CC BY
78
МЕПИКО-БИОЛОГИЧЕСКИЕ ПРОБЛЕМЫ
Компьютерный прогноз взаимодействия низкомолекулярных органических соединений с белками-мишенями
П.В.Погодин1'2, А.А.Лагунин1, С.М.Иванов1, В.И.Конова1, Д.А.Филимонов1, В.В.Поройков12
1НИИ биомедицинской химии им. В.Н.Ореховича РАМН,
отдел биоинформатики, лаборатория структурно-функционального конструирования лекарств, Москва (зав. отделом — проф. В.В.Поройков);
2Российский национальный исследовательский медицинский университет им. Н.И.Пирогова, кафедра биохимии медико-биологического факультета, Москва (зав. кафедрой — акад. РАМН, проф. А.И.Арчаков)
~\ Цель исследования — разработать специализированную версию компьютерной системы PASS — PASS Targets для компьютерного прогноза спектра взаимодействий химических соединений с белками-мишенями на основе информации из базы данных ChEMBLdb (версия 14). Данные о взаимодействии с белками-мишенями для 348 137 соединений были извлечены из базы данных ChEMBLdb и использованы для обучения PASS Targets. Средняя точность прогноза взаимодействия химических соединений с белками-мишенями, рассчитанная по методу скользящего контроля с исключением по одному, составила 98,1%. Разработанная нами компьютерная система PASS Targets может быть использована для прогнозирования взаимодействия с 3257 белками-мишенями, представляющими 8 основных классов белков-мишеней из 215 видов организмов.
Ключевые слова: SAR, PASS, спектр лиганд-белковых взаимодействий, компьютерный прогноз, фармакология _l in silico, белки-мишени, ChEMBLdb
Computer Prediction of Low Molecular Organic Compounds Interaction with Protein-Targets
P.V.Pogodin1'2, A.A.Lagunin1, S.M.Ivanov1, V.I.Konova1, D.A.Filimonov1, V.V.Poroykov1'2
1Orekhovich Institute of Biomedical Chemistry of RAMS,
Department of Bioinformation, Laboratory of Structure-Function Based Drug Design, Moscow (Head of the Department — Prof. V.V.Poroykov);
2Pirogov Russian National Research Medical University,
Department of Biochemistry of Medical-Biological Faculty, Moscow (Head of the Department — Acad, of RAMS, Prof. A.I.Archakov)
~\ The purpose of the study is development of a specialized version of the computer system PASS — PASS Targets for computer-
aided prediction of the spectra of interactions between chemical compounds and protein-targets based on ChEMBLdb database (14 version). Data on the interaction between 348 137 different compounds and protein-targets were extracted from ChEMBLdb and were used for PASS training. The average prediction accuracy calculated by leave-one-out cross-validation procedure is 98.1 %. The developed copputer system PASS Targets and be used to predict interaction with 3257 protein-targets representing eight major classes of protein-targets of 215 species.
Key words: SAR, PASS, spectrum of ligand-protein interactions, computer-aided prediction, in silico pharmacology, _l protein-targets, ChEMBLdb
Несмотря на внедрение в фармацевтические исследования технологии высокопроизводительного экспери-
Для корреспонденции:
Погодин Павел Викторович, аспирант кафедры биохимии медикобиологического факультета Российского национального исследовательского медицинского университета им. Н.И.Пирогова, младший научный сотрудник лаборатории структурно-функционального конструирования лекарств отдела биоинформатики Института биомедицинской химии им. В.Н.Ореховича РАМН Адрес: 119121, Москва, ул. Погодинская, 10, стр. 8 Телефон: (499) 246-0920 E-mail: pogodinpv@gmail.com
Статья поступила 01.07.2013, принята к печати 29.10.2013
ментального скрининга (High Throughput Screening — HTS) [1] — автоматизированного тестирования взаимодействия химических соединений с определенными молекулярными мишенями in vitro [2] — в последние годы не наблюдается значительного роста количества введенных в медицинскую практику новых лекарственных средств [3]. Это можно объяснить тем, что тесты разработаны не для всех известных мишеней, а также тем, что стоимость проведения HTS растет пропорционально увеличению числа исследуемых мишеней. Поэтому входе HTS зачастую не выявляются многие взаимодействия, которые могут стать причиной как терапевтических, так и побочных эффектов.
