкретной экспериментальной опухоли, и затем сформировать из них обучающий массив для прогноза спектра экспериментальной противоопухолевой активности. Количество веществ, изученных на различных экспериментальных опухолях, в БД РОНЦ им. Н. Н. Блохина РАМН неодинаково.
В табл. 1 перечислены опухолевые модели, часто используемые при углубленном изучении противоопухолевой активности веществ, предварительно отобранных на этапе скрининга, активность по отношению к которым вместе со структурными формулами может быть включена в обучающую выборку для прогноза спектра экспериментальной противоопухолевой активности новых химических соединений.
Названия активностей для включения в обучающую выборку PASS составляются по правилу:
«Antineoplastic» in (аббревиатура названия опухолевой модели),
Таблица 1
Основные опухолевые модели, используемые при экспериментальном изучении спектра противоопухолевой активности новых веществ
№ Полное название опухоли Аббревиатура, используемая в названии активности
1 Аденокарцинома молочной железы мышей Ca755 Ca755
2 Аденокарцинома толстой кишки мышей АКАТОЛ ACATOL
3 Гепатома мышей 22а Hepatoma 22a
4 Гепатома мышей 22s Hepatoma 22s
5 Карциносаркома крыс Walker-256 ^-256) Carcinosarcoma W-256
б Лейкоз мышей L1210 Leukemia L1210
7 Лейкоз мышей L5178Y Leukemia L5178Y
8 Лейкоз мышей Leukemia La
9 Лейкоз мышей P388 Leukemia P388
10 Лимфолейкоз мышей ЛИО-1 Tumor LIO-1
11 Меланома мышей B16 Melanoma B16
12 Меланома мышей Harding-Passey Melanoma Harding-Passey
13 Меланома мышей S-91 (Cloudman) Melanoma S-91 (Cloudman)
14 Опухоль мышей NK/Ly Tumor NK/Ly
15 Плазмоцитома мышей MOPC-406 Plasmacytoma MOPC-406
16 Плоскоклеточный рак желудка мышей ПРЖ Stomach carcinoma PRJ
17 Рак легкого мышей Льюис LLC Lung carcinoma LLC
18 Рак легкого мышей РЛ-67 Lung carcinoma RL-67
19 Рак молочной железы крыс РМК-1 Mammary cancer RMK-1
20 Рак шейки матки мышей РШМ-5 Cervix carcinoma RSHM-5
21 Слизистый рак печени крыс РС-1 Carcinoma RS-1
22 Саркома мышей 180 Sarcoma 180
23 Саркома мышей 298 Sarcoma 298
24 Саркома мышей 37s Sarcoma 37s
25 Саркома мышей 37а Sarcoma 37a
26 Саркома крыс 45 Sarcoma 45
27 Саркома крыс Йенсена Jensen sarcoma
28 Опухоль Эрлиха мышей асцитная Ascitic Ehrlich tumor
29 Опухоль Эрлиха мышей солидная Solid Ehrlich tumor
б
Таблица 2
Результаты оценки точности прогноза спектра экспериментальной противоопухолевой активности методом скользящего контроля с исключением по одному
ИОП — инвариантная ошибка прогноза исследования на различных опухолевых моделях, который можно рекомендовать для использования в настоящее время при обычном прогнозе спектра противоопухолевой активности новых веществ. Точность прогноза спектра экспериментальной противоопухолевой активности, оцененная методом скользящего контроля с исключением по одному, при использовании этой обучающей выборки составляет не менее 87,5% (в среднем 92,2%).
«Not antineoplastic» in (аббревиатура названия опухолевой модели).
Состав обучающих выборок на основе данных, извлекаемых из БД по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН, может изменяться по мере пополнения БД РОНЦ новыми данными и в зависимости от конкретных задач прогноза активности.
При обновлении обучающих выборок используется следующая стандартная отработанная процедура.
Первый этап — информационный поиск веществ с той или иной активностью, в котором используется список сохраненных запросов. Пример запроса для формирования выборки веществ приводится ниже: Root > Antitumor_activity > tumor like "%P388%" and Root > Antitumor_activity > ILS < «25» or Root > Antitumor_ activity > DLS exists.
В данном случае составлен запрос на поиск всех веществ, при изучении которых на лейкозе мышей P388 получено увеличение продолжительности жизни (ILS) менее 25% или любое уменьшение продолжительности жизни.