69
П.В.Погодин и др. / Вестник РГМУ, 2013, № 4, с. 69-74
В настоящее время синтезировано и доступно для исследования более 60 млн [4] химических соединений, а количество виртуальных структур, т.е. структур, сгенерированных in silico, но еще не синтезированных, превысило 166 млрд [5]. Виртуальный скрининг позволяет оценить возможные взаимодействия разнообразных органических соединений с белками-мишенями, которые могут стать причиной какжелательных — терапевтических, так и нежелательных — побочных эффектов, что дает возможность значительно уменьшить количество экспериментально тестируемых соединений и повысить эффективность поиска новых фармакологических веществ [6]. Кроме того, результаты прогноза спектра взаимодействий с мишенями для известных лекарственных препаратов могут быть использованы для уточнения механизмов их действия и поиска новых терапевтических областей применения [7].
Цель нашей работы — создание специализированной версии компьютерной программы PASS (Prediction of Activity Spectra for Substances) — PASS Targets, предназначенной для компьютерной оценки взаимодействия органических соединений с белками-мишенями, представляющими все известные в настоящее время фармакологически значимые классы белков, на основе информации, представленной в базе данных ChEMBL. Поскольку во многих литературных источниках информация о типе действия химического соединения на мишень (ингибирование или стимуляция) отсутствует и, кроме того, данные, приведенные в различных источниках, нередко противоречивы, в PASS Targets, в отличие от канонической версии PASS, осуществляется прогнозирование взаимодействия с мишенями без учета типа действия соединения на мишень. Такой подход позволяет использовать больше экспериментальных данных при обучении программы и повысить надежность прогноза. В то же время прогнозирование наличия взаимодействия позволяет осуществить отбор химических соединений, подлежащих дальнейшему тестированию in vitro, что дает возможность уточнить тип действия.
Важным достоинством PASS Targets является использование при создании обучающей выборки единственного ресурса (ChEMBL), информация в котором проходит стандартизацию. Известно, что информация, содержащаяся в любой базе данных, требует дополнительной проверки на соответствие литературным источникам и отсутствие противоречий, и ChEMBL не является исключением [8]. Использование одного источника с уже проведенной стандартизацией описания белков-мишеней дает возможность сформировать четкие критерии и алгоритмы фильтрации данных, которые могут быть применены к новым версиям ChEMBL при отсутствии серьезных изменений в структуре хранения данных, что позволит в разумные сроки получать актуальную информацию и проводить переобучение программы PASS Targets.
Материалы и методы
Наличие ссылок на литературные источники, стандартизация данных, разнообразие мишеней и соединений, а также возможность работы с локальной версией обусловили выбор базы данных ChEMBL. Конкурирующие ресурсы
70
не содержат аналогичного объема информации сопоставимого качества либо не обеспечивают свободный доступ к ней и гибкость использования [9, 10].
ChEMBL — регулярно пополняемая сотрудниками Европейского института биоинформатики (EBI) база данных со свободным доступом, содержащая информацию о структуре химических соединений и экспериментальные данные об их взаимодействии с фармакологическими мишенями [11]. Данные собирают из специализированных научных журналов, включая Journal of Medicinal Chemistry, Bioorganic and Medicinal Chemistry, Journal of Natural Products и др. Данные в ChEMBL структурированы, что позволяет проводить их автоматизированную обработку. Перед добавлением в базу данные проходят стандартизацию: структуры химических соединений проверяют на наличие ошибок и приводят к стандартной форме, для описания мишеней составляют подробную аннотацию, а также словарь синонимов и набор ссылок на смежные ресурсы. Мера взаимодействия, оцененная в эксперименте, приводится к стандартным величинам. Это позволяет исключить неполные и сомнительные данные и повысить удобство их дальнейшего использования для решения широкого круга исследовательских задач [12]. Мы использовали 14-ю версию ChEMBL (ChEMBL_14), работающую под управлением MySQL [13], свободно распространяемой системы управления базами данных с открытым исходным кодом. Всего в базе данных ChEMBL_14 содержится информация о структуре 1 222 539 химических соединений, биологическая активность которых была оценена с использованием 644 734 экспериментальных методик в отношении 9003 мишеней.
Для доступа, извлечения и сортировки информации нами были написаны специальные компьютерные программы — скрипты на языке программирования Hypertext Preprocessor (РНР). Мы осуществляли сортировку соединений на активные и неактивные в отношении определенной мишени по количественным характеристикам величины взаимодействия. В качестве меры оценки взаимодействия мы использовали величины 1С50 (концентрация соединения, при котором достигается 50% ингибирование мишени) и (константа ингибирования), а также их обратные логарифмы. Соединение считали активным, если значения 1С50 или были менее 10 мкМ.
PASS (Prediction of Activity Spectra for Substances) — компьютерная программа, позволяющая выполнять прогноз спектров биологической активности химических соединений на основе анализа взаимосвязей «структура-активность» в обучающей выборке. Структуры химических соединений обучающей выборки и веществ, для которых выполняется прогноз, должны отвечать следующим требованиям: молекулярная масса лежит в диапазоне от 50 до 1250 атомных единиц массы (а.е.м.), структура электронейтральна, однокомпонентна и содержит не менее трех атомов углерода.
В компьютерной программе PASS химическая структура соединений представлена в виде набора дескрипторов многоуровневых атомных окрестностей (Multilevel Neighborhoods of Atom — MNA), для анализа взаимосвязей «структура-активность» использован модифицированный
Компьютерный прогноз взаимодействия низкомолекулярных органических соединений с белками-мишенями
метод Байесовской статистики [14, 15], биологическая активность описана на качественном уровне (наличие/отсут-ствие).
При обучении PASS генерируется база знаний, содержащая информацию о взаимосвязях между структурой химических соединений и их действием на белки-мишени (Structure-Activity Relationships Base — SAR base), которая в дальнейшем используется для прогноза.
Результаты прогноза PASS Targets для каждой анализируемой молекулы содержат списки мишеней с оценками вероятности наличия взаимодействия — Ра и вероятности отсутствия взаимодействия — Р..
В процессе обучения в программе PASS производится валидация точности прогноза по методу скользящего контроля с исключением по одному (Leave-One-Out CrossValidation — LOO CV): из обучающей выборки поочередно исключается по одному соединению, для которого выполняется прогноз на основе данных об оставшихся в обучающей выборке соединениях. Процесс повторяется итеративно для всех соединений из обучающей выборки. Результаты сопоставляют с известными экспериментальными данными об активности, и на основе этого сравнения рассчитывается критерий оценки точности прогноза — инвариантная точность прогноза (Invariant Accuracy of Prediction — IAP). IAP численно соответствует вероятности того, что пара соединений (активное и неактивное), взятая из выборки случайным образом, будет правильно классифицирована программой (значение Ра для активного соединения будет выше, чем значение Ра для неактивного). Критерий оценки точности IAP также может быть рассчитан по методу двадцатикратной кросс-валидации (20-fold Cross Validation — 20-fCV).
Результаты исследования и их обсуждение
В ходе проведенного обучения нами была получена специализированная версия компьютерной программы PASS — PASS Targets, позволяющая прогнозировать взаимодействия низкомолекулярных органических соединений с 3257 белковыми мишенями в организме человека (1635 мишеней), модельных животных (857 мишеней), инфекционных агентов (410 мишеней) и других организмов (355 ми-
шеней). SAR base, полученная в результате обучения PASS Targets, основана на анализе 348 137 структур уникальных соединений с известными взаимодействиями с мишенями. Точность прогноза, оцененная методом скользящего контроля с исключением по одному (LOO CV), составила в среднем 98,1%, медиана равна 99,1%. Точность прогноза, оцененная методом двадцатикратной кросс-валидации (20-fold CV), составила в среднем 97,9%, медиана равна 99,1%. Незначительная разница между точностью прогноза, рассчитанной по LOO CV и 20-fold CV, свидетельствует об устойчивости (робастности) построенных в PASS Targets зависимостей «структура-активность».