Список запросов с разъяснением их содержания на естественном языке значительно облегчает формирование выборок веществ. Результат поиска сохраняется в виде локальной БД, из которой затем экспортируется файл формата SDF, содержащий только структурные формулы и данные по активности.
Затем эти файлы SDF импортируются в специализированную БД, которая используется в качестве обучающей выборки для прогнозирования спектра противоопухолевой активности новых веществ. Химические структуры из стандартной SARBase системы PASS при формировании обучающей выборки для прогноза спектра противоопухолевой активности веществ рассматривались как неактивные.
Заключительная стадия — обучение PASS, в результате которого формируется специализированная SARBase.
В табл. 2 представлен список активностей, сформированный по результатам оценки распространенности результатов в БД РОНЦ им. Н. Н. Блохина РАМН.
При изменении количества веществ с разными активностями точность прогноза изменяется незначительно.
При использовании для формирования обучающих выборок БД по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН возникает возможность прогнозирования количественного уровня противоопухолевого действия на определенную опухоль. Для этого необходимо предварительно разбить вещества обучающей выборки на классы по уровню активности (например, неактивное, слабоактивное, среднеактивное, высокоактивное). Это существенно расширит возможности прогноза по сравнению со стандартной версией PASS.
ЗАКЛЮЧЕНИЕ
Отработана методика подготовки интегрированной специализированной обучающей выборки для прогнозирования спектра противоопухолевой активности веществ с использованием БД по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН, содержащей химические структуры и количественные данные по результатам экспериментального изучения противоопухо-
№ Тип активности Число веществ в SARBase ИОП, %
1 Antineoplastic in ACATOL 78 10,095
2 Antineoplastic in Ca755 29б 8,070
3 Antineoplastic in carcinosarcoma W-256 80 б,99б
4 Antineoplastic in cervix carcinoma RSHM-5 73 8,014
б Antineoplastic in leukemia L1210 117 4,701
б Antineoplastic in leukemia P388 125 10,849
7 Antineoplastic in lung cancer LLC 1бб 10,248
В Antineoplastic in melanoma B16 б5 7,б13
9 Antineoplastic in sarcoma 180 52 12,448
10 Antineoplastic in sarcoma 45 134 2,б13
11 Antineoplastic in solid Ehrlich tumor 29 7,850
12 Cytostatic in CaOv cells in vitro б02 б,555
13 Not antineoplastic in ACATOL б9 б,897
14 Not antineoplastic in Ca755 358 7,б49
15 Not antineoplastic in carcinosarcoma W-256 б1 б,289
1б Not antineoplastic in cervix cancer RSHM-5 47 9,б84
17 Not antineoplastic in leukemia L1210 322 б,188
18 Not antineoplastic in leukemia P388 322 9,714
19 Not antineoplastic in lung cancer LLC 248 б,904
20 Not antineoplastic in melanoma B16 3б 10,б7б
21 Not antineoplastic in sarcoma 180 1б7 7,082
22 Not antineoplastic in sarcoma 45 141 б,97б
23 Not antineoplastic in solid Ehrlich tumor 99 7,097
24 Not cytostatic in CaOv cells in vitro 1489 5,812
Выбрано типов активности: 24 из 24. Средняя ИОП 7,788%
левой и цитостатической активности веществ разных химических классов.
Дополнение выборками веществ, отсутствие противоопухолевой и цитостатической активности которых экспериментально доказано, существенно улучшает качество БД SARBase и расширяет возможности прогнозирования активности.
Совместное использование стандартной выборки PASS и обучающего массива, сформированного на основе БД РОНЦ им. Н. Н. Блохина РАМН, позволяет прогнозировать комплекс таких фармакологических эффектов, как спектр противоопухолевой активности in vivo, цитотоксичность in vitro, взаимодействие с известными молекулярными мишенями действия противоопухолевых лекарств, побочные эффекты.
Работа выполнена при поддержке Программы фундаментальных исследований РАМН.
ЛИТЕРАТУРА
1. Апрышко Г. Н. Информационная система РОНЦ им. Н. Н. Блохина РАМН по противоопухолевым агентам. Общий обзор. — НТИ. — 2007. — № 1. — С. 18—22.