Нами была проведена группировка мишеней по классам белков и по видам организмов, в которых они встречаются (рис. 1, 2). Точность прогноза (IAPL00CV) взаимодействий для различных групп организмов и классов мишеней варьирует в пределах 4,5% (рис. 3, 4).
В качестве иллюстрации возможностей PASS Targets в табл. 1 приведено сопоставление результатов прогноза взаимодействия с белками-мишенями для кардиоселективного бета-адреноблокатора — метопролола с известными данными. Структура метопролола была удалена из SAR base до выполнения прогноза. Согласно материалам DrugBank [16], метопролол взаимодействует с шестью белковыми мишенями: Beta-1 adrenergic receptor, Beta-2 adrenergic receptor, Cytochrome P450 2D6, Cytochrome P450 2C19, Solute carrier family 22 member 2, Multidrug resistance protein 1. Из табл. 1 видно, что взаимодействия с пятью из шести известных для метопролола мишеней были предсказаны верно. В соответствии с материалами интернет-ресурса по побочным эффектам SIDER 2 [17] наиболее частые побочные эффекты препарата, зарегистрированные в постмаркетинговых исследованиях, — это гипотензия (27,4% пациентов), брадикардия (1,5-15,9% пациентов), полная атриовентрикулярная блокада (4,7% пациентов), головокружение (1% пациентов). Перечисленные побочные эффекты могут быть обусловлены взаимодействием с уже известными белковыми мишенями, посредством которых происходит развитие терапевтического эффекта препарата (бета-адренорецепторы, а также белки-транспортеры и ферменты, метаболизирующие препарат). Согласно результатам прогноза, метопролол может взаимодействовать и с другими белковыми мишенями организма че-
Рис. 1. Число мишеней в различных классах белков-мишеней, охарактеризованных в компьютерной системе PASS Targets.
Рис. 2. Число белков-мишеней, охарактеризованных для различных групп и видов организмов, в компьютерной системе PASS Targets.
71
П.В.Погодин и др. / Вестник РГМУ, 2013, № 4, с. 69-74
Рис. 3. Средняя точность прогноза с использованием компьютерной программы PASS Targets для белков-мишеней различных классов.
Рис. 4. Средняя точность прогноза компьютерной системы PASS Targets для белков-мишеней различных групп организмов.
Таблица 1. Спрогнозированный с помощью PASS Targets (порог Ра >0,25) спектр взаимодействий метопролола с белковыми ми-
шенями человека и инфекционных агентов. Темным выделены взаимодействия, известные для метопролола (DrugBank) и спрогнози-
рованные PASS Targets
Ра Р: Мишень
0,711 0,004 Homo sapiens I Solute carrier family 22 member 1
0,680 0,041 Candida albicans I Inositol phosphorylceramide synthase
0,626 0,077 Homo sapiens I Breast cancer type 1 susceptibility protein
0,617 0,007 Homo sapiens I Sodium channel protein type VIII alpha subunit
0,569 0,006 Homo sapiens I Sodium channel protein type III alpha subunit
0,554 0,005 Homo sapiens I Sodium channel protein type I alpha subunit
0,521 0,207 Homo sapiens I Protein Mdm4
0,465 0,310 Homo sapiens I BRCA1-associated RING domain protein 1
0,413 0,002 Homo sapiens I Beta-2 adrenergic receptor
0,394 0,133 Homo sapiens I Lysophosphatidic acid receptor 5
0,373 0,010 Homo sapiens I Sodium channel protein type II alpha subunit
0,363 0,002 Homo sapiens I Beta-1 adrenergic receptor
0,353 0,235 Homo sapiens I NACHT, LRR and PYD domains-containing protein 3
0,333 0,221 Tetrahymena thermophila I Telomerase reverse transcriptase
0,293 0,026 Homo sapiens I Cytochrome P450 3A5
0,291 0,020 Homo sapiens I Toll-like receptor 4
0,285 0,085 Homo sapiens I Galectin-1
0,284 0,117 Homo sapiens I Perilipin-1
0,278 0,084 Homo sapiens IADORA3 protein
0,273 0,022 Homo sapiens I Cytochrome P450 2D6
0,269 0,123 Homo sapiens 11-acylglycerol-3-phosphate O-acyltransferase ABHD5
0,251 0,005 Homo sapiens I P-glycoprotein 1(Multidrug resistance protein 1)
ловека (субъединицы натриевых каналов, Breast cancer type 1 susceptibility protein, Lysophosphatidic acid receptor 5 и т.д.), a значит, эти взаимодействия также могут вносить определенный вклад в развитие как терапевтических, так и побочных эффектов препарата. Кроме того, прогноз указывает на возможность взаимодействия метопролола с ферментами грибов (Candida ablicans) и бактерий (Tetrahymena thermophila), что позволяет рекомендовать изучение противогрибковой и антибактериальной активности метопролола.
Чтобы оценить эффективность использования PASS Targets для виртуального скрининга органических соединений, мы смоделировали процедуру отбора соединений для тестирования случайным образом и с применением PASS Targets. В качестве исходной выборки соединений использовался набор из 50 000 разнообразных по химической структуре соединений фирмы ChemBridge (DiverseSet), в который были добавлены 447 соединений, взаимодейству-
72
ющих с какой-либо из 10 наиболее часто встречаемых в DrugBank лекарственных мишеней (табл. 2). Из исходной выборки отбирали 1000 соединений (2% от общего количества). В первом случае — случайным образом, а во втором случае — согласно прогнозу PASS Targets отбирались соединения с наибольшими значениями Ра для взаимодействия с любой из приведенных в табл. 2 мишеней. В обоих случаях нами был произведен подсчет доли соединений с известной активностью, попавших в отобранную выборку. По результатам десятикратного случайного отбора в среднем отбиралось 9 известных активных соединений, что составляет 0,9% от 1000 отобранных соединений или 2% всех активных соединений в выборке. При использовании прогноза PASS Targets среди отобранных соединений оказалось 188 активных соединений, что составляет 19% от 1000 отобранных соединений и 43% всех активных соединений в выборке. Таким образом, использование про-
Компьютерный прогноз взаимодействия низкомолекулярных органических соединений с белками-мишенями
Таблица 2. Отобранные мишени и число взаимодействующих с ними лекарств из базы данных DrugBank
Число Мишень взаимодействия
соединений
49 Серотониновые 5НТ-2а-рецепторы
49 а-1А-Адренорецепторы
45 Карбоангидраза 2
47 Циклин-зависимая киназа 2
50 Дофаминовые Д2-рецепторы
48 Гистаминовые Н1-рецепторы
50 МАРК-14
38 Мускариновые ацетилхолиновые М1-рецепторы
45 Циклооксигеназа-1
26 Трипсин 1
Выбор соединений по результатам прогноза Выбор случайных соединений
Рис. 5. Обогащение выборки достоверно активными соединениями в результате использования PASS Targets. Пунктирная прямая — расчетное среднее число активных соединений при случайном отборе выборок различного объема.
гноза взаимодействия химических веществ с белковыми мишенями с применением PASS Targets позволило в 22 раза обогатить выборку соединениями с известной активностью по сравнению со случайным отбором (рис. 5).
На основе результатов проведенного виртуального скрининга был рассчитан процент лигандов, попадающих в первую тысячу отобранных соединений согласно значениям Ра, для каждой мишени по отдельности, чтобы подтвердить специфичность прогноза и возможность его использования для поисков химических соединений, взаимодействующих со строго определенной мишенью. Результаты представлены в табл. 3.