2. Апрышко Г. Н. Биологическая информация в электронной базе данных по противоопухолевым веществам НИИ ЭДиТО РОНЦ РАМН // Вестн. РОНЦ. — 2007. — № 2. — C. 25—31.
3. Апрышко Г. Н. Система PASS и поиск новых противоопухолевых лекарств // Рос. биотер. журн. — 2007. — № 1. — C. 89.
4. Апрышко Г. Н. База данных по противоопухолевым веществам НИИ ЭДиТО Онкологического Научного Центра им. Н. Н. Блохина РАМН // Рос. биотер. журн. — 2008. — № 2. — С. 49—53.
5. Апрышко Г. Н., Поройков В. В., Филимонов Д. А. Компьютерный прогноз спектра противоопухолевой активности // Тез. докл. XII Рос. нац. конгр. «Человек и лекарство». — M., 2005. — С. 636.
6. Апрышко Г. Н., Решетникова В. В. Регистрационно-номенклатурный и химический модули электронной базы данных Информационной системы по противоопухолевым агентам. — НТИ. Сер. 2. — 2007. — № 6. — С. 24—31.
7. Апрышко Г. Н., Решетникова В. В., Филимонов Д. А. и др. Компьютерное прогнозирование механизмов действия противоопухолевых препаратов // Рос. биотер. журн. — 2005. — № 1. — С. 46.
8. Апрышко Г. Н., Филимонов Д. А., Поройков В. В. Прогнозирование биологической активности химических соединений из базы данных по противоопухолевым веществам РОНЦ им. Н. Н. Блохина РАМН с помощью системы PASS // Вестн. РОНЦ. — 2008. — № 3. — C. 11—14.
9. Филимонов Д. А., Поройков В. В. Прогноз спектра биологической активности органических соединений // Рос. хим. журн. — 2006. — № 2. — С. 66—75.
10. Apryshko G. N., Filimonov D. A., Poroikov V. V. Computer-based search for new antitumor drugs using the RCRC RAMS Database on antitumor substances // Abstracts of IV International Symposium on Computational Methods in Toxicology and Pharmacology Integrating Internet Resources (CMTPI-2007). — M., 2007. — P. 77.
11. Lagunin A., Stepanchikova A., FilimonovD. et al. PASS: prediction of activity spectra for biologically active substances // Bioinformatics. — 2000. — Vol. 16, N 8. — P. 747—748.
12. Poroikov V., Filimonov D. PASS: Prediction of Biological Activity Spectra for Substances. Helma C. (Ed.). Predictive Toxicology. — Boka Raton: Taylor & Francis, 2005. — P. 459—478.
13. Stepanchikova A. V., Lagunin A. A., Filimonov D. A. et al. Prediction of biological activity spectra for substances: evaluation on the diverse set of drug-like structures // Current Medic. Chem. — 2003. — Vol. 10. — P. 225—233.
Поступила 26.08.2008
Galina Nikolayevna Apryshko1, Dmitry Alexeyevich Filimonov2,
Vladimir Vasilievich Poroykov2
PREEXPERIMENTAL SCREENING OF NEW ANTITUMOR SUBSTANCES BY PASS APPROACH BASING ON THE N. N. BLOKHIN RCRC RAMS DATABASE
ON ANTITUMOR SUBSTANCES
1 Databank Group, Experimental Chemotherapy Department, Experimental Tumor
Diagnosis and Therapy Research Institute, N. N. Blokhin RCRC RAMS (24, Kashirskoye sh., Moscow, 115478, Russian Federation)
2 V. N. Orekhovich Institute of Biomedical Chemistry RAMS (10, Pogodinskaya ul.,
Moscow, 119121, Russian Federation)
Address for correspondence: Apryshko Galina Nikolayevna, Databank Group, Experimental Chemotherapy Department, Experimental Tumor Diagnosis and Therapy Research Institute, N. N. Blokhin RCRC RAMS, 24, Kashirskoye sh., Moscow, 115478, Russian Federation; e-mail: g48@mail.ru
The paper describes ways to improve efficacy of the PASS computed system in preexperimental screening for new antitumor substances by generation of teaching arrays on the basis of the N. N. Blokhin RCRC RAMS Database on antitumor substances.
Key words: antitumor substances, experimental chemotherapy, databases, preexperimental screening, information technologies.