Для каждой из представленных в табл. 2 мишеней были построены графики, отражающие число выбранных известных лигандов согласно прогнозу и случайным образом. Кривые для двух мишеней, характеризующиеся максимальной (карбоангидраза 2) и минимальной (а-1А-адренорецепторы) крутизной в сравнении со случайным отбором, приведены на рис. 6.
Так как точность прогноза в отношении каждой мишени (табл. 3, IAP20f cv) находится на достаточно высоком уровне, анализ табл. 3 и рис. 6 позволяет утверждать, что значительный разброс в числах успешно отобранных со-
Таблица 3. Число подтвержденных взаимодействий, попав-
ших в 1000 наиболее вероятных согласно прогнозу в отношении каждой мишени Число
подтвержденных взаимодействий, % 33 Мишень взаимодействия IAP trit 20-fCV’ %
Серотониновые 5НТ-2а-рецепторы 97,89
14 а-1А-Адренорецепторы 98,40
72 Карбоангидраза 2 99,34
74 Циклин-зависимая киназа 2 97,47
44 Дофаминовые Д2-рецепторы 98,07
67 Гистаминовые Н1-рецепторы 98,07
80 МАРК-14 97,89
50 Мускариновые ацетилхолиновые М1-рецепторы 97,32
40 Циклооксигеназа-1 97,99
77 Трипсин 1 99,36
Рис. 6. Примеры кривых роста числа правильно выбранных лигандов согласно прогнозу и при случайном отборе.
единений с известной активностью для разных мишеней в данном случае скорее характеризует тестовую выборку ChemBridge DiverseSet, чем качество модели. Используемая выборка, судя по всему, содержит в себе значительно больше соединений близких по структуре к лигандам а-1а-адренорецепторов, чем соединений, схожих с лигандами других мишеней: карбоангидпазы 2, циклин-зависимой киназы 2, МАРК-14, трипсина 1 ит.д.
Выводы
Результаты проведенной работы показывают, что PASS Targets, используя алгоритм компьютерной системы PASS и информацию из базы данных ChEMBLdb, позволяет со средней точностью в 98% прогнозировать взаимодействие низкомолекулярных органических соединений с различными типами белковых мишеней. Тем самым исследователям предоставляется возможность эффективного виртуального скрининга кандидатов для тестирования in vitro, что приведет к сокращению финан-
73
П.В.Погодин и др. / Вестник РГМУ, 2013, № 4, с. 69-74
совых и временных затрат, повышению эффективности исследования. Результаты прогноза взаимодействия химических соединений с белками-мишенями также могут быть использованы для выявления неизвестных ранее механизмов действия известных лекарственных препаратов, объяснения побочных эффектов и поиска новых терапевтических приложений.
Работа поддержана государственным контрактом № 14.512.11.0093.
Литература
1. Hertzberg R.P., Pope A.J. High-throughput screening: new technology for the 21st century II Curr Opin Chem Biol. 2000. V.I4 (4). P.445-451.
2. Ekins S., Mestres J., Testa B. In silico pharmacology for drug discovery: applications to targets and beyond II Br J Pharmacol. 2007. V.152 (1). P.21-37.
3. Paul S.M., Mytelka D.S., Dunwiddie C.T. et al. How to improve R&D productivity: The pharmaceutical industry’s grand challenge II Nat Rev Drug Discov. 2010. V.9(3). P.203-214.
4. ChemNavigator [Official website], URL: http://www.chemnavigator.com (accessed: 04.03.2013).
5. Reymond J.L., Awale M. Exploring chemical space for drug discovery using the chemical universe database //ACS Chem Neurosci. 2012. V.3. P.649-657.
6. Ekins S., Mestres J., Testa B. In silico pharmacology for drug discovery: applications to targets and beyond II Br J Pharmacol. 2007. V.152 (1). P.2137.
7. Lee H.S., Bae T., Lee J.H. et al. Rational drug repositioning guided by an integrated pharmacological network of protein, disease and drug II BMC Syst Biol. 2012. V.2. P.76-80.
8. Kramer C., Kalliokoski T., Gedeck P., Vulpetti A. The Experimental Uncertainty of Heterogeneous Public Ki Data //J Med Chem. 2012. V.55. P.5165-5173.
9. Thomson Reuters Integrity [Official website], URL: http://integrity.thomson-pharma.com/integrity/xmlxsl/ (accessed: 04.03.2013).
10. PubChem Compound [Electronic resource] II NCBI [Official website], URL: http://www.ncbi.nlm.nih.gov/pccompound (accessed: 04.03.2013).
11. ChEMBLdb [Electronic resource] II The European Bioinformatics Institute Part of the European Molecular Biology Laboratory [Official website], URL: https:// www.ebi.ac.uk/chembldb/ (accessed: 04.03.2013).
12. Gaulton A., Beilis L.J., Bento A.P. et al. ChEMBL: a large-scale bioactivity database for drug discovery// Nucleic Acids Res. 2012. V.40. P.1100-1107.
13. MySQL [Official website], URL: http://dev.mysql.com/(accessed: 04.03.2013).
14. Filimonov D.A., Poroikov V.V. Chemoinformatics Approaches to Virtual Screening / Ed. by A.Varnek and A.Tropsha. Cambridge (UK): RSC Publishing, 2008. P.182-216.
15. PASS online [Electronic resource] II PHARMAEXPERT predictive services [Official website], URL: http://www.pharmaexpert.ru/passonline/ (accessed:
04.03.2013) .
16. DrugBank [Official website], URL: http://www.drugbank.ca/ (accessed:
04.03.2013) .
17. SIDER 2 [Official website], URL: http://sideeffects.embl.de/ (accessed:
04.03.2013) .
Информация об авторах:
Лагунин Алексей Александрович, доктор биологических наук, ведущий
научный сотрудник лаборатории структурно-функционального
конструирования лекарств отдела биоинформатики НИИ биомедицинской
химии им. В.Н.Ореховича РАМН
Адрес: 119121, Москва, ул. Погодинская, 10, стр. 8
Телефон: (499) 255-3029
E-mail: alexey.lagunin@ibmc.msk.ru
Иванов Сергей Михайлович, аспирант лаборатории структурнофункционального конструирования лекарств отдела биоинформатики НИИ биомедицинской химии им. В.Н.Ореховича РАМН Адрес: 119121, Москва, ул. Погодинская, 10, стр. 8 Телефон: (499) 246-0920 E-mail: smivanov7@gmail.com
Конова Варвара Игоревна, аспирант лаборатории структурнофункционального конструирования лекарств отдела биоинформатики НИИ биомедицинской химии им. В.Н.Ореховича РАМН Адрес: 119121, Москва, ул. Погодинская, 10, стр. 8 Телефон: (499) 255-3029 E-mail: odnojnogoj@gmail.com
Филимонов Дмитрий Алексеевич, кандидат физико-математических наук,
ведущий научный сотрудник лаборатории структурно-функционального
конструирования лекарств отдела биоинформатики НИИ биомедицинской
химии им. В.Н.Ореховича РАМН
Адрес: 119121, Москва, ул. Погодинская, 10, стр. 8
Телефон: (499) 255-3029
E-mail: dmitry.alekseevich.filimonov@gmail.com
Поройков Владимир Васильевич, доктор биологических наук, кандидат физико-математических наук, профессор кафедры биохимии медикобиологического факультета Российского национального исследовательского медицинского университета им. Н.И.Пирогова, заведующий отделом биоинформатики НИИ биомедицинской химии им. В.Н.Ореховича РАМН Адрес: 119121, Москва, ул. Погодинская, 10, стр. 8 Телефон: (499) 246-0920 E-mail: vladimir.poroikov@ibmc.msk.ru
74
